Novel Biomarkers for SARS-CoV-2 Infection: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background: COVID-19, caused by SARS-CoV-2, has posed significant challenge to global healthcare systems, necessitating reliable biomarkers to predict disease severity and mortality. This systematic review and meta-analysis evaluated the prognostic value of novel biomarkers in COVID-19 patients. The aim of this study was to identify and prioritize the most prognostically relevant novel biomarkers associated with COVID-19 outcomes. Methods: We conducted a systematic review and meta-analysis of the available evidence. A systematic search of PubMed and Web of Science was performed to identify studies on the COVID-19 biomarkers. Observational studies that compared poor (severe disease/mortality) and good outcomes were included. For continuous measures, standard mean differences (SMDs) with 95% confidence intervals (CIs) were calculated. Pooled sensitivity, specificity, diagnostic odds ratio (DOR), and summary receiver operating characteristic (SROC) curve analyses for the biomarkers were used. The risk of bias was assessed using the Newcastle–Ottawa scale. Results: Of the 2907 screened studies, 38 were included (21 in the meta-analysis). MR-proADM showed higher levels of prediction for poor outcomes (SMD = 1.40, 95% CI: 1.11–1.69; AUC 0.74–0.96; sensitivity, 85%; specificity, 71%). The neutrophil-to-lymphocyte ratio (NLR) showed a high correlation with disease severity (SMD = 1.07, 95% CI: 0.79–1.35; AUC 0.73–0.98; sensitivity, 86%; specificity, 78%). Increased KL-6 levels were associated with lung injury (SMD = 1.22, 95% CI: 0.24–2.19; AUC 0.85–0.95). Other biomarkers (suPAR, miR-155, Galectin-3) showed promise but lacked sufficient data for pooled analysis. Heterogeneity was observed among the included studies in terms of diagnostic accuracy. These findings indicate that elevated levels of MR-proADM, NLR, and KL-6 are significantly associated with COVID-19 prognostic accuracy to guide patient management. Conclusions: MR-proADM, NLR, and KL-6 levels demonstrated strong prognostic value for COVID-19 severity and mortality. These biomarkers can enhance clinical decision-making.
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 | 0,009 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,026 | 0,009 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,000 | 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 ».