Predicting severity in COVID-19 disease using sepsis blood gene expression signatures
Notice bibliographique
Résumé
Severely-afflicted COVID-19 patients can exhibit disease manifestations representative of sepsis, including acute respiratory distress syndrome and multiple organ failure. We hypothesized that diagnostic tools used in managing all-cause sepsis, such as clinical criteria, biomarkers, and gene expression signatures, should extend to COVID-19 patients. Here we analyzed the whole blood transcriptome of 124 early (1-5 days post-hospital admission) and late (6-20 days post-admission) sampled patients with confirmed COVID-19 infections from hospitals in Quebec, Canada. Mechanisms associated with COVID-19 severity were identified between severity groups (ranging from mild disease to the requirement for mechanical ventilation and mortality), and established sepsis signatures were assessed for dysregulation. Specifically, gene expression signatures representing pathophysiological events, namely cellular reprogramming, organ dysfunction, and mortality, were significantly enriched and predictive of severity and lethality in COVID-19 patients. Mechanistic endotypes reflective of distinct sepsis aetiologies and therapeutic opportunities were also identified in subsets of patients, enabling prediction of potentially-effective repurposed drugs. The expression of sepsis gene expression signatures in severely-afflicted COVID-19 patients indicates that these patients should be classified as having severe sepsis. Accordingly, in severe COVID-19 patients, these signatures should be strongly considered for the mechanistic characterization, diagnosis, and guidance of treatment using repurposed drugs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».