Retinal thickness in patients with elevated D-dimer and interleukin-6 levels as a result of SARS-CoV-2 infection
Bibliographic record
Abstract
Wprowadzenie SARS-CoV-2 może prowadzić do różnych problemów zdrowotnych, w tym ciężkiego zapalenia płuc, uszkodzenia narządów, jak również wpływać na siatkówkę. Badacze wykryli SARS-CoV-2 w siatkówkach zakażonych pacjentów i ustalili, że stosując nowe metody obrazowania, takie jak optyczna koherentna tomografia (OCT), można zbadać jego wpływ na oko. Cel pracy Udokumentowanie zmian w grubości siatkówki u pacjentów z COVID-19 hospitalizowanych z powodu obustronnego zapalenia płuc oraz ustalenie, jaki wpływ na grubość siatkówki mają saturacja (SpO2), poziom D-dimerów i interleukiny 6 (IL-6). Materiał i metody Badanie prospektywne obejmowało pacjentów z COVID-19 ocenianych po 2 miesiącach (grupa 1.) i ustalili, że ponownie po 8 miesiącach od wypisu ze szpitala (grupa 2.). Grubość siatkówki była automatycznie mierzona za pomocą OCT. Pomiar grubości siatkówki w grupie 2. porównano z wynikami zdrowych osób, a poziomy D-dimerów, IL-6 i SpO2 przy przyjęciu do szpitala były korelowane z grubością siatkówki w grupie 1. Wyniki W grupie 2. wykazano istotne zmniejszenie grubości siatkówki w porównaniu z grupą 1. w kilku regionach plamki żółtej z jednoczesnym wzrostem w innych obszarach. W grupie 2 stwierdzono większą grubość siatkówki w porównaniu z grupą kontrolną w niektórych regionach. Wykazano dodatnią korelację między SpO2 ≤ 90% a grubością siatkówki w grupie 1. w określonych regionach plamki żółtej. Wnioski Grubość siatkówki mierzona po przebyciu zakażenia SARS-CoV-2 zmienia się po 6 miesiącach od zakażenia. Niedotlenienie, nadkrzepliwość krwi i stan zapalny z powodu COVID-19 mogą wpływać na grubość siatkówki.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 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".