Pediatric sepsis inflammatory blood biomarkers that correlate with clinical variables and severity of illness scores
Notice bibliographique
Résumé
BACKGROUND: Sepsis is a dysregulated systemic inflammatory response triggered by infection, resulting in organ dysfunction. A major challenge in clinical pediatrics is to identify sepsis early and then quickly intervene to reduce morbidity and mortality. As blood biomarkers hold promise as early sepsis diagnostic tools, we aimed to measure a large number of blood inflammatory biomarkers from pediatric sepsis patients to determine their predictive ability, as well as their correlations with clinical variables and illness severity scores. METHODS: Pediatric patients that met sepsis criteria were enrolled, and clinical data and blood samples were collected. Fifty-eight inflammatory plasma biomarker concentrations were determined using immunoassays. The data were analyzed with both conventional statistics and machine learning. RESULTS: Twenty sepsis patients were enrolled (median age 13 years), with infectious pathogens identified in 75%. Vasopressors were administered to 85% of patients, while 55% received invasive ventilation and 20% were ventilated non-invasively. A total of 24 inflammatory biomarkers were significantly different between sepsis patients and age/sex-matched healthy controls. Nine biomarkers (IL-6, IL-8, MCP-1, M-CSF, IL-1RA, hyaluronan, HSP70, MMP3, and MMP10) yielded AUC parameters > 0.9 (95% CIs: 0.837-1.000; p < 0.001). Boruta feature reduction yielded 6 critical biomarkers with their relative importance: IL-8 (12.2%), MCP-1 (11.6%), HSP70 (11.6%), hyaluronan (11.5%), M-CSF (11.5%), and IL-6 (11.5%); combinations of 2 biomarkers yielded AUC values of 1.00 (95% CI: 1.00-1.00; p < 0.001). Specific biomarkers strongly correlated with illness severity scoring, as well as other clinical variables. IL-3 specifically distinguished bacterial versus viral infection (p < 0.005). CONCLUSIONS: Specific inflammatory biomarkers were identified as markers of pediatric sepsis and strongly correlated to both clinical variables and sepsis severity.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».