Kinetics of SARS-CoV-2 specific IgM and IgG responses in COVID-19 patients
Notice bibliographique
Résumé
The emerging COVID-19 caused by SARS-CoV-2 infection poses severe challenges to global public health. Serum antibody testing is becoming one of the critical methods for the diagnosis of COVID-19 patients. We investigated IgM and IgG responses against SARS-CoV-2 nucleocapsid (N) and spike (S) protein after symptom onset in the intensive care unit (ICU) and non-ICU patients. 130 blood samples from 38 COVID-19 patients were collected. The levels of IgM and IgG specific to N and S protein were detected by ELISA. A series of blood samples were collected along the disease course from the same patient, including 11 ICU patients and 27 non-ICU patients for longitudinal analysis. N and S specific IgM and IgG (N-IgM, N-IgG, S-IgM, S-IgG) in non-ICU patients increased after symptom onset. N-IgM and S-IgM in some non-ICU patients reached a peak in the second week, while N-IgG and S-IgG continued to increase in the third week. The combined detection of N and S specific IgM and IgG could identify up to 75% of SARS-CoV-2 infected patients in the first week. S-IgG was significantly higher in non-ICU patients than in ICU patients in the third week. In contrast, N-IgG was significantly higher in ICU patients than in non-ICU patients. The increase of S-IgG positively correlated with the decrease of C-reactive protein (CRP) in non-ICU patients. N and S specific IgM and IgG increased gradually after symptom onset and can be used for detection of SARS-CoV-2 infection. Analysis of the dynamics of S-IgG may help to predict prognosis.
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 | 0,000 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».