Monitoring inflammation in patients diagnosed with non-small cell lung and colorectal cancer using blood levels of C-reactive protein, procalcitonin, and plasma gelsolin
Bibliographic record
Abstract
Wprowadzenie Gelsolina osoczowa (pGSN) od niedawna traktowana jest jako nowy predyktor ogólnoustrojowych następstw procesów zapalnych, zwłaszcza u pacjentów w ciężkim stanie klinicznym. Nasze prace były ukierunkowane na zbadanie potencjalnej zależności między stężeniem białka C-reaktywnego (CRP), prokalcytoniny (PCT) i pGSN we krwi pobranej od pacjentów z rakiem jelita grubego i płuca oraz ocena ich potencjału diagnostycznego, gdy prowadzono łączną ocenę tych trzech markerów. Cel pracy Weryfikacja hipotezy, że istnieje korelacja pomiędzy podwyższonym stężeniem CRP i PCT we krwi a zmniejszonym stężeniem gelsoliny osoczowej, co może pomóc w identyfikacji systemowej odpowiedzi zapalnej zależnej od procesu nowotworowego u tych pacjentów i związanego z tym gorszego rokowania u tych chorych. Materiał i metody Próbki krwi pobrano od 159 osób, poddano je analizie biochemicznej; oznaczono CRP i PCT oraz poziom pGSN za pomocą metody Western blot. Wyniki Badania wykazały istotny wzrost stężeń CRP i PCT w pobranych próbkach krwi, natomiast stężenie pGSN było zmniejszone. Ponieważ wartości stężeń CRP, PCT i pGSN we krwi nie wykazywały silnej korelacji w obrębie badanych grup, można przypuszczać, że za zmiany te odpowiadają odmienne mechanizmy molekularne. Wnioski Lepsze zrozumienie wartości klinicznej jednoczesnej oceny stężeń CRP, PCT i pGSN u pacjentów cierpiących na raka jelita grubego i raka płuc może pomóc w identyfikacji chorych z ogólnoustrojową reakcją zapalną, niosącą za sobą gorsze rokowanie.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".