Novel plasma protein biomarkers from critically ill sepsis patients
Notice bibliographique
Résumé
BACKGROUND: Despite the high morbidity and mortality associated with sepsis, the relationship between the plasma proteome and clinical outcome is poorly understood. In this study, we used targeted plasma proteomics to identify novel biomarkers of sepsis in critically ill patients. METHODS: Blood was obtained from 15 critically ill patients with suspected/confirmed sepsis (Sepsis-3.0 criteria) on intensive care unit (ICU) Day-1 and Day-3, as well as age- and sex-matched 15 healthy control subjects. A total of 1161 plasma proteins were measured with proximal extension assays. Promising sepsis biomarkers were narrowed with machine learning and then correlated with relevant clinical and laboratory variables. RESULTS: The median age for critically ill sepsis patients was 56 (IQR 51-61) years. The median MODS and SOFA values were 7 (IQR 5.0-8.0) and 7 (IQR 5.0-9.0) on ICU Day-1, and 4 (IQR 3.5-7.0) and 6 (IQR 3.5-7.0) on ICU Day-3, respectively. Targeted proteomics, together with feature selection, identified the leading proteins that distinguished sepsis patients from healthy control subjects with ≥ 90% classification accuracy; 25 proteins on ICU Day-1 and 26 proteins on ICU Day-3 (6 proteins overlapped both ICU days; PRTN3, UPAR, GDF8, NTRK3, WFDC2 and CXCL13). Only 7 of the leading proteins changed significantly between ICU Day-1 and Day-3 (IL10, CCL23, TGFα1, ST2, VSIG4, CNTN5, and ITGAV; P < 0.01). Significant correlations were observed between a variety of patient clinical/laboratory variables and the expression of 15 proteins on ICU Day-1 and 14 proteins on ICU Day-3 (P < 0.05). CONCLUSIONS: Targeted proteomics with feature selection identified proteins altered in critically ill sepsis patients relative to healthy control subjects. Correlations between protein expression and clinical/laboratory variables were identified, each providing pathophysiological insight. Our exploratory data provide a rationale for further hypothesis-driven sepsis research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».