MétaCan
Menu
Retour à la cohorte
Enregistrement W4392200436 · doi:10.1186/s13054-024-04843-0

Using a targeted metabolomics approach to explore differences in ARDS associated with COVID-19 compared to ARDS caused by H1N1 influenza and bacterial pneumonia

2024· article· en· W4392200436 sur OpenAlexaff
Chel Hee Lee, Mohammad Mehdi Banoei, Mariam Ansari, Matthew P. Cheng, François Lamontagne, D. Griesdale, David Lasry, Koray Demir, Vinay Dhingra, Karen C. Tran, Terry Lee, Kevin D. Burns, David Sweet, John C. Marshall, Arthur S. Slutsky, Srinivas Murthy, Joel Singer, David M. Patrick, Todd C. Lee, John H. Boyd, Keith R. Walley, Robert Fowler, Greg Haljan, Donald C. Vinh, Allison McGeer, David M. Maslove, Puneet Mann, Kathryn Donohoe, Geraldine Hernández, Genevieve Rocheleau, Uriel Trahtemberg, Anand Kumar, Mengmeng Lou, Claúdia C. dos Santos, Andrew Baker, James A. Russell, Brent W. Winston, James A. Russell, J. Gordon Boyd, T. Lee, Joel Singer, Steven Reynolds, M.-L. Cheng, D. Vinh, Oleksa Rewa, Vinu Sivanantham, Santiago Perez Patrigeon

Notice bibliographique

RevueCritical Care · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMetabolomics and Mass Spectrometry Studies
Établissements canadiensUniversity of AlbertaJewish General HospitalRoyal Columbian HospitalUniversity of ManitobaKingston General HospitalQueen's UniversityBC Children's HospitalUniversity of CalgaryHealth Sciences CentreInstitute of Infection and ImmunityOttawa HospitalMcGill University Health CentreMcGill UniversityUniversity of OttawaSunnybrook Health Science CentreBC Centre for Disease ControlSt. Michael's HospitalCentre for Advancing Health OutcomesMount Sinai HospitalVancouver General HospitalSurrey Memorial HospitalUniversity of British ColumbiaSt. Paul's HospitalUniversity of TorontoFoothills Medical CentreUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésARDSMedicineMetabolomicsPneumoniaTaurineGlutamineInternal medicineBioinformaticsLungBiologyAmino acidBiochemistry

Résumé

récupéré en direct d'OpenAlex

RATIONALE: Acute respiratory distress syndrome (ARDS) is a life-threatening critical care syndrome commonly associated with infections such as COVID-19, influenza, and bacterial pneumonia. Ongoing research aims to improve our understanding of ARDS, including its molecular mechanisms, individualized treatment options, and potential interventions to reduce inflammation and promote lung repair. OBJECTIVE: To map and compare metabolic phenotypes of different infectious causes of ARDS to better understand the metabolic pathways involved in the underlying pathogenesis. METHODS: We analyzed metabolic phenotypes of 3 ARDS cohorts caused by COVID-19, H1N1 influenza, and bacterial pneumonia compared to non-ARDS COVID-19-infected patients and ICU-ventilated controls. Targeted metabolomics was performed on plasma samples from a total of 150 patients using quantitative LC-MS/MS and DI-MS/MS analytical platforms. RESULTS: Distinct metabolic phenotypes were detected between different infectious causes of ARDS. There were metabolomics differences between ARDSs associated with COVID-19 and H1N1, which include metabolic pathways involving taurine and hypotaurine, pyruvate, TCA cycle metabolites, lysine, and glycerophospholipids. ARDSs associated with bacterial pneumonia and COVID-19 differed in the metabolism of D-glutamine and D-glutamate, arginine, proline, histidine, and pyruvate. The metabolic profile of COVID-19 ARDS (C19/A) patients admitted to the ICU differed from COVID-19 pneumonia (C19/P) patients who were not admitted to the ICU in metabolisms of phenylalanine, tryptophan, lysine, and tyrosine. Metabolomics analysis revealed significant differences between C19/A, H1N1/A, and PNA/A vs ICU-ventilated controls, reflecting potentially different disease mechanisms. CONCLUSION: Different metabolic phenotypes characterize ARDS associated with different viral and bacterial infections.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,097
Tête enseignante GPT0,351
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCritical CareMême sujetMetabolomics and Mass Spectrometry StudiesTravaux en français237 207