The risk of COVID-19 death is much greater and age-dependent with type I IFN autoantibodies
Notice bibliographique
Résumé
SARS-CoV-2 infection fatality rate (IFR) doubles with every five years of age from childhood onward. Circulating autoantibodies neutralizing IFN-α, IFN-ω, and/or IFN-β are found in ~20% of deceased patients across age groups. In the general population, they are found in ~1% of individuals aged 20-70 years and in >4% of those >70 years old. With a sample of 1,261 deceased patients and 34,159 uninfected individuals, we estimated both IFR and relative risk of death (RRD) across age groups for individuals carrying autoantibodies neutralizing type I IFNs, relative to non-carriers. For autoantibodies neutralizing IFN-α2 or IFN-ω, the RRD was 17.0[95% CI:11.7-24.7] for individuals under 70 years old and 5.8[4.5-7.4] for individuals aged 70 and over, whereas, for autoantibodies neutralizing both molecules, the RRD was 188.3[44.8-774.4] and 7.2[5.0-10.3], respectively. IFRs increased with age, from 0.17%[0.12-0.31] for individuals <40 years old to 26.7%[20.3-35.2] for those ≥80 years old for autoantibodies neutralizing IFN-α2 or IFN-ω, and from 0.84%[0.31-8.28] to 40.5%[27.82-61.20] for the same two age groups, for autoantibodies neutralizing both molecules. Autoantibodies against type I IFNs increase IFRs, and are associated with high RRDs, particularly those neutralizing both IFN-α2 and -ω. Remarkably, IFR increases with age, whereas RRD decreases with age. Autoimmunity to type I IFNs appears to be second only to age among common predictors of COVID-19 death.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».