Advancing Non-Invasive Respiratory Diagnostics: Multiplex Nasal Biomarker Profiling for Stratification of Airway Inflammatory Diseases
Notice bibliographique
Résumé
ABSTRACT This study explores the potential of nasal secretions to serve as a source of biomarkers for diagnosing respiratory conditions. A total of 40 inflammatory biomarkers were detected and quantified in participants with upper respiratory diseases, including chronic rhinosinusitis (CRS), allergic rhinitis, and viral and bacterial infections. The different expression levels of various biomarkers could distinguish CRS participants with and without nasal polyps (i.e. CRP, GzmB, IL-4, MMP-1, MMP-8, SAA and TREM-1), and healthy and rhinitis participants (i.e. CRP, EGF, Eotaxin-1, Fractalkine, IL-1RA, IL-5, IP-10 and TRAIL). CRP, G-CSF, GzmA, IL-1, IL-2, IL-5, IL-8, IL-9, MMP-1, TNFa and TREM-1 protein expression differed between the healthy, viral and bacterial-infected individuals, and EGF, G-CSF, MCP-1, MIP1a and MIP-1b protein expression differed between type 2 and non-type 2 inflammatory cohorts. Significant correlations were also noted between SNOT-22 scores and specific cytokines, such as IP-10 and TRAIL. Despite the heterogeneity of patient diagnoses, these findings highlight the potential of nasal fluid as a readily accessible reflection of respiratory health. Future studies with larger cohorts and standardized methodologies are needed to validate these biomarkers and potentially enable precision diagnosis and improved treatment of respiratory conditions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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) | 0,001 | 0,001 |
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 ».