Biomarqueurs de L’inflammation et Dépression du Post-Partum: Une Revue Systématique De la Littérature
Bibliographic record
Abstract
Objectif : La Dépression du Post-Partum (DPP) affecte plus de 15% des nouvelles mères. Son étiologie est plurifactorielle et encore partiellement méconnue. Certaines hypothèses posent l’idée d’un lien avec l’inflammation. L’objectif de cette revue est d’explorer l’existence de biomarqueurs de l’inflammation associés à la DPP. Puis sera discutée la possibilité de compléments thérapeutiques éventuels, en lien avec ces biomarqueurs. Méthode : La revue systématique de la littérature a été réalisée à partir de PubMed, PsycInfo et Embase. Vingt-cinq articles ont été inclus. Différents biomarqueurs ont été identifiés. Les plus étudiés sont la C-Réactive Protéine (CRP), les Interleukines 6 et 10, le Tumor Necrosis Factor-alpha et l’Interferon Gamma. Résultats : Alors que peu de résultats apparaissent comme significatifs aux différents temps, le dosage de certains biomarqueurs de l’inflammation, notamment la CRP, en toute fin de grossesse ou juste après l’accouchement pourrait être une piste de recherche intéressante avec une orientation prédictive de la DPP. Les interactions entre inflammation et axe corticotrope peuvent expliquer la survenue de la DPP. Des phénomènes épigénétiques pourraient conduire à un état pro-inflammatoire. Plusieurs thérapeutiques offrent des pistes intéressantes grâce à leur propriété anti-inflammatoire. Conclusions : Davantage d’études sont nécessaires afin d’évaluer l’intérêt de ces biomarqueurs comme facteur prédictif de la DPP et d’envisager des traitements complémentaires à l’antidépresseur. Si cet intérêt était confirmé, le dosage de marqueur de l’inflammation, notamment la CRP, pourrait aider au dépistage précoce des femmes à risque de DPP, parallèlement à la clinique. Une supplémentation en Zinc pourrait alors être proposée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.036 | 0.095 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.007 | 0.006 |
| Bibliometrics | 0.017 | 0.016 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".