The Relationship Between Kidney Biomarkers, Inflammation, Severity, and Mortality Due to COVID-19—A Two-Timepoint Study
Notice bibliographique
Résumé
About a quarter of COVID-19 patients develop acute kidney injury (AKI), worsening prognosis and increasing mortality. Severe COVID-19 often triggers a hyperactive immune response, influencing disease outcomes. This study examined the correlation between kidney injury biomarkers, inflammatory mediators, and mortality in COVID-19 patients. Blood samples from 390 COVID-19 patients were collected at admission and before the outcome. Serum Cystatin C (CysC), albumin, and plasma NGAL were measured via nephelometry, while inflammatory mediators (IL-4, IL-6, IL-10, IL-15, IFN-γ, TNF-α, and IL-1β) were assessed by ELISA. Most patients were male, with hypertension and diabetes as common comorbidities, and a high ICU admission rate. Lower albumin and elevated CysC and NGAL were linked to mortality. Increased inflammatory mediators correlated with lower albumin and higher CysC and NGAL, reinforcing the connection between systemic inflammation and kidney dysfunction. Elevated cytokines and kidney injury biomarkers, including NGAL, CysC, and low albumin, are strongly associated with higher mortality in COVID-19 patients. These findings highlight the role of inflammation and kidney function markers in identifying high-risk individuals, improving patient management, and mitigating complications. Monitoring these biomarkers remains crucial for managing long-term health impacts and future outbreaks.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».