TIMP1 and MMP9 are predictors of mortality in septic patients in the emergency department and intensive care unit unlike MMP9/TIMP1 ratio: Multivariate model
Notice bibliographique
Résumé
Introduction Matrix metalloproteinases and tissue inhibitors of metalloproteinases could be promising biomarkers for establishing prognosis during the development of sepsis. It is necessary to clarify the relationship between matrix metalloproteinases and their tissue inhibitors. We conducted a cohort study with 563 septic patients, in order to elucidate the biological role and significance of these inflammatory biomarkers and their relationship to the severity and mortality of patients with sepsis. Materials and methods A multicentric prospective cohort was performed. The sample was composed of patients who had sepsis as defined by the International Conference 2001. Serum procalcitonin, creatinine, urea nitrogen, C-Reactive protein, TIMP1, TIMP2, MMP2 and MMP9 were quantified; each patient was followed until death or up to 30 days. A descriptive analysis was performed by calculating the mean and the 95% confidence interval for continuous variables and proportions for categorical variables. A multivariate logistic regression model was constructed by the method of intentional selection of covariates with mortality at 30 days as dependent variable and all the other variables as predictors. Results Of the 563 patients, 68 patients (12.1%) died within the first 30 days of hospitalization in the ICU. The mean values for TIMP1, TIMP2 and MMP2 were lower in survivors, MMP9 was higher in survivors. Multivariate logistic regression showed that age, SOFA and Charlson scores, along with TIMP1 concentration, were statistically associated with mortality at 30 days of septic patients; serum MMP9 was not statistically associated with mortality of patients, but was a confounder of the TIMP1 variable. Conclusion It could be argued that plasma levels of TIMP1 should be considered as a promising prognostic biomarker in the setting of sepsis. Additionally, this study, like other studies with large numbers of septic patients does not support the predictive value of TIMP1 / MMP9.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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) | 0,005 | 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 ».