Serum biomarkers in the diagnosis and prognosis of traumatic spinal cord injury: A systematic review and meta-analysis
Notice bibliographique
Résumé
Traumatic spinal cord injury (TSCI) is a severe neurological condition that frequently leads to permanent disability. Serum inflammatory markers and structural proteins may serve as potential biomarkers for TSCI. The present study aimed to evaluate the diagnostic and prognostic value of serum biomarkers in TSCI. In this article, a comprehensive literature search was conducted using databases such as Wanfang, VIP Database, China National Knowledge Infrastructure, Chinese Biomedical Literature Database, PubMed, Cochrane Library, Embase, and Web of Science. Meta-analysis was performed using RevMan 5.4 software to compare serum biomarker concentrations between TSCI patients and healthy controls (diagnostic group) and between patients with favorable and unfavorable prognoses (prognostic group). The quality of the included studies was evaluated using the Newcastle–Ottawa Scale. The results showed that: (1) In the diagnostic group, the meta-analysis revealed that serum levels of NSE, MIF, S100β, TNF-α, IL-1β, IL-4, IL-6, IL-16, CCL2, CCL4, CCL21, CXCL1, CXCL9, CXCL10, and CXCL12 were significantly elevated in TSCI patients compared with healthy controls, while IL-10 levels were decreased. (2) In the prognostic group, meta-analysis indicated that serum GFAP and NSE concentrations were significantly lower in patients with favorable prognoses than in those with poor prognoses. In conclusion, the serum levels of most structural proteins and inflammatory factors in patients with TSCI are elevated compared with healthy controls, and patients with poor prognosis exhibit even higher concentrations than those with favorable outcomes. These findings indicate the potential value of these markers for diagnosing TSCI and assessing prognosis.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».