Blood-Derived Metabolic Signatures as Biomarkers of Injury Severity in Traumatic Brain Injury: A Pilot Study
Notice bibliographique
Résumé
Metabolomic biomarkers hold promise in aiding the diagnosis and prognostication of traumatic brain injury. In Canada, over 165,000 individuals annually suffer from a traumatic brain injury (TBI), making it one of the most prevalent neurological conditions. In this pilot investigation, we examined blood-derived biomarkers as proxy measures that can provide an objective approach to TBI diagnosis and monitoring. Using a 1H nuclear magnetic resonance (NMR)-based quantitative metabolic profiling approach, this study determined whether (1) blood-derived metabolites change during recovery in male participants with mild to severe TBI; (2) biological pathway analysis reflects mechanisms that mediate neural damage/repair throughout TBI recovery; and (3) changes in metabolites correlate to initial injury severity. Eight male participants with mild to severe TBI (with intracranial lesions) provided morning blood samples within 1–4 days and again 6 months post-TBI. Following NMR analysis, the samples were subjected to multivariate statistical and machine learning-based analyses. Statistical modelling displayed metabolic changes during recovery through group separation, and eight significant metabolic pathways were affected by TBI. Metabolic changes were correlated to injury severity. L-alanine (R= −0.63, p < 0.01) displayed a negative relationship with the Glasgow Coma Scale. This study provides pilot data to support the feasibility of using blood-derived metabolites to better understand changes in biochemistry following TBI.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».