Using virtual patient cohorts to uncover immune response differences in cancer and immunosuppressed COVID-19 patients
Notice bibliographique
Résumé
The COVID-19 pandemic caused by the severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) resulted in millions of deaths globally. Adults with immunosuppression (e.g., solid organ transplant recipients) and those undergoing active cancer treatments experience worse infections and more severe COVID-19. It is difficult to conduct clinical studies in these populations, resulting in a restricted amount of data that can be used to relate mechanisms of immune dysfunction to COVID-19 outcomes in these vulnerable groups. To study immune dynamics after infection with SARS-CoV-2 and to investigate drivers of COVID-19 severity in individuals with cancer and immunosuppression, we adapted our mathematical model of the immune response during COVID-19 and generated virtual patient cohorts of cancer and immunosuppressed patients. The cohorts of plausible patients recapitulated available longitudinal clinical data collected from patients in Montréal, Canada area hospitals. Our model predicted that both cancer and immunosuppressed virtual patients with severe COVID-19 had decreased CD8 + T cells, elevated interleukin-6 concentrations, and delayed type I interferon peaks compared to those with mild COVID-19 outcomes. Additionally, our results suggest that cancer patients experience higher viral loads (however, with no direct relation with severity), likely because of decreased initial neutrophil counts (i.e., neutropenia), a frequent toxic side effect of anti-cancer therapy. Furthermore, severe cancer and immunosuppressed virtual patients suffered a high degree of tissue damage associated with elevated neutrophils. Lastly, parameter values associated with monocyte recruitment by infected cells were found to be elevated in severe cancer and immunosuppressed patients with respect to the COVID-19 reference group. Together, our study highlights that dysfunctions in type I interferon and CD8 + T cells are key drivers of immune dysregulation in COVID-19, particularly in cancer patients and immunosuppressed individuals.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».