Maternal cytokine profiles in second and early third trimester are not predictive of preterm birth
Notice bibliographique
Résumé
Previous studies have investigated whether inflammatory cytokines in maternal circulation are associated with preterm birth. However, many have reported inconsistent results, and few have investigated cytokine trends through gestation, particularly with respect to subtypes of preterm birth. We explored levels of 15 inflammatory cytokines and growth factors in plasma and serum collected in the second (17-23 weeks, timepoint 1 (T1)) and third (28-32 weeks, timepoint 2 (T2)) trimesters with respect to subtypes of preterm birth: spontaneous preterm labour (sPTL), preterm premature rupture of membranes (PPROM), and medically indicated preterm birth (mPTB). The change in TNFα levels over time (T2/T1) significantly classified mPTB from term birth with an AUC of 0.79. While elevated sICAM-1 levels were significantly associated with sPTL, sICAM-1 was not an effective biomarker for prediction. While statistical differences in some biomarkers, such as TNFα and sICAM-1 were found, these are likely not clinically meaningful for prediction. These results did not reveal a relationship between spontaneous labour and circulating maternal inflammatory biomarkers, however, do suggest distinct inflammatory profiles between subtypes of preterm birth.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».