Tear-fluid-derived biomarkers of ocular complications in diabetes: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Early identification and management of sight-threatening ocular complications of diabetes using imaging or molecular biomarkers could help prevent vision loss. However, access to specialized infrastructure and expertise is limited, especially in remote areas of the world. Tear-fluid may offer an easier, non-invasive, and localized screenshot of ocular disease. To the best of our knowledge, there is no systematic review and meta-analysis on tear-fluid-based biomarkers for ocular complications in diabetes. METHODS: Articles were extracted from PubMed, Embase, Medline, and Web of Science using the MeSH and Emtree terms. The keywords include (diabetes), (diabetic retinopathy), (diabetes mellitus, type 1), (diabetes mellitus, type 2), (insulin-dependent diabetes), (insulin resistant diabetes), (tears), (lacrimal fluid), (biological marker), and (biomarker, marker). Concentrations of tear-fluid biomarkers in individuals with diabetes, diabetic ocular complications, and healthy controls were extracted and standardized mean differences (SMDs) and 95% CIs were calculated. Heterogeneity was assessed using subgroup and leave-one-out sensitivity analyses. Publication and risk of bias were performed using the Egger's test and Cochrane guidelines. The quality of evidence was evaluated using the Newcastle-Ottawa scale. RESULTS: Nine hundred eleven papers were identified, 19 of which met the study criteria and were included in the meta-analysis. Participants (n = 1413) belonged to three groups: healthy controls (Controls), diabetes without any complications (Diabetes), and diabetes with ocular complications (Complications). Actual concentrations were reported for TNF-α, VEGF, IL-1RA, IL-1β, IL-6, IL-8, lactoferrin, lysozyme, and MCP-1 in at least three different studies. Meta-analyses demonstrated that TNF-α concentration was significantly higher in the tear-fluid of Complications group when compared to Controls (SMD = - 1.08, 95% CIs = - 1.78, - 0.38, p = 0.003) or when compared to Diabetes (SMD = - 0.78, 95% CIs = - 1.48, - 0.09, p = 0.03). However, it was not different when Controls were compared to Diabetes (SMD = - 1.00, 95% CIs = - 2.27, 0.28, p = 0.13). VEGF demonstrated a similar trend indicating specificity of tear-fluid TNF-α and VEGF for diabetic ocular complications. CONCLUSIONS: Across all biomolecules meta-analyzed in this study, TNF-α and VEGF were identified as the most important biomarkers that could potentially offer a non-invasive tear-fluid-based assessment of progression to ocular complications in diabetes, especially in rural and remote areas where diabetes-related expertise and infrastructure are limited. TRIAL REGISTRATION: PROSPERO (CRD42023441867) https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=441867 .
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 | 0,015 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,022 | 0,045 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».