Metabolomic signature of pediatric diabetic ketoacidosis: key metabolites, pathways, and panels linked to clinical variables
Notice bibliographique
Résumé
BACKGROUND: Diabetic ketoacidosis (DKA) is a serious complication of type 1 diabetes (T1D), arising from relative insulin deficiency and leading to hyperglycemia, ketonemia, and metabolic acidosis. Early detection and treatment are essential to prevent severe outcomes. This pediatric case-control study utilized plasma metabolomics to explore metabolic alterations associated with DKA and to identify predictive metabolite patterns. METHODS: We examined 34 T1D participants, including 17 patients admitted with severe DKA and 17 age- and sex-matched individuals in insulin-controlled states. A total of 215 plasma metabolites were analyzed using proton nuclear magnetic resonance and direct-injection liquid chromatography/mass spectrometry. Multivariate statistical methods, machine learning techniques, and bioinformatics were employed for data analysis. RESULTS: After adjusting for multiple comparisons, 65 metabolites were found to differ significantly between the groups (28 increased and 37 decreased). Metabolomics profiling demonstrated 100% accuracy in differentiating severe DKA from insulin-controlled states. Random forest analysis indicated that classification accuracy was primarily influenced by changes in ketone bodies, acylcarnitines, and phosphatidylcholines. Additionally, groups of metabolites (ranging in number from 8 to 18) correlated with key clinical and biochemical variables, including pH, bicarbonate, glucose, HbA1c, and Glasgow Coma Scale scores. CONCLUSIONS: These findings underscore significant metabolic disturbances in severe DKA and their associations with critical clinical indicators. Future investigations should explore if metabolic alterations in severe DKA can identify patients at increased risk of complications and/or guide future therapeutic interventions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».