C.5 Altered inflammatory profiles in critically ill children with neurologic involvement
Notice bibliographique
Résumé
Background: More than 1 in 4 children admitted to the pediatric ICU (PICU) have suspected neuroinflammation for a variety of reasons. While often beneficial, uncontrolled inflammation can lead to secondary neurologic injuries and interfere with repair mechanisms. Methods: A prospective cohort study was initiated at Alberta Children’s Hospital to evaluate neuroinflammation in children admitted to the PICU. Forty-eight cytokines, chemokines and growth factors collected at multiple pre-determined timepoints were analyzed along with data on clinical trajectory. Preliminary exploratory analyses of patients enrolled January 2022-July 2023 were completed. Results: Fifty-three patients were included in the initial analysis. Encephalopathy (18.9%), hypoxia (17%) and TBI (15.1%) were the most common reasons for enrollment. All groups had temporal alterations in serum cytokines, with primary inflammatory brain diseases having the highest levels of innate inflammation (cytokine storm) on admission and day one compared to other subgroups. There was a trend towards normalization of cytokine levels over time. Conclusions: Temporal profiling of cytokine levels can inform on neuroinflammatory pathways contributing to the clinical course in critically ill children. Further analysis is ongoing with the entire cohort to evaluate longitudinal and between-group differences. Improved understanding of altered neuroinflammatory pathways in this population may assist with rationalizing targeted immunotherapies to improve outcomes.
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 | 0,004 | 0,005 |
| 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 | 0,002 | 0,010 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».