P-2239. RNA Signatures for Diagnosing or Predicting Febrile Illness: A Descriptive Analysis
Notice bibliographique
Résumé
Abstract Background Fever is a common sign of illness; it may self-resolve or be present in serious illnesses requiring hospitalization. Investigating the cause of fever can be extremely resource intensive requiring multiple diagnostic tests and healthcare providers thereby delaying time to diagnosis. RNA molecules present in the blood can be easily detected and reflect a patient’s disease state, making them ideal biomarkers. Our objective was to identify RNA common to signatures that diagnose and predict the outcome of febrile illnesses. Our secondary objectives were to assess whether signatures are being validated and translated. Methods We conducted a scoping review of published research articles, including preprints, from EMBASE and Medline that measured blood RNA in patients with febrile illness. Here we are analyzing a articles that used array or RNA-seq to generate original signatures. Results We identified 248 original blood RNA signatures for the diagnosis or prognosis of febrile illness. 154 were diagnostic, 56 prognostic, 15 diagnostic/prognostic and 23 exploratory. The most common illnesses studied were sepsis (n=83), viral infections (n=74) and tuberculosis (n=38). From all sepsis signatures there were 214 unique RNA and 74 RNA present in multiple signatures. The most common RNA, C3AR1 (complement receptor) and MPO (myeloperoxidase), appeared in 5 signatures. For viral infections there were 54 signatures, and IFI27 (interferon) appeared in 8 signatures. For tuberculosis there were 26 signatures, and the most common RNA were BATF2 (transcription factor) and FCGR1B (Fc receptor) each appearing in 4 signatures. 158/248 signatures were validated. Clinical sensitivity and specificity in validation groups were 54-100% and 79-97%, respectively. 9/248 studies claimed that they had filed or were filing for a patent. Conclusion Blood RNA molecules can be used for the diagnosis and prognosis of febrile illnesses. Currently, < 65% of RNA signatures are validated and < 5% of signatures are commercialized. In conducting this analysis, we encountered a lack of standardization in methods reporting. Further work to improve transparency and encourage validation is needed so RNA signatures can be adapted into simple, molecular diagnostic tests and translated for patient use. Disclosures Shaun Morris, MD, MPH, DTM&H, FRCPC, FAAP, GSK Canada: Advisor/Consultant|GSK Canada: Honoraria|Pfizer: Advisor/Consultant|Pfizer: Honoraria|Sanofi Canada: Advisor/Consultant|Sanofi Canada: Honoraria
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 | 0,005 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».