Metabolomic and Immunologic Discriminators of MIS-C at Emergency Room Presentation
Notice bibliographique
Résumé
Multisystem Inflammatory Syndrome in Childhood (MIS-C) follows SARS-CoV-2 infection and frequently leads to intensive care unit admission. The inability to rapidly discriminate MIS-C from similar febrile illnesses delays treatment and leads to misdiagnosis. To identify diagnostic discriminators at the time of emergency department presentation, we enrolled 104 children who met MIS-C screening criteria, 14 of whom were eventually diagnosed with MIS-C. Before treatment, we collected breath samples for volatiles and peripheral blood for measurement of plasma proteins and immune cell features. Clinical and laboratory features were used as inputs for a machine learning model to determine diagnostic importance. MIS-C was associated with significant changes in breath volatile organic compound (VOC) composition as well as increased plasma levels of secretory phospholipase A2 (PLA2G2A) and lipopolysaccharide binding protein (LBP). In an integrated model of all analytes, the proportion of TCRVβ21.3+ non-naive CD4 T cells expressing Ki-67 had a high sensitivity and specificity for MIS-C, with diagnostic accuracy further enhanced by low sodium and high PLA2G2A. We anticipate that accurate diagnosis will become increasingly difficult as MIS-C becomes less common. Clinical validation and application of this diagnostic model may improve outcomes in children presenting with multisystem febrile illnesses.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».