Name: 一种量化脓毒症免疫状态的数据驱动方法 (视频) | JoVE Journal
Uploaded: 2025-02-07T15:00:00.000+00:00
Duration: 7 min 42 s
Description: 了解脓毒症免疫状态的数据驱动量化方法，通过数据可视化和三维数值拟合分析白细胞、淋巴细胞与中性粒细胞的关系，建立数学模型识别九种免疫状态，为疾病监测和治疗策略提供新框架。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本研究得到两个项目的资助：中国国家中医药管理局组织的第七批名老中医药专家学术经验继承工作项目（项目编号：[2021]272号）和陕西省中医药管理局2024年度市级中医医院中医药科研能力提升项目（项目编号：SZY-NLTL-2024-003）。

本研究通过探讨白细胞、淋巴细胞和中性粒细胞之间的关系，分析脓毒症患者的免疫状态。患者在中国北京东直门医院重症监护室（ICU）入组，并在签署知情同意书后接受标准血液检测。本研究遵循机构人体研究伦理委员会的指导原则进行。数据分组及详细数据内容见于 补充表1。该 软件工具 本研究中使用的研究对象列于下文 材料表 
1. 数据收集与准备
注意：选择白细胞、中性粒细胞和淋巴细胞作为脓毒症患者免疫状态的关键指标。这一选择基于已确立的临床观察：脓毒症患者的淋巴细胞计数往往受到抑制并逐渐下降，而中性粒细胞计数则常出现波动。这两种细胞类型已被经验性地认为是脓毒症患者群体免疫状态的重要标志物。然而，这些参数之间的精确量化关系在现有文献中尚未明确报道。因此，选择白细胞、中性粒细胞和淋巴细胞作为量化脓毒症患者免疫状态的起点。
<ol>
	<li>安装适用于 Excel 的 MATLAB 电子表格链接加载项。
	<ol>
		<li>打开 Microsoft Excel，并转到功能区上的 插入 选项卡。</li>
		<li>在 加载项 区域中，点击 获取加载项。</li>
		<li>在 Office 加载项 对话框中，于搜索栏内搜索 MATLAB 电子表格链接。</li>
		<li>在搜索结果中找到 适用于 Excel 的 MATLAB 电子表格链接 加载项，然后点击 添加 按钮。</li>
		<li>阅读并接受条款与条件，然后点击 继续 以开始安装。</li>
		<li>如系统提示，请使用 MathWorks 账户登录，或创建新账户以访问该加载项。</li>
		<li>安装完成后，Excel 功能区上将出现 MATLAB 电子表格链接 选项卡。</li>
		<li>点击 MATLAB 电子表格链接 选项卡，确认加载项已成功安装并可正常使用。</li>
	</ol>
	</li>
	<li>将数据发送至 MATLAB 工作区。
	<ol>
		<li>打开包含脓毒症患者数据的电子表格，数据包括白细胞计数、淋巴细胞计数和中性粒细胞计数。</li>
		<li>确保数据以结构化格式组织，每个变量（白细胞计数、淋巴细胞计数和中性粒细胞计数）分别位于独立的列中，每位患者的数据位于独立的行中。</li>
		<li>选中包含白细胞计数、淋巴细胞计数和中性粒细胞计数的单元格区域。</li>
		<li>点击 Excel 功能区中的 MATLAB 电子表格链接 选项卡。</li>
		<li>在 MATLAB 电子表格链接 选项卡中，点击 将数据发送到 MATLAB 按钮。</li>
		<li>在 将数据发送到 MATLAB 对话框中，如果运行了多个 MATLAB 实例，请从下拉菜单中选择适当的实例。</li>
		<li>在 变量名 字段中指定数据的变量名。例如，sepsis_immune_data。</li>
		<li>选择在 MATLAB 中导入数据的目标数据类型（例如，数值矩阵）。</li>
		<li>点击 确定 将数据发送至 MATLAB 工作区。</li>
		<li>切换至 MATLAB 应用程序，并通过检查工作区中是否存在指定的变量名（例如，sepsis_immune_data）来确认数据已成功导入。</li>
	</ol>
	</li>
	<li>在 MATLAB 中检查数据
	<ol>
		<li>使用 MATLAB 电子表格链接加载项将脓毒症患者数据（白细胞计数、淋巴细胞计数和中性粒细胞计数）发送至 MATLAB 后，切换至 MATLAB 应用程序。</li>
		<li>要查看导入数据的内容，请在 MATLAB 命令窗口中输入变量名，然后按 Enter 键。</li>
	</ol>
	</li>
</ol>
2. 白细胞、淋巴细胞和中性粒细胞的三维可视化
<ol>
	<li>使用 Immune_scatter3 函数生成图形
	<ol>
		<li>变量 A 存储了脓毒症患者的免疫数据。调用函数 Immune_scatter3(A) 可获得一个图形用户界面（GUI），该界面显示样本的三维散点图，如 图1 所示。 
		注意：图中三维平面与样本分布之间的拟合误差非常小。第3节将提供精确的公式。</li>
	</ol>
	</li>
	<li>GUI 的使用方法
	<ol>
		<li>利用生成的 GUI 提供的交互功能来探索和分析三维散点图。
		<ol>
			<li>旋转：单击并拖动图形，可在三维空间中旋转图形，从而从不同角度观察样本分布。</li>
			<li>平移：右键单击并拖动图形，可水平或垂直移动图形，调整图形的可见区域。</li>
			<li>缩放：使用鼠标滚轮或工具栏中的缩放控件，放大或缩小图形，以聚焦于特定区域或样本。</li>
			<li>数据光标：单击单个样本，可显示其对应的白细胞、淋巴细胞和中性粒细胞数值。 
			注意：通过使用这些交互功能，临床医生可以深入了解脓毒症患者白细胞、淋巴细胞和中性粒细胞之间的关系和模式，有助于对免疫数据进行探索与分析。</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>
3. 公式 
<ol>
	<li>在 MATLAB 工作区中，将中性粒细胞计数、淋巴细胞计数和白细胞计数分别赋值给变量 X、Y 和 Z。</li>
	<li>为了获得图 1 中三维平面的精确数学表达式（公式 1；WBC = 1.098 × Neutrophils + 1.046 × Lymphocytes + 0.1645 (RMSE: 1%)），执行以下命令： 
	[fitresult, gof, output] = fit ([X, Y], Z, 'poly11') 
	注：该公式定量描述了脓毒症患者中白细胞、中性粒细胞和淋巴细胞之间的关系，对免疫数据提供了简洁而准确的表达。</li>
	<li>为了评估拟合优度，使用以下命令计算归一化均方根误差（NRMSE）： 
	gof.rmse / (max(Z) - min(Z)) 
	注：所得 NRMSE 值为 1%，表明拟合平面（公式 1）在三维空间中非常接近实际样本分布。这一较低的误差水平凸显了所获得数学表达式在捕捉脓毒症患者免疫参数间复杂关系方面的可靠性和有效性。</li>
</ol>
4. 脓毒症中的免疫状态
注意：采用自组织特征映射（SOFM）进行无监督聚类，以识别脓毒症患者的免疫状态。
<ol>
	<li>通过调用 Immune_Condition 函数，在由公式1表示的三维平面上生成样本点的聚类，如 图2 所示。</li>
	<li>按照步骤2.2中所述，使用 图2 的交互式可视化功能。 
	注意：图2 展示了九个自动聚类结果，标记为Cluster1至Cluster9，这些聚类源自SOFM的无监督机器学习方法。该聚类技术同时考虑了样本的空间拓扑结构和密度，从而能够识别脓毒症患者群体中的不同免疫状态。</li>
</ol>
脓毒症中典型的免疫振荡轨迹
<ol>
	<li>根据 图2，使用 hold on 命令保持图形处于可叠加状态，然后使用以下命令创建典型患者轨迹数据的三维图。 
	hold on 
	for i=1: size(p,1)-1 
	pause (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Linewidth',3); 
	end</li>
</ol>

<ol><li>Jarczak, D., Kluge, S., Nierhaus, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sepsis-pathophysiology+and+therapeutic+concepts%5BTitle%5D)+AND+%22Front+Med+%28Lausanne%29%22%5BJournal%5D)">Sepsis-pathophysiology and therapeutic concepts.</a> Front Med (Lausanne). 8, 628302(2021).</li>
<li>Cheung, G. Y. C., Bae, J. S., Otto, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pathogenicity+and+virulence+of+Staphylococcus+aureus%5BTitle%5D)+AND+%22Virulence%22%5BJournal%5D)">Pathogenicity and virulence of Staphylococcus aureus.</a> Virulence. 12 (1), 547-569 (2021).</li>
<li>Adelman, M. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+gut+microbiome%27s+role+in+the+development%2C+maintenance%2C+and+outcomes+of+sepsis%5BTitle%5D)+AND+%22Crit+Care%22%5BJournal%5D)">The gut microbiome's role in the development, maintenance, and outcomes of sepsis.</a> Crit Care. 24 (1), 278(2020).</li>
<li>Kumar, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pulmonary+innate+immune+response+determines+the+outcome+of+inflammation+during+pneumonia+and+sepsis-associated+acute+lung+injury%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">Pulmonary innate immune response determines the outcome of inflammation during pneumonia and sepsis-associated acute lung injury.</a> Front Immunol. 11, 1722(2020).</li>
<li>Nakamori, Y., Park, E. J., Shimaoka, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Immune+deregulation+in+sepsis+and+septic+shock%3A+Reversing+immune+paralysis+by+targeting+PD-1%2FPD-L1+pathway%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">Immune deregulation in sepsis and septic shock: Reversing immune paralysis by targeting PD-1/PD-L1 pathway.</a> Front Immunol. 11, 624279(2021).</li>
<li>Van der Poll, T., Shankar-Hari, M., Wiersinga, W. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+immunology+of+sepsis%5BTitle%5D)+AND+%22Immunity%22%5BJournal%5D)">The immunology of sepsis.</a> Immunity. 54 (11), 2450-2464 (2021).</li>
<li>Chaturvedi, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((T-cell+activation+profiles+distinguish+hemophagocytic+lymphohistiocytosis+and+early+sepsis%5BTitle%5D)+AND+%22Blood%22%5BJournal%5D)">T-cell activation profiles distinguish hemophagocytic lymphohistiocytosis and early sepsis.</a> Blood. 137 (17), 2337-2346 (2021).</li>
<li>Reyes, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+immune-cell+signature+of+bacterial+sepsis%5BTitle%5D)+AND+%22Nat+Med%22%5BJournal%5D)">An immune-cell signature of bacterial sepsis.</a> Nat Med. 26 (3), 333-340 (2020).</li>
<li>Pant, A., Mackraj, I., Govender, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advances+in+sepsis+diagnosis+and+management%3A+a+paradigm+shift+towards+nanotechnology%5BTitle%5D)+AND+%22J+Biomed+Sci%22%5BJournal%5D)">Advances in sepsis diagnosis and management: a paradigm shift towards nanotechnology.</a> J Biomed Sci. 28 (1), 6(2021).</li>
<li>Kohonen, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Essentials+of+the+self-organizing+map%5BTitle%5D)+AND+%22Neural+Netw%22%5BJournal%5D)">Essentials of the self-organizing map.</a> Neural Netw. 37, 52-65 (2013).</li>
<li>Yang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+type+1+interferons+in+coagulation+induced+by+gram-negative+bacteria%5BTitle%5D)+AND+%22Blood%22%5BJournal%5D)">The role of type 1 interferons in coagulation induced by gram-negative bacteria.</a> Blood. 135 (14), 1087-1100 (2020).</li>
<li>Zhang, Y. Y., Ning, B. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Signaling+pathways+and+intervention+therapies+in+sepsis%5BTitle%5D)+AND+%22Signal+Transduct+Target+Ther%22%5BJournal%5D)">Signaling pathways and intervention therapies in sepsis.</a> Signal Transduct Target Ther. 6 (1), 407(2021).</li>
<li>Baghela, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predicting+sepsis+severity+at+first+clinical+presentation%3A+The+role+of+endotypes+and+mechanistic+signatures%5BTitle%5D)+AND+%22EBioMedicine%22%5BJournal%5D)">Predicting sepsis severity at first clinical presentation: The role of endotypes and mechanistic signatures.</a> EBioMedicine. 75, 103776(2022).</li>
<li>Yao, R. Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Publication+trends+of+research+on+sepsis+and+host+immune+response+during+1999-2019%3A+A+20-year+bibliometric+analysis%5BTitle%5D)+AND+%22Int+J+Biol+Sci%22%5BJournal%5D)">Publication trends of research on sepsis and host immune response during 1999-2019: A 20-year bibliometric analysis.</a> Int J Biol Sci. 16 (1), 27-37 (2020).</li>
<li>Owen, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TLR+agonists+as+mediators+of+trained+immunity%3A+Mechanistic+insight+and+immunotherapeutic+potential+to+combat+infection%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">TLR agonists as mediators of trained immunity: Mechanistic insight and immunotherapeutic potential to combat infection.</a> Front Immunol. 11, 622614(2021).</li>
<li>Jung, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+fetal+inflammatory+response+syndrome%3A+the+origins+of+a+concept%2C+pathophysiology%2C+diagnosis%2C+and+obstetrical+implications%5BTitle%5D)+AND+%22Semin+Fetal+Neonatal+Med%22%5BJournal%5D)">The fetal inflammatory response syndrome: the origins of a concept, pathophysiology, diagnosis, and obstetrical implications.</a> Semin Fetal Neonatal Med. 25 (4), 101146(2020).</li>
<li>Bruno, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transcriptional+and+functional+insights+into+the+host+immune+response+against+the+emerging+fungal+pathogen+Candida+auris%5BTitle%5D)+AND+%22Nat+Microbiol%22%5BJournal%5D)">Transcriptional and functional insights into the host immune response against the emerging fungal pathogen Candida auris.</a> Nat Microbiol. 5 (12), 1516-1531 (2020).</li>
<li>Barichello, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biomarkers+for+sepsis%3A+more+than+just+fever+and+leukocytosis-a+narrative+review%5BTitle%5D)+AND+%22Crit+Care%22%5BJournal%5D)">Biomarkers for sepsis: more than just fever and leukocytosis-a narrative review.</a> Crit Care. 26 (1), 14(2022).</li>
</ol>

免疫状态概率散点图软件工具 V1.0 由北京智熵科技有限公司开发并拥有。该软件的所有知识产权归该公司所有。作者声明不存在利益冲突。

本研究通过利用先进的数据可视化和机器学习技术，提出了一种理解脓毒症中免疫状态的方法。通过揭示关键免疫细胞群之间的数学关系并识别出不同的免疫状态，该研究为脓毒症复杂的免疫动态提供了新的视角，并有助于开发更有效的诊断和治疗策略11,12。主要发现包括发现了一个数学关系（第3节），该关系将这些免疫细胞群限制在一个三维空间内（WBC = 1.098 × 中性粒细胞 + 1.046 × 淋巴细胞 + 0.1645），以及使用自组织特征映射（SOFM）识别出九种不同的免疫状态（第4节）。这些结果为评估脓毒症患者的免疫状态提供了定量框架，并为早期脓毒症患者的分诊提供了一种潜在方法13。
本研究结合了数据可视化和机器学习技术，以揭示脓毒症中高维免疫学数据中隐藏的模式和关联。通过超越传统的单变量和双变量分析方法，该研究捕捉到了多个免疫参数之间的复杂相互作用，从而更全面地理解脓毒症中的免疫反应（见...

脓毒症是由感染引发的宿主反应失调所导致的一种危及生命的器官功能障碍，在重症监护医学中仍然是一个重大挑战1。尽管对脓毒症病理生理机制的理解已取得进展，免疫系统与病原体之间复杂的相互作用仍给该疾病的诊断和有效治疗带来困难2。目前的临床方法通常集中于监测感染指标、器官功能、细胞因子、微生物检测以及肠道微生物组3。然而，人们日益认识到免疫细胞，特别是白细胞、淋巴细胞和中性粒细胞，在脓毒症进展与恢复过程中发挥着关键作用4。
在脓毒症病程中，免疫系统会经历一系列复杂的改变，其特征是初期出现过度炎症反应，随后进入持续较长时间的免疫抑制阶段5。早期表现为中性粒细胞数量急剧升高，同时淋巴细胞群体减少，反映出固有免疫应答的激活和适应性免疫的受抑6。随着病情进展，中性粒细胞水平可能出现波动或耗竭，而淋巴细胞计数持续下降，导致免疫抑制状态，使患者易于发生继发性感染7。深入了解这些免疫细胞群体之间的动态相互作用，对于准确评估脓毒症患者的免疫状态并制定靶向干预措施至关重要。
传统分析脓毒症中免疫细胞计数的方法依赖于单变量或双变量分析，这些方法无法捕捉多个免疫参数之间的复杂关系8。近年来，数据可视化和机器学习技术的进步为探索高维免疫学数据提供了新的可能性9。特别是三维散点图可视化和自组织特征映射（SOFM）10，在揭示隐藏模式以及识别不同疾病背景下的独特免疫状态方面展现出良好的应用前景。
本研究旨在通过使用先进的数据可视化和聚类技术，分析白细胞、淋巴细胞和中性粒细胞之间的定量关系，以探究脓毒症患者的免疫状态。研究假设这些免疫细胞群体受到一种潜在数学关系的约束，处于一个三维空间内。通过揭示这一关系，并利用自组织特征映射（SOFM）识别不同的免疫状态，本研究力图为理解脓毒症中的免疫动态状态提供框架，并促进临床决策。
该方法涉及采集入住重症监护病房（ICU）的512名脓毒症患者和205名健康个体的血液样本，共计717份样本。研究人群包括男性（54.3%）和女性（45.7%），年龄范围为35至100岁（平均年龄：73.5岁）。通过三维散点图可视化和数值拟合，建立一个数学模型，描述脓毒症患者和健康对照者中白细胞、淋巴细胞和中性粒细胞之间的相互关系。随后采用自组织特征映射（SOFM）对脓毒症样本数据在三维空间中进行自动聚类，以识别不同的免疫状态。通过将脓毒症患者的免疫特征和空间分布与数学模型所界定的约束边界内的健康个体进行比较，本研究旨在深入理解脓毒症的病理生理机制，并探索免疫调节治疗的潜在靶点。
通过为评估脓毒症患者的免疫状态提供一种定量方法，该方法可实现对该疾病的更精确分期，并指导选择适当的干预措施。此外，利用自组织特征映射（SOFM）识别出的不同免疫状态，可能为未来针对个体患者特定免疫特征的个性化免疫治疗研究奠定基础。
总之，本研究通过利用先进的数据可视化和机器学习技术，提出了一种理解脓毒症免疫状态的方法。通过揭示脓毒症患者与健康对照者之间关键免疫细胞群体的数学关系，并识别脓毒症患者中不同的免疫状态，该研究为脓毒症复杂的免疫动态提供了新的视角。该方法能够更精确地评估疾病状态（不同聚类），并可指导适当干预措施的选择，最终有助于开发更有效的诊断和治疗策略。

<table><tbody><tr><td>MATLAB</td><td>MathWorks&amp;nbsp;</td><td>2022B</td><td>计算与可视化&amp;nbsp;</td></tr><tr><td>免疫状态的概率散点图</td><td>&amp;nbsp;智能&lt;br/&gt; &amp;nbsp;熵</td><td>免疫状态 V1.0</td><td>北京智熵科技 &amp;amp; Technology Co Ltd.&lt;br/&gt; CT/MRI 融合建模</td></tr></tbody></table>

一种基于数据驱动的脓毒症免疫状态量化方法

A Data-Driven Approach to Quantifying Immune States in Sepsis

在脓毒症中，了解白细胞、淋巴细胞和中性粒细胞之间的相互作用对于评估免疫状态并优化治疗策略至关重要。研究采集了512名脓毒症患者和205名健康对照者的血液样本，共计717份样本。通过数据可视化分析和三维数值拟合，建立了描述白细胞、淋巴细胞和中性粒细胞之间关系的数学模型。采用自组织特征映射（SOFM）方法，对模型所表示的三维空间中的脓毒症样本数据进行自动聚类，从而识别出不同的免疫状态。
分析显示，白细胞、淋巴细胞和中性粒细胞计数被限制在一个三维平面内，其关系由以下方程描述：WBC = 1.098 × Neutrophils + 1.046 × Lymphocytes + 0.1645，预测误差（RMSE）为1%。尽管样本的空间分布存在差异，该方程仍普遍适用于所有样本。自组织特征映射（SOFM）聚类在脓毒症患者群体中识别出九种不同的免疫状态，代表了不同的免疫水平、振荡周期和恢复阶段。
上述方程所表示的数学模型揭示了脓毒症患者和健康对照者中免疫细胞群体的基本约束边界。此外，SOFM聚类方法对该约束边界内脓毒症患者所表现出的不同免疫状态提供了全面的概述。本研究为今后量化和分类脓毒症免疫状态的工作奠定了基础，最终可能有助于开发更为客观的诊断和治疗策略。

脓毒症的进展涉及人体免疫系统与入侵病原体之间的复杂相互作用。在临床诊断和治疗中，人们高度关注感染指标、器官功能标志物、细胞因子、微生物检测，甚至肠道微生物组。然而，本研究强调了三种常见免疫指标的重要性：白细胞、中性粒细胞和淋巴细胞，这一观点并非无据可依。研究表明，脓毒症的病理过程伴随着淋巴细胞群体的抑制和耗竭，而中性粒细胞水平则在反复波动后或趋于耗竭，或成功清除病原体5。然而，这一过程背后的数学约束机制及其动态变化仍有待进一步量化和阐明。
在探索三维空间中512个样本（以蓝色圆点表示）和205名健康对照（以绿色加号表示）的分布情况时（图1），可以明显看出，白细胞、中性粒细胞和淋巴细胞的样本点几乎位于一个平面上，误差极小。散点图中使用不同的颜色和标记清晰地展示了脓毒症组与健康对照组在约束边界内的显著差异。这一观察结果表明，无论健康状态如何，这些免疫...

本研究通过数据可视化分析和三维数值拟合，分析脓毒症患者与健康对照者中白细胞、淋巴细胞和中性粒细胞之间的定量关系，建立数学模型，以探讨脓毒症中的免疫状态。

在脓毒症中，了解白细胞、淋巴细胞和中性粒细胞之间的相互作用对于评估免疫状态和优化……

本研究通过数据可视化和三维数值拟合方法，分析白细胞、淋巴细胞和中性粒细胞之间的关系，以量化脓毒症中的免疫状态。我们旨在建立数学约束条件，识别不同的免疫状态，从而改进疾病监测和治疗策略，确立以山地参数免疫监测为核心的稳定期脓毒症发展方向。我们的方法结合了脓毒症的数学模型与机器学习，用于量化免疫状态，突破传统的单变量分析，综合分析感染指标和器官功能障碍标志物。关键技术包括三类示范数据、衰减图谱之间的关联性、面向云服务器的 FOFM（Fading Observability Feature Mapping），以及分阶段的数值衰减方法与交互式可视化技术。这些方法能够实现对神经元关系的定性分析及状态识别。主要挑战包括在不同患者群体中采集标准密度数据，以及验证手动标注数据的准确性，并开发出能够精确捕捉脓毒症中免疫反应动态特性的稳健数学模型。为进一步在更大队列中验证免疫状态分类的影响，探究数据与其他标志物之间的关联，并基于免疫轨迹开发用于预测疾病进展的模型。首先，在台式计算机上启动 Microsoft Excel 程序。转到功能区上的插入图标，单击“更多命令”，然后在“加载项”部分中单击“获取加载项”。在“Office 加载项”对话框中，于搜索栏内搜索 MATLAB 电子表格链接。在搜索结果中找到适用于 Excel 的 MATLAB 电子表格链接加载项，然后单击“转到”按钮。激活电子表格链接并上传加载项的代码。然后点击 MATLAB 电子表格链接选项卡，以确认加载项已准备就绪可供使用。要导入脓毒症定量分析所需的数据，请打开包含脓毒症患者数据的电子表格，其中应包括白细胞计数、淋巴细胞计数和中性粒细胞计数。接下来，选择包含白细胞计数、淋巴细胞计数和中性粒细胞计数的单元格区域。点击 Excel 功能区中的 MATLAB 电子表格链接选项卡，然后点击“发送数据到 MATLAB”按钮。如果正在运行多个实例，请在“发送数据到 MATLAB”对话框的下拉菜单中选择适当的 MATLAB 实例。在变量名字段中指定数据的变量名，然后按确定。要查看导入 MATLAB 的数据内容，请按回车键。首先，在计算机系统上启动 MATLAB 应用程序。在 MATLAB 中调用函数 immune_scatter 3A，其中 A 是存储脓毒症患者免疫数据的变量。该函数将生成一个图形用户界面（GUI），显示样本的三维散点图。要浏览该三维散点图，可点击并拖动图形以在三维空间中旋转。右键单击并拖动以水平或垂直平移，或使用鼠标滚轮或工具栏控件放大或缩小特定区域。单击各个数据点以显示其对应的白细胞、淋巴细胞和中性粒细胞数值。接下来，在 MATLAB 工作区中，将中性粒细胞计数、淋巴细胞计数和白细胞计数分别赋值给变量 X、Y 和 Z。使用屏幕上的命令拟合数据，以生成多项式模型。为评估拟合优度，使用所示命令计算归一化均方根误差。现在使用免疫条件函数在三维平面上生成样本点的簇。使用前述的交互功能（包括旋转、平移、缩放和数据光标）来可视化这些簇。接着，使用 hold on 命令保持图形处于可叠加状态。然后，使用所提供的命令生成一位典型患者轨迹数据的三维图。三维散点图显示，白细胞、中性粒细胞和淋巴细胞的样本点几乎完全位于同一平面上，误差极小。自组织特征映射（SOFM）分析根据白细胞、中性粒细胞和淋巴细胞计数的聚类情况，识别出九种不同的免疫状态。其中，第1、2和4类群表现为中性粒细胞和淋巴细胞计数均升高，代表免疫活性增强；而第3、5、6和9类群则反映了免疫振荡状态。第8群集被确定为免疫活性降低的状态，可能表明免疫抑制或感染后的恢复阶段，而第7群集则可能代表处于恢复阶段的患者，显示出免疫功能的改善。

a-data-driven-approach-to-quantifying-immune-states-in-sepsis

Research

科研

JoVE Journal

Medicine

医学

一种量化脓毒症免疫状态的数据驱动方法

盲肠结扎穿刺小鼠模型作为研究人类脓毒症的重要工具。...

盲肠结扎穿刺术

可通过盲肠结扎穿刺（CLP）法在小鼠中诱导实验性脓毒症。目前评估自噬的方案 体内...

盲肠结扎穿刺诱导脓毒症作为研究小鼠自噬的模型

本方案描述了在免疫抑制状态下测量继发性医院获得性感染相关传染性结局的技术，首先通过建立盲肠结扎/穿刺小鼠模型，然后对其进行鼻内感染攻击，以构建具有临床相关性的免疫抑制脓毒症模型。...

脓毒症诱导免疫抑制的盲肠结扎穿刺联合鼻内感染双模型设计

新生小鼠感染发光的 E. coli O1:K1:H7...

一种革兰氏阴性菌败血症的新生儿影像学模型

本文介绍了一种可重复的大鼠重症监护病房导向型内毒素模型。...

一种可重复的面向重症监护病房的大鼠内毒素模型

本方案介绍了在脓毒症小鼠模型中进行盲肠结扎穿刺（CLP）的操作细节。CLP是建立脓毒症动物模型最常用的实验技术之一。因此，为获得可靠的研究结果，需要采用标准化的CLP操作流程。...

脓毒症小鼠盲肠结扎穿刺模型中可靠生物标志物的评估

我们详细介绍了一种用于斑块生物学二维血管内分子成像的新型近红外荧光（NIRF）导管 体内NIRF 导管可通过检测对斑块具有高亲和力的可激活型和靶向型近红外荧光染料的存在，从而实现对炎症等关键生物过程的可视化。该导管采用符合临床标准的工程设计和功耗要求，旨在应用于人类冠状动脉。以下研究描述了一种多模态成像策略，该策略利用一种新型的 体内...

体内 近红外荧光（NIRF）血管内分子成像技术对炎症斑块的检测：一种多模态动脉粥样硬化成像方法

支气管热成形术是一种用于重度持续性哮喘的非药物治疗手段，通过精确控制的方式向气道壁输送热能，以减少过度的气道平滑肌。减少气道平滑肌可降低气道收缩能力，从而减少哮喘发作的频率。...

支气管热成形术：一种治疗重症哮喘的新型治疗方法

脓毒症是指由微生物感染引发的全身性炎症反应综合征，可通过一种称为盲肠结扎穿刺（CLP）的手术技术进行模拟。本文介绍了一种利用CLP诱导的动物模型筛选具有治疗作用的药用植物的方法。...

利用脓毒症动物模型评价新型草药疗法

一种利用高分辨率活体双光子显微镜直接观察和量化表层肾小球滤过功能的技术。该方法可直接测定大分子在正常和疾病状态下的通透性特征。...

使用双光子显微镜定量中国台湾慕尼黑维斯塔大鼠肾小球对荧光大分子的通透性

了解脓毒症免疫状态的数据驱动量化方法，通过数据可视化和三维数值拟合分析白细胞、淋巴细胞与中性粒细胞的关系，建立数学模型识别九种免疫状态，为疾病监测和治疗策略提供新框架。

一种基于数据驱动的脓毒症免疫状态量化方法

探索更多视频