The SENSOR System: Using Standardized Data Entry and Dashboards for Review of Scientific Studies on the Utility of Blood-Based Protein Biomarkers for Patients with Mild Brain Injury
Notice bibliographique
Résumé
Abstract Background There is no objective way of diagnosing or prognosticating acute traumatic brain injuries (TBIs). A systematic review conducted by Mondello et al . reviewed studies looking at blood based protein biomarkers in the context of acute mild traumatic brain injuries and correlation to results of computed tomography scanning. This paper provides a summary of this same literature using the SENSOR system. Methods An existing review written by Mondello et al . was selected to apply the previously described SENSOR system (Kamal et al.) that uses a systematic process made up of a Google Form for data intake, Google Drive for article access, and Google Sheets for the creation of the dashboard. The dashboard consisted of a map, bubble graphs, multiple score charts, and a pivot table to facilitate the presentation of data. Results A total of 29 entries were inputted by two team members. Sensitivities, specificities, positive predictive values (PPVs), negative predictive values (NPVs), demographics, cut-off levels, biomarker levels, and assay ranges were analyzed and presented in this study. S100B and GFAP biomarkers may provide good clinical utility, whereas UCH-L1, C-Tau, and NSE do not. Discussion This study determined the feasibility and reliability of multiple biomarkers (S100B, UCH-L1, GFAP, C-tau, and NSE) in predicting traumatic brain lesions on CT scans, in mTBI patients, using the SENSOR system. Many potential limitations exist for the existing literature including controlling for known confounders for mild traumatic brain injuries. Conclusion The SENSOR system is an adaptable, dynamic, and graphical display of scientific studies that has many benefits, which may still require further validation. Certain protein biomarkers may be helpful in deciding which patients with mTBIs require CT scans, but impact on prognosis is still not clear based on the available literature.
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 | 0,098 | 0,236 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,038 | 0,028 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,005 |
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 ».