Prospective Variation of Cytokine Trends during COVID-19: A Progressive Approach from Disease Onset until Outcome
Notice bibliographique
Résumé
COVID-19 is characterized by pronounced hypercytokinemia. The cytokine switch, marked by an imbalance between pro-inflammatory and anti-inflammatory cytokines, emerged as a focal point of investigation throughout the COVID-19 pandemic. However, the kinetics and temporal dynamics of cytokine release remain contradictory, making the development of new therapeutics difficult, especially in severe cases. This study collected serum samples from SARS-CoV-2 infected patients at 72 h intervals and monitored them for various cytokines at each timepoint until hospital discharge or death. Cytokine levels were analyzed based on time since symptom onset and patient outcomes. All cytokines studied prospectively were strong predictors of mortality, particularly IL-4 (AUC = 0.98) and IL-1β (AUC = 0.96). First-timepoint evaluations showed elevated cytokine levels in the mortality group (p < 0.001). Interestingly, IFN-γ levels decreased over time in the death group but increased in the survival group. Patients who died exhibited sustained levels of IL-1β and IL-4 and increased IL-6 levels over time. These findings suggest cytokine elevation is crucial in predicting COVID-19 mortality. The dynamic interplay between IFN-γ and IL-4 highlights the balance between Th1/Th2 immune responses and underscores IFN-γ as a powerful indicator of immune dysregulation throughout the infection.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».