Early peripheral blood gene expression predicts 90-day outcomes following subarachnoid hemorrhage
Notice bibliographique
Résumé
BACKGROUND: Previous clinical, radiological and machine learning studies have predicted 90-day outcomes following subarachnoid hemorrhage (SAH). The present study was designed to determine whether early changes in mRNA expression of immune, clotting and other genes expressed in peripheral blood can predict patient outcomes at 90 days after SAH and possibly provide insights into the molecular factors that promote good versus poor outcomes. METHODS: Peripheral blood was drawn after SAH and from vascular risk factor controls (VRFC) and RNAseq performed to measure mRNA expression. A mixed effects regression model identified potential predictors and machine learning algorithms derived the best predictors of 90-day SAH outcome as measured by modified Rankin Score (mRS) for a derivation cohort (23 Poor and 37 Good SAH Outcome patients, 48 VRFC). The model trained on the derivation cohort was then used to predict 90-day SAH outcome in an independent validation cohort (15 Poor and 23 Good SAH Outcome). Enrichment analyses for cell-type specific genes, canonical pathways, and biological processes were performed for the predictor genes. RESULTS: The mixed effects regression on the derivation cohort yielded 94 genes from which 20 were selected through feature reduction. Machine learning algorithms were optimized to generate a model that predicted SAH 90-day outcome with AUC = 0.85, sensitivity = 87%, and specificity = 84% on cross-validation. Application of this model to the independent validation cohort yielded AUC = 0.84, sensitivity = 93%, and specificity = 74%. The 20 predictors were significantly enriched in genes from neutrophils and erythroblasts and in nine pathways including the Unfolded Protein Response, Neutrophil Degranulation, and Neutrophil Extracellular Trap Signaling. CONCLUSIONS: This discovery study demonstrates that a small panel of 20 genes expressed in peripheral blood after SAH has the potential for predicting 90-day outcomes following SAH. It also shows that neutrophils may be important drivers of SAH outcomes and could represent therapeutic targets.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».