A spatially resolved single-cell lung atlas integrated with clinical and blood signatures distinguishes COVID-19 disease trajectories
Notice bibliographique
Résumé
COVID-19 is characterized by a broad range of symptoms and disease trajectories. Understanding the correlation between clinical biomarkers and lung pathology during acute COVID-19 is necessary to understand its diverse pathogenesis and inform more effective treatments. Here, we present an integrated analysis of longitudinal clinical parameters, peripheral blood markers, and lung pathology in 142 Brazilian patients hospitalized with COVID-19. We identified core clinical and peripheral blood signatures differentiating disease progression between patients who recovered from severe disease compared with those who succumbed to the disease. Signatures were heterogeneous among fatal cases yet clustered into two patient groups: “early death” (<15 days until death) and “late death” (>15 days). Progression to early death was characterized systemically and in lung histopathological samples by rapid endothelial and myeloid activation and the presence of thrombi associated with SARS-CoV-2 + macrophages. In contrast, progression to late death was associated with fibrosis, apoptosis, and SARS-CoV-2 + epithelial cells in postmortem lung tissue. In late death cases, cytotoxicity, interferon, and T helper 17 (T H 17) signatures were only detectable in the peripheral blood after 2 weeks of hospitalization. Progression to recovery was associated with higher lymphocyte counts, T H 2 responses, and anti-inflammatory–mediated responses. By integrating antemortem longitudinal blood signatures and spatial single-cell lung signatures from postmortem lung samples, we defined clinical parameters that could be used to help predict COVID-19 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 | 0,003 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,008 |
| 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) | 0,000 | 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; 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 ».