Lymphozytenbahnmodellierung zur Vorhersage des Mortalitätsrisikos bei lungenentzündungsassoziierten ARDS

Langqing Xu; Dan Li; Hongying Sun; Lei Song

doi:10.3791/69338

Methodenartikel

Lymphozytenbahnmodellierung zur Vorhersage des Mortalitätsrisikos bei lungenentzündungsassoziierten ARDS

DOI:

10.3791/69338

⸱

21. November 2025

Langqing Xu¹ , Dan Li¹ , Hongying Sun¹ , Lei Song¹

¹Department of Respiratory and Critical Medicine, The First Hospital of Jilin University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie adressiert eine bedeutende Lücke in prognostischen Modellen für das pneumonie-assoziierte akute Atemnotsyndrom, indem sie eine neuartige Methode einführt, die dynamische Lymphozytenbahnen anstelle von Einzelpunktmessungen zur Sterblichkeitsrisikostratifizierung nutzt.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das pneumonie-assoziierte akute Atemnotsyndrom (ARDS) ist durch eine hohe Sterblichkeit gekennzeichnet, doch bestehende prognostische Modelle stützen sich oft auf statische Biomarker, die dynamische Immunantworten nicht erfassen. Dieses Protokoll führt einen reproduzierbaren rechnergestützten Rahmen ein, der Gruppenbasierte Trajektorienmodellierung (GBTM) verwendet, um unterschiedliche Lymphozytenzahl-Trajektorien zu identifizieren und deren prognostischen Wert für das Sterblichkeitsrisiko bei ARDS-Patienten mit Lungenentzündung zu bewerten. Mit Daten aus der MIMIC-IV v2.2-Datenbank beschreibt das Protokoll jeden Schritt von der Datenkuratierung und Vorverarbeitung bis hin zur Trajektorienkonstruktion und Modellvalidierung. Der Ansatz beinhaltet die Identifikation von Untergruppen mittels GBTM, gefolgt von multivariablen logistischen und Cox-Regressionsanalysen, um Zusammenhänge zwischen Trajektorienmustern und 28-Tage-Mortalität zu quantifizieren, wobei wichtige klinische Kovariaten wie APS-III-Wert, Intensivaufenthalt und Herzfrequenz berücksichtigt werden. Die Modellleistung wird umfassend mittels ROC-Kurven, Kalibrierungsdiagrammen und Entscheidungskurvenanalysen bewertet, was sowohl statistische Robustheit als auch klinische Interpretierbarkeit gewährleistet. Durch die Nutzung von longitudinalen Immundaten statt einzelner Zeitpunktmessungen bietet dieser Workflow Klinikern eine methodisch transparente, datenbasierte Strategie zur Verbesserung der Risikostratifizierung und zur Erforschung der Immunheterogenität bei kritischen Erkrankungen. Das Protokoll ist vollständig reproduzierbar, anpassungsfähig an andere longitudinale Biomarker und für Visualisierung und Lehrdemonstration konzipiert, was es zu einem zugänglichen Werkzeug für Forscher macht, die temporale Biomarkermodellierung in die Prognose der Intensivmedizin integrieren möchten.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das akute Atemnotsyndrom (ARDS) ist ein häufiges und klinisch komplexes akutes pulmonales entzündliches Syndrom mit einer Sterblichkeitsrate von bis zu 40 ^%. Wenn ARDS mit einer Lungenentzündung kombiniert wird, ist es mit hoher Sterblichkeit bei kritisch kranken Patienten verbunden². Eine kürzlich veröffentlichte klinische Studie oder Metaanalysen zu ARDS haben in vielen Aspekten widersprüchliche Schlussfolgerungen berichtet, was auf verschiedene Gründe zurückzuführen sein kann³. Lymphozyten sind entscheidend für die Immunantwort während einer Lungenentzündung, wobei Lymphopenie mit einer erhöhten Anfälligkeit für sekundäre Infektionen, höherer Sepsisschwere und Mortalitätⁱⁿ Verbindung steht. Zum Beispiel wurde eine Lymphozytenzahl unter 0,5 x 10^{9 Zellen}/L bei der Aufnahme mit einer schlechten Prognose⁵ assoziiert. Frühere Forschungen konnten jedoch keine überzeugenden Belege für den Zusammenhang zwischen den dynamischen Veränderungen der Lymphozyten und prognostischen Implikationen liefern.

Die MIMIC-IV-Datenbank liefert praxisnahe klinische Daten mit breiter Patientenabdeckung und ermöglicht detaillierte Untergruppenanalysen, bei denen longitudinale Lymphozytenzahlen zugänglich sind. Um diese zeitlichen Dynamiken zu modellieren, verwendeten wir Group-Based Trajectory Modeling (GBTM), einen semiparametrischen endlichen Mischansatz, der latente Untergruppen identifiziert, die unterschiedlichen Longitudinaltrends folgen, anstatt eine einzige durchschnittliche Trajektorie⁶ vorzuschreiben. Im Vergleich zu anderen longitudinalen oder Zeitreihen-Clustering-Methoden bietet GBTM spezifische Vorteile für die klinische Biomarker-Analyse: Es berücksichtigt unausgewogene oder fehlende Beobachtungen, wie sie in elektronischen Gesundheitsakten häufig sind, modelliert direkt die Wahrscheinlichkeit der Zugehörigkeit zu Untergruppen und erzeugt leicht interpretierbare Trajektorienprofile, die ideal für die Risikostratifizierung sind.

Daher präsentiert diese Studie ein Protokoll zur Anwendung von GBTM zur Identifizierung von Lymphozytenbahnen und deren Zusammenhang mit der 28-tägigen Sterblichkeit bei ARDS-Patienten mit Lungenentzündung. Die Methodik ist auf longitudinale Labordaten anwendbar, bei denen pro Patient innerhalb der ersten 7 Tage nach der ARDS-Diagnose mindestens zwei Messungen vorliegen. Dieser Ansatz bietet einen reproduzierbaren Rahmen, um dynamische, routinemäßig gesammelte Biomarker zu nutzen, um die prognostische Bewertung zu verbessern und die Immunheterogenität bei kritischen Erkrankungen zu erforschen.

Diese Studie umfasst zwei Schritte. Zunächst wurden klinische und Überlebensdaten für ARDS in Kombination mit Lungenentzündung aus der MIMIC-IV-Datenbank gewonnen. Anschließend wurde die R-Software (Version 4.4.1) verwendet, um den Verlauf der Lymphozytenveränderungen zu zeichnen und die Beziehung zwischen Lymphozytenbahnen und 28-Tage-Sterblichkeitsrate zu analysieren.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie erfordert keine ethische Zustimmung oder Zustimmung zur Teilnahme. Die in dieser Studie verwendeten Daten stammen aus Datenbanken. Diese Studie nutzte die de-identifizierte MIMIC-IV-Datenbank, die von den Institutional Review Boards (IRBs) des Beth Israel Deaconess Medical Center und des Massachusetts Institute of Technology genehmigt wurde. Die Voraussetzung für die Zustimmung einzelner Patienten wurde aufgehoben. Forscher müssen einen anerkannten Kurs in Human-Forschungsethik absolvieren (CITE-Nummer: 64579441, Langqing Xu) und einen formellen Datenzugang über die PhysioNet-Plattform anfordern.

1. Untersuchung von Population und Datenextraktion

Beziehen Sie Daten für die retrospektive Studie aus der Medical Information Mart for Intensive Care (MIMIC)-IV-Datenbank, die vom Computational Physiology Laboratory am Massachusetts Institute of Technology gepflegt wird. Die Daten umfassen klinische Daten von 58.000 Patienten, die zwischen 2008 und 2019 auf die Intensivstation des Beth Israel Deaconess Medical Center (Boston, Massachusetts, USA) aufgenommen wurden.
Ausgewählte Daten erwachsener Patienten (≥ 18 Jahre) mit der Diagnose sowohl akutes Atemnotsyndrom (ARDS) als auch Lungenentzündung. Die Diagnose sollte auf der Internationalen Krankheitsklassifikation der 9. und 10. Auflage (ICD-9, ICD-10)⁷ basieren, wobei ARDS zu den drei besten Diagnosen zählt.
Daten werden anhand folgender Kriterien ausgeschlossen: Alter < 18 Jahre; früher Immunsuppressiva verwendet; Tumore, hämatologische Erkrankungen, rheumatische Systemerkrankungen; hatte eine Vorgeschichte von Transplantationen.
Verwenden Sie Structured Query Language (SQL) innerhalb eines Datenbankmanagement-Tools namens Navicat Premium, um Daten für die letzte Kohorte zu extrahieren, einschließlich Demografie, klinischen Aufnahmeergebnissen (APS III, SOFA, Charlson Comorbidity Index), Vitalzeichen bei der Aufnahme, Laborindikatoren, 28-Tage-Sterblichkeitsstatus, Krankenhaus- und Intensivaufenthaltsdauer. Beziehen Sie Daten zu allen registrierten absoluten Lymphozytenzahlen der ersten 7 Tage nach der Intensivstationseinweisung ein. Der SQL-Code wird in der Ergänzungsdatei 1 bereitgestellt.
Stellen Sie sicher, dass jeder Patient in diesem Zeitraum mindestens zwei Messungen vorweisen kann. Klicken Sie auf Ausgabe, benennen Sie die Daten und klicken Sie auf Ausführen , um die Daten auszugeben und zu speichern.

2. Gruppenbasierte Trajektorienmodellierung (GBTM)

Um unterschiedliche Immuntrajektorien zu identifizieren, führen Sie gruppenbasierte Trajektorienmodellierung (GBTM) mit longitudinalen Lymphozytenzahlen mit R-Software (v4.4.1+) mit dem GBMT-Paket durch.
Strukturiere Daten in Langformat und passe Modelle anhand variierender Gruppenzahlen (1–5) und Polynomordnungen an. Wählen Sie das optimale Modell basierend auf statistischer Passung (AIC/BIC), klinischer Interpretierbarkeit von Mustern und Gruppenstabilität (>5 % der Kohorte, posteriore Wahrscheinlichkeit >0,7).
Visualisieren Sie die endgültigen Trajektorien, um die Dynamik der Untergruppen über den 7-Tage-Zeitraum zu veranschaulichen. Siehe Supplementary File 1 für den R-Code für GBMT-Modellierung.

3. Statistische Analyse für prognostische Modellierung

Für die prognostische Modellierung sollten Maße wie Mittelwert, Median, Standardabweichung, Bereich und Quartile kontinuierlicher Variablen sowie Häufigkeitstabellen kategorischer Variablen verwendet werden. Verwenden Sie den Median- und Interquartilbereich (IQR), um kontinuierliche Variablen mit einer nichtnormalen Verteilung zu beschreiben.
Um Unterschiede in variablen Eigenschaften zwischen Gruppen zu untersuchen, verwenden Sie Fishers exakten Test, Pearsons Chi-Quadrat-Test für kategorische Variablen und den Wilcoxon-Rangsummentest für stetige Variablen.
Verwenden Sie die entwickelten multivariablen logistischen und Cox-Proportionalhazard-Regressionsmodelle, um den Zusammenhang zwischen Trajektoriengruppen und 28-Tage-Mortalität zu bewerten, wobei wichtige Kovariaten wie Alter, APS-III-Wert und ICU-Tage berücksichtigt werden. Siehe Codedetails in Supplementary File 1.
Bewertung der Modellleistung durch Diskriminierung (Fläche unter der Empfänger-Betriebscharakteristiekkurve), Kalibrierung (bootstrap-validierte Kalibrierungsdiagramme) und klinischen Nutzen (Entscheidungskurvenanalyse über Risikoschwellen). Betrachten Sie ein zweiseitiges p < 0,05 als Hinweis auf statistische Signifikanz.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Patientenmerkmale
Insgesamt wurden 161 Patienten in diese Studie eingeschlossen. Die Ausführung des GBTM-Protokolls (Schritt 2) identifizierte erfolgreich drei unterschiedliche Lymphozytenbahnen, wie in Abbildung 1 dargestellt. Dieses Ergebnis bestätigt eine erfolgreiche Modellkonvergenz und eine gültige Untergruppentrennung, die ein wichtiger Kontrollpunkt für den Übergang zur prognostischen Modellierung ist. Diese Entscheidung basierte auf einem Gleichgewicht zwischen statistischer Passung (Ergänzungstabelle 1) und klinischer Interpretierbarkeit: Während Modelle mit vier oder fünf Klassen leicht bessere AIC/BIC-Werte zeigten, bot das Drei-Klassen-Modell klar klare, klinisch umsetzbare Entwicklungen – die anhaltende Immunsuppression, moderate Erholung und schnelle Immunrekonstruktion repräsentieren – mit ausreichender Gruppengröße und Stabilität für eine robuste prognostische Analyse. Trajektorie 1, die kontinuierlich steigende Klasse, umfasste 62 Patienten (38,5 %) und zeichnete sich durch einen stetigen, fast linearen Anstieg der Lymphozytenzahlen von Tag 1 bis Tag 7 aus. Aber der Ausgangspunkt war sehr niedrig. Trajektorie 2, die U-förmige Klasse, umfasste 36 Patienten (22,3 %) und zeigte einen frühen Rückgang der Lymphozytenzahlen über die^{ersten drei Tage} , gefolgt von einer allmählichen Erholung. Trajektorie 3, die Klasse mit Früh-Dip und dann Rapid-Rising, umfasste 63 Patienten (39,1 %), die an den Tagen 1–3 einen moderaten Rückgang der Lymphozytenzahlen und ab Tag 4 einen ausgeprägten Aufwärtstrend zeigten. Gleichzeitig liegt der Ausgangspunkt nahe am Normalwert. Die Ausgangsmerkmale variierten signifikant zwischen diesen Verläufen, was ihre klinische Relevanz bestätigt (Tabelle 1). Patienten in Trajektorie 1 waren älter und zeigten eine höhere Schwere der Erkrankung (höhere APS III- und SOFA-Werte), die niedrigsten Lymphozytenzahlen und die höchste 28-Tage-Sterblichkeitsrate (24,2 %). Wie in Tabelle 2 gezeigt, unterschieden sich mehrere Basismerkmale signifikant zwischen Überlebenden und Nicht-Überlebenden. Nicht-Überlebende waren älter und gehörten häufiger zur hochsterblichen Lymphozytenbahn. Sie erlebten zudem längere Intensivstationen, eine höhere Bluthochdruckprävalenz und schwerere Erkrankungen bei der Aufnahme (höhere APS-III-Werte und höhere Komorbiditätsbelastung). Schließlich präsentierten sich Nicht-Überlebende mit erhöhter Herzfrequenz und erhöhtem Harnstoffstoff im Blut.

Multivariate logistische Regression
Das logistische Regressionsprotokoll (Schritt 4) wurde durchgeführt, um unabhängige Prädiktoren für die 28-Tage-Mortalität bei Patienten mit ARDS, die durch Lungenentzündung verkompliziert werden, zu identifizieren. Im unangepassten Modus (Modell 1) und unter Verwendung von Trajectory 1 als Referenz erwiesen sich weder Trajectory 2 (OR 0,51; 95%-KI 0,15–1,45; p = 0,228) noch Trajectory 3 (OR 0,10; 95%-KI 0,02–0,39; p = 0,003) als signifikant, mit Ausnahme von letzterem, der mit einer deutlichen Verringerung der Wahrscheinlichkeit einer 28-Tage-Sterblichkeit verbunden war. Nach Anpassung für Störfaktoren (Modell 3) blieb Trajectory 3 ein unabhängiger Prädiktor für eine niedrigere Sterblichkeit (OR 0,06; 95%-KI 0,01–0,36; p = 0,006; Tabelle 3). Die Krankenhausaufenthaltsdauer behielt einen schützenden Effekt (OR 0,59 pro Tag; 95 % KI 0,40–0,78; p = 0,002), während jeder Intensivtag das Sterblichkeitsrisiko weiter erhöhte (OR 1,75; 95 % KI 1,32–2,57; p < 0,001). Höhere APS-III-Werte (OR 1,04 pro Punkt; 95 % KI 1,00–1,08; p = 0,047) und erhöhte Aufnahmeherzfrequenz (OR 1,05 pro bpm; 95 % KI 1,01–1,10; p = 0,019) waren ebenfalls signifikant, während Geschlecht, Charlson-Index und BUN keine Signifikans erreichten. Diese Ergebnisse bestätigen die Fähigkeit des Protokolls, eine starke und angepasste Verbindung zwischen Immunverläufen und -ergebnissen herzustellen. Walddiagramme wurden gleichzeitig zur Visualisierung verwendet (Abbildung 2). Die Leistungskennzahlen des Modells (Schritt 4) zeigten die Robustheit unseres Ansatzes. Das Modell zeigte eine ausgezeichnete Unterscheidungsfähigkeit (AUC = 0,932; Abbildung 3). Dieser hohe Wert, deutlich über dem 0,5-Benchmark für Zufall, zeigt, dass das vom Protokoll abgeleitete Modell effektiv zwischen Überlebenden und Nicht-Überlebenden unterscheidet. Die Kalibrierungskurve (Abbildung 4) zeigte eine gute Übereinstimmung zwischen vorhergesagten und beobachteten Wahrscheinlichkeiten mit minimalen Fehlkalibrierungen an den Extremen, was die Zuverlässigkeit des Modells unterstützte. Die Analyse der Entscheidungskurve (Abbildung 5) zeigte einen konsistenten Nettonutzen über Schwellenwahrscheinlichkeiten hinweg von 5 % bis 45 %, mit einem Spitzenvorteil von etwa 10 %, was das Potenzial des Modells für klinische Entscheidungsfindung anzeigt.

Multivariate Cox-Regression
Das Cox-Regressionsprotokoll (Schritt 4) lieferte Ergebnisse, die mit dem logistischen Modell übereinstimmen. Im Vergleich zu Trajektorie 1 zeigten die Patienten in Trajektorie 2 einen nicht-signifikanten Trend zu einer niedrigeren 28-Tage-Sterblichkeit (HR 0,54; 95 % KI 0,20–1,48; p = 0,232), während die in Trajektorie 3 eine deutlich verringerte Sterbegefährdung aufwiesen (HR 0,12; 95 % KI 0,03–0,52; p = 0,005; Modell 1). Nach Anpassung für Störfaktoren (Modell 3) blieb Trajektorie 3 unabhängig mit einer niedrigeren Sterblichkeit assoziiert (HR 0,13; 95%-KI 0,03–0,64; p = 0,012; Tabelle 4). Die Krankenhaustage waren schützend (HR 0,68 pro Tag; 95 % KI 0,54–0,87; p = 0,002), während jeder zusätzliche Intensivtag das Risiko um 51 % erhöhte (HR 1,51; 95 % KI 1,19–1,91; p < 0,001). Höhere APS-III-Werte (HR 1,02; 95 % KI 1,00–1,05; p = 0,026) und erhöhte Aufnahmeherzfrequenz (HR 1,03; 95 % KI 1,00–1,07; p = 0,041) waren ebenfalls moderate, aber signifikante Prädiktoren für die Sterblichkeit, während der Charlson-Index und BUN keine statistische Signikanheit erreichten. Die Stabilität dieser Assoziation über beide Regressionsrahmen hinweg unterstreicht die Robustheit der Lymphozytenbahn als prognostischer Marker. Die Annahme der proportionalen Gefahren wurde mit Schoenfeld-Residuen bestätigt, ohne dass signifikante Verstöße festgestellt wurden. Waldplots wurden gleichzeitig zur Visualisierung verwendet (Abbildung 6).

figure-results-1
Abbildung 1: Lymphozytenbahnen identifiziert durch 3-Klassen-GBTM. Erstellt mit dem R-GBMT-Paket. Eine erfolgreiche Replikation sollte drei unterschiedliche Verläufe zeigen, die anhaltende Immunsuppression, moderate Erholung und schnelle Immunrekonstruktion repräsentieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Walddiagramm für die multivariable logistische Regression. Erstellt mit R ggplot2. Statistisch signifikante Prädiktoren sollten Konfidenzintervalle zeigen, die OR = 1 nicht überschneiden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3: ROC-Kurve für logistische Modelldiskriminierung. Erstellt mit dem R pROC Paket. AUC = 0,932 steht für ausgezeichnete Leistung; Die replizierte Kurve sollte stark nach oben links ansteigen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4: Kalibrierungskurve (Bootstrap 200). Erstellt mit dem R rms-Paket. Eine gute Kalibrierung wird durch eine enge Anpassung der bias-korrigierten Kurve an die ideale Linie bestätigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5: Entscheidungskurvenanalyse für klinischen Nutzen. Erstellt mit dem R rmda-Paket. Das Modell sollte den Nettovorteil gegenüber Treat-All/Non-Strategien über einen Schwellenbereich von 5 % bis 45 % zeigen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-6
Abbildung 6: Walddiagramm für das Cox-Proportional-Gefahrenmodell. Erstellt mit dem R survminer-Paket. Eine erfolgreiche Replikation sollte klar zwischen schützenden (HR < 1) und Risikofaktoren (HR > 1) unterscheiden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Variable	Trajektorie 1 (N=62)	Flugbahn 2 (N=36)	Flugbahn 3 (N=63)	p
Alter, Jahre	71 (62.2–81)	72 (58–78.2)	62 (45.5–81)	0.0204
SOFA	5 (4–6)	4 (3–6)	4 (3–6)	0.0333
GCS	15 (15–15)	15 (15–15)	15 (15–15)	0.803
APSIII	52 (45–63)	40 (28.8–57.5)	49 (33.5–57)	0.0107
Charlson-Index	5 (3–6)	4.5 (3–5)	3 (2–6)	0.213
COPD	14 (22.6%)	11 (30.6%)	14 (22.2%)	0.602
Hypertonie	42 (67.7%)	22 (61.1%)	31 (49.2%)	0.104
Diabetes	18 (29%)	13 (36.1%)	16 (25.4%)	0.529
Herzkrankheit	32 (51.6%)	19 (52.8%)	28 (44.4%)	0.638
Zerebrovaskulär	12 (19.4%)	5 (13.9%)	7 (11.1%)	0.425
CKD	9 (14.5%)	7 (19.4%)	8 (12.7%)	0.659
CLD	0 (0%)	0 (0%)	4 (6.3%)	0.0412
Beatmung	11 (17.7%)	5 (13.9%)	13 (20.6%)	0.701
Atemfrequenz	22 (19–25)	19.5 (16–24)	22 (18–24)	0.0753
Herzfrequenz	93 (82.2–101)	84 (76.8–98.2)	93 (88.5–106)	0.0371
SBP	126 (114.2–138.5)	126 (116–134)	126 (115–130)	0.518
DBP	75 (66–84.8)	75 (63–79.8)	75 (66–81)	0.921
WBC	10.2 (6.8–16.3)	11.8 (9.2–13.9)	12.5 (8.8–15)	0.208
Hämoglobin	10.8 (10–12)	11.4 (10.5–13.1)	11.7 (10.7–12.9)	0.117
Blutplättchen	223.5 (169.8–279)	223.5 (175.8–264.2)	226 (192–282)	0.775
Lymphozyt	0.6 (0.4–0.7)	1.4 (1.3–1.6)	1.1 (0.6–1.9)	<0,001
Kreatinin	0.9 (0.8–1.4)	0.9 (0.8–1.2)	0.8 (0.6–1.2)	0.0652
BRÖTCHEN	23 (17–38)	20 (14.5–33.2)	18 (12.5–24.5)	0.0167
Kalium	4 (3.6–4.7)	4 (3.8–4.5)	4.1 (3.5–4.4)	0.488
Natrium	140 (136–143)	139 (136–143.2)	139 (137–141)	0.444
Krankenhauslänge, Tage	11.5 (7.2–20.8)	11 (6.8–14.2)	12 (8–16)	0.557
Dauer der Intensivstation, Tage	7 (4.2–12)	6 (4–10.2)	6 (3–11)	0.603
28-tägige Sterblichkeit	15 (24.2%)	5 (13.9%)	2 (3.2%)	0.0029

Tabelle 1: Ausgangsmerkmale anhand von Lymphozytenbahnen. Die verwendeten Signifikanztests waren Fishers exakter Test, Pearsons Chi-Quadrat-Test und Wilcoxon-Rangsummentest.

Charakteristisch	Insgesamt	Überleben	Tod	p-Wert
Charakteristisch	N = 161	N = 139	N = 22	p-Wert
Trajetory, n (%)				0.001
1	62.0 (38.5%)	47.0 (33.8%)	15.0 (68.2%)
2	36.0 (22.4%)	31.0 (22.3%)	5.0 (22.7%)
3	63.0 (39.1%)	61.0 (43.9%)	2.0 (9.1%)
Geschlecht, n (%)				0.446
Weiblich	83.0 (51.6%)	70.0 (50.4%)	13.0 (59.1%)
Männlich	78.0 (48.4%)	69.0 (49.6%)	9.0 (40.9%)
Alter, Median (Q1, Q3)	69.00 (55.00, 81.00)	66.00 (52.00, 78.00)	79.00 (70.00, 87.00)	0.001
Krankenhaustage, Median (Q1, Q3)	12.00 (8.00, 17.00)	12.00 (8.00, 17.00)	11.00 (5.00, 18.00)	0.303
Intensivzeittage, Median (Q1, Q3)	6.00 (4.00, 12.00)	6.00 (3.00, 11.00)	11.00 (5.00, 14.00)	0.033
Beatmungsaufnahme, n (%)				>0,999
Nein	132.0 (82.0%)	114.0 (82.0%)	18.0 (81.8%)
Ja	29.0 (18.0%)	25.0 (18.0%)	4.0 (18.2%)
COPD, n (%)				0.719
Nein	122.0 (75.8%)	106.0 (76.3%)	16.0 (72.7%)
Ja	39.0 (24.2%)	33.0 (23.7%)	6.0 (27.3%)
Bluthochdruck, n (%)				0.019
NEIN	66.0 (41.0%)	62.0 (44.6%)	4.0 (18.2%)
Ja	95.0 (59.0%)	77.0 (55.4%)	18.0 (81.8%)
Diabetes, n (%)				0.771
Nein	114.0 (70.8%)	99.0 (71.2%)	15.0 (68.2%)
Ja	47.0 (29.2%)	40.0 (28.8%)	7.0 (31.8%)
Herzkrankheit, n (%)				0.312
Nein	82.0 (50.9%)	73.0 (52.5%)	9.0 (40.9%)
Ja	79.0 (49.1%)	66.0 (47.5%)	13.0 (59.1%)
Zerebrovaskulär, n (%)				0.104
Nein	137.0 (85.1%)	121.0 (87.1%)	16.0 (72.7%)
Ja	24.0 (14.9%)	18.0 (12.9%)	6.0 (27.3%)
CKD, n (%)				0.534
Nein	137.0 (85.1%)	117.0 (84.2%)	20.0 (90.9%)
Ja	24.0 (14.9%)	22.0 (15.8%)	2.0 (9.1%)
CLD, n (%)				>0,999
Nein	157.0 (97.5%)	135.0 (97.1%)	22.0 (100.0%)
Ja	4.0 (2.5%)	4.0 (2.9%)	0.0 (0.0%)
SOFA-Aufnahme, Median (Q1, Q3)	5.00 (3.00, 6.00)	5.00 (3.00, 6.00)	5.50 (3.00, 7.00)	0.241
APSIII-Aufnahme, Median (Q1, Q3)	49.00 (35.00, 60.00)	48.00 (32.00, 57.00)	61.50 (50.00, 69.00)	<0,001
GCS, Median (Q1, Q3)	15.00 (15.00, 15.00)	15.00 (15.00, 15.00)	15.00 (14.00, 15.00)	0.367
Charlson Komorbiditätsindex, Median (Q1, Q3)	5.00 (3.00, 6.00)	4.00 (2.00, 6.00)	5.00 (4.00, 6.00)	0.047
Atemfrequenz, Median (Q1, Q3)	22.00 (18.00, 24.00)	22.00 (18.00, 24.00)	23.00 (19.00, 26.00)	0.091
Herzfrequenz, Median (Q1, Q3)	93.00 (82.00, 103.00)	93.00 (81.00, 101.00)	101.00 (93.00, 110.00)	0.01
SBP, Median (Q1, Q3)	126.00 (115.00, 135.00)	126.00 (115.00, 135.00)	126.00 (117.00, 136.00)	0.919
DBP, Median (Q1, Q3)	75.00 (65.00, 83.00)	75.00 (65.00, 83.00)	75.00 (63.00, 84.00)	0.963
Cr, Median (Q1, Q3)	0.90 (0.70, 1.30)	0.90 (0.70, 1.30)	0.95 (0.70, 1.40)	0.582
BUN, Mittelstein (Q1, Q3)	20.00 (15.00, 30.00)	19.00 (14.00, 27.00)	33.50 (20.00, 54.00)	0.002
Kalium, Median (Q1, Q3)	4.00 (3.70, 4.50)	4.00 (3.60, 4.50)	4.25 (3.80, 5.10)	0.133
Natrium, Median (Q1, Q3)	139.00 (136.00, 142.00)	139.00 (136.00, 142.00)	140.50 (136.00, 143.00)	0.483
WBC, Median (Q1, Q3)	11.50 (7.80, 15.20)	11.40 (7.70, 15.20)	12.10 (9.10, 18.20)	0.321
HBG, Median (Q1, Q3)	11.30 (10.30, 12.70)	11.50 (10.30, 12.80)	10.60 (9.80, 11.70)	0.072
PLT, Median (Q1, Q3)	226.00 (175.00, 279.00)	225.00 (174.00, 278.00)	236.00 (200.00, 358.00)	0.208
Lymphozyten, Median (Q1, Q3)	0.83 (0.52, 1.44)	0.88 (0.53, 1.45)	0.67 (0.45, 0.93)	0.111

Tabelle 2: Merkmale von Überlebenden und Nicht-Überlebenden. Die verwendeten Signifikanztests waren Fishers exakter Test, Pearsons Chi-Quadrat-Test und Wilcoxon-Rangsummentest.

Gruppe	Charakteristisch	ODER	95%-KI	p-Wert
Modell 1	Trajetory
	1	—	—
	2	0.51	0.15, 1.45	0.228
	3	0.1	0.02, 0.39	0.003
Modell 2	Trajetory
	1	—	—
	2	0.46	0.12, 1.59	0.236
	3	0.1	0.01, 0.44	0.007
	Alter	1.08	1.03, 1.13	0.003
	Sex
	F	—	—
	M	0.5	0.15, 1.50	0.222
	hosp_days	0.69	0.52, 0.86	0.005
	ICU_days	1.51	1.22, 2.01	0.001
Modell 3	Trajetory
	1	—	—
	2	0.56	0.12, 2.32	0.435
	3	0.06	0.01, 0.36	0.006
	Alter	1.06	1.00, 1.14	0.049
	Sex
	F	—	—
	M	0.42	0.11, 1.47	0.187
	hosp_days	0.59	0.40, 0.78	0.002
	ICU_days	1.75	1.32, 2.57	<0,001
	APS III_admission	1.04	1.00, 1.08	0.047
	charlson_comorbidity_index	0.89	0.63, 1.20	0.49
	heart_rate_admission	1.05	1.01, 1.10	0.019
	BUN_adm	1	1.00, 1.01	0.209

Tabelle 3: Multivariate logistische Regression. Abkürzungen: CI = Konfidenzintervall, OR = Odds Ratio.

Gruppe	Charakteristisch	N	Ereignis N	HR	95%-KI	p-Wert
Modell 1	Trajetory	161	22
	1	62		—	—
	2	36		0.54	0.20, 1.48	0.232
	3	63		0.12	0.03, 0.52	0.005
Modell 2	Trajetory	161	22
	1	62		—	—
	2	36		0.51	0.18, 1.42	0.197
	3	63		0.16	0.03, 0.70	0.016
	Alter	161	22	1.06	1.02, 1.10	0.004
	Sex	161	22
	F	83		—	—
	M	78		0.62	0.26, 1.46	0.274
	hosp_days	161	22	0.73	0.58, 0.91	0.005
	ICU_days	161	22	1.41	1.14, 1.73	0.001
Modell 3	Trajetory	161	22
	1	62		—	—
	2	36		0.65	0.22, 1.91	0.437
	3	63		0.13	0.03, 0.64	0.012
	Alter	161	22	1.05	1.00, 1.10	0.063
	Sex	161	22
	F	83		—	—
	M	78		0.67	0.26, 1.74	0.411
	hosp_days	161	22	0.68	0.54, 0.87	0.002
	ICU_days	161	22	1.51	1.19, 1.91	<0,001
	APS III_admission	161	22	1.02	1.00, 1.05	0.026
	charlson_comorbidity_index	161	22	0.92	0.71, 1.18	0.493
	heart_rate_admission	161	22	1.03	1.00, 1.07	0.041
	BUN_adm	161	22	1	1.00, 1.00	0.293

Tabelle 4: Multivariate Cox-Regression. Abkürzungen: CI = Konfidenzintervall, HR = Hazard Ratio.

Ergänzende Tabelle 1: Zusammenfassende Statistiken für jede Lymphozytenbahngruppe. Abkürzungen: AIC = Akaike-Informationskriterium; BIC = Bayessches Informationskriterium; CAIC = Konsistenter AIC; AvePP = Durchschnittliche posteriore Wahrscheinlichkeit. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 1: Codes und Skript für die Schritte 1-3. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die neuartigen Ergebnisse unserer Analyse basieren auf der MIMIC-IV-Datenbank. Wir entwickelten eine neuartige ARDS-Analyse in Kombination mit Longitudinal-Lymphozyten-Subgruppenanalysen in Kombination mit Lungenentzündung, basierend auf weit verbreiteten Lymphozytenzahlen. Wir stellten bei der Bewertung der Prognose fest, dass die Untergruppen der Longitudinalen Lymphozytenzahl besser waren als die Lymphozytenzahl zum Zeitpunkt der Aufnahme.

Kritische Verfahrensschritte hatten einen erheblichen Einfluss auf die Ergebnisse und sollten auf die Reproduzierbarkeit vermerkt werden. Das Datenfilterkriterium, das > 2 Lymphozytenmessungen innerhalb von 7 Tagen erfordert, gewährleistet ausreichende Längsschnittdaten. Die GBTM-Parameterauswahl, insbesondere die Wahl von drei Trajektorien basierend auf klinischer Interpretierbarkeit statt marginaler statistischer Verbesserungen, war entscheidend für die Generierung klinisch handlungsfähiger Phänotypen.

Die unterschiedlichen Lymphozytenbahnen könnten auf unterschiedliche Immunprofile und Ergebnisse bei ARDS in Kombination mit Lungenentzündung hindeuten, insbesondere während des Behandlungsprozesses⁸. Der APSIII-Wert ist ein Messindikator für das Ausmaß einzelner physiologischer Störungen⁹. Je höher der APS-Wert, desto offensichtlicher ist die Organfunktion des Körpers und desto schlechter ist die Prognose. Im Vergleich zu Trajektorie 3 ist der Anfangswert der Lymphozyten bei Patienten mit Trajektorie 1 niedriger, und der APSIII-Wert ist höher. Dies deutet darauf hin, dass Patienten in Trajektorie 1 eher im Stadium einer Immunfunktionsstörung sind. Trajektorie 1 (kontinuierlicher Anstieg) repräsentiert wahrscheinlich Patienten mit begrenzter früher Lymphozytenmobilisation und anhaltender Lymphozytorose. Trajektorie 3 (Früher Rückgang und dann schneller Anstieg) war unabhängig mit der niedrigsten 28-Tage-Sterblichkeit (HR 0,13; p = 0,012) assoziiert, was darauf hindeutet, dass ein vorübergehender Lymphozytenabfall gefolgt von schneller Genesung eine bessere Prognose ermöglicht. Dieses Muster stimmt mit früheren Forschungen überein, die zeigen, dass der frühe Tod bei ARDS durch starke Entzündungen verursacht wird, während der späte Tod häufiger mit Immunsuppression¹⁰ assoziiert ist. Diese Ergebnisse unterstreichen die potenzielle Rolle maßgeschneiderter Therapien für verschiedene ARDS in Kombination mit Pneumonie-Subtypen. Insbesondere können Patienten mit einem proinflammatorischen Profil (Trajektorie 3) von entzündungshemmenden Mitteln wie Kortikosteroiden oder Ulinastatin¹¹ profitieren. Für Patienten mit einem immunsuppressiven Profil (Trajektorie 1) könnten immunstimulierende Therapien wie Thymosin α1, das die Lymphozytenzahl wiederherstellt, oder IL-7, das die Lymphozytenproliferation fördert und Apoptose verhindert, vorteilhaft^{sein 12}. Die Identifizierung dieser Trajektorien hat direkte klinische Auswirkungen auf die Risikostratifizierung. Durch die Überwachung der Lymphozytenzahlen während der ersten 3-4 Tage des Intensivaufenthalts könnten Kliniker potenziell Patienten mit dauerhaft hohem Risiko (Trajectory 1) identifizieren, die Kandidaten für die Teilnahme an Studien zu immunstimulatorischen Therapien sein könnten. Umgekehrt haben Patienten nach Trajectory 3 trotz eines anfänglichen Rückgangs eine günstige Prognose und könnten von aggressiveren und potenziell schädlichen immunmodulatorischen Interventionen verschont bleiben. Diese Vorschläge sind jedoch hypothetisch und müssen vor der klinischen Einführung rigoros in prospektiven, interventionellen Studien getestet werden. Daher ist eine gezielte Behandlung von ARDS besonders wichtig¹³.

Im Vergleich zu bestehenden Modellierungsansätzen bietet unser GBTM-basiertes Protokoll deutliche methodische Vorteile. Während Machine-Learning-Modelle typischerweise komplexe Feature Engineering und umfangreiche Rechenressourcen erfordern, nutzt dieser Ansatz routinemäßig verfügbare Längsschnittdaten mit einer einfachen Implementierung. Die Fähigkeit des Protokolls, unregelmäßig verteilte Messungen und fehlende Daten zu verarbeiten, macht es besonders geeignet für praxisnahe klinische Datensätze. Darüber hinaus liefern die resultierenden Trajektoriengruppen sofort interpretierbare klinische Phänotypen, im Gegensatz zur Black-Box-Natur einiger komplexer maschineller Lernalgorithmen.

Die Herzfrequenz war bei Nicht-Überlebenden signifikant höher als bei Überlebenden in unserer Studie. Diese Schlussfolgerung stimmt mit einer früheren Studie¹⁴ überein. Ein erhöhter Herzschlag zeigt an, dass eine Person einen niedrigen Sauerstoffgehalt hat, was auf eine schwerwiegendere Erkrankung von ARDS¹⁵ hinweist. Darüber hinaus kann ein langanhaltend erhöhter Herzschlag bei kritisch kranken, kardialen Hochrisikopatienten zu schweren Herzereignissen führen, die eine negative Prognose¹⁶ verursachen können. Daher ist es bei einer Aufnahme eines Patienten mit ungewöhnlich hoher Herzfrequenz unerlässlich, den Blutsauerstoffspiegel genau zu überwachen und auf Anzeichen einer Verschlechterung der klinischen Symptome von ARDS in Kombination mit Lungenentzündung zu achten. Die Dauer des Krankenhausaufenthalts weist eine prognostische Dualität auf: Jeder zusätzliche Tag auf allgemeinen Stationen kann auf Genesungsschwung hindeuten, während eine längere Intensivstation oft einen sich selbst erhaltenden Kreislauf kritischer Erkrankungen einfließt¹⁷.

Um die Leistung unseres Lymphozytenbahnmodells einzuordnen, verglichen wir es mit aktuellen prognostischen Modellen für ARDS. So entwickelte beispielsweise eine aktuelle Studie, die sich speziell auf Pneumonie-ARDS (p-ARDS) konzentrierte, sechs ML-Modelle, von denen das Support Vector Machine (SVM)-Modell die beste Leistung mit einem AUC von 0,77¹⁸ zeigte. Fortgeschrittenere Modelle mit spezifischen Biomarkern (wie dem Laktat-Albumin-Verhältnis) haben die Leistung verbessert, mit einem gemeldeten AUC von bis zu 0,811 bei der 28-Tage-Sterblichkeit¹⁹. In diesem Umfeld erreichte dieses Modell, das dynamische Lymphozytenbahnen mit grundlegenden klinischen Parametern integriert, eine überlegene Diskriminierungsfähigkeit mit einem AUC von 0,932. Dies legt nahe, dass das longitudinale Immunprofil, das von Lymphozytentrends erfasst wird, möglicherweise leistungsfähigere prognostische Informationen liefert als eine einzelne Zeitpunktmessung oder sogar komplexe ML-Modelle, die auf statischen Aufnahmevariablen basieren.

Die Effizienz und Anpassungsfähigkeit dieses Arbeitsablaufs stellen zusätzliche Vorteile dar. Das modulare Design unserer analytischen Pipeline ermöglicht eine schnelle Anwendung auf neue Datensätze, wobei eine vollständige Analyse von der Datenextraktion bis zur Visualisierung innerhalb weniger Stunden möglich ist. Dieses Protokoll kann leicht angepasst werden, um andere dynamische Biomarker oder verschiedene Intensivpatienten zu untersuchen, wodurch sein Nutzen über die aktuelle Anwendung hinaus verbessert wird.

Mehrere Einschränkungen verdienen eine Berücksichtigung. Erstens ist die retrospektive Analyse einer Einzelzentrum-Datenbank (MIMIC-IV) anfällig für ungemessene Störungen, und die Abhängigkeit von ICD-9/10-Codes zur ARDS-Identifikation und nicht der prospektiven Berliner Definition kann zu Fehlklassifikationsfehlern führen und die Generalisierbarkeit aufgrund regionaler diagnostischer Unterschiede einschränken. Zweitens erfordert die Kohortengröße (n=161) zwar ausreichend für die anfängliche Modellierung, aber eine externe Validierung in größeren, multizentrischen Studien. Drittens schränkt das Fehlen dynamischer Zytokinprofile und Immuntherapiedaten eine umfassendere immunologische Bewertung ein. Schließlich erfordert der klinische Nutzen unseres Modells eine prospektive Bewertung.

Abschließend wurden drei unterschiedliche Lymphozytenbahnen bei ARDS-Patienten mit Lungenentzündung mittels GBTM identifiziert. Lymphozytenbahnen, hohe Herzfrequenz und Intensivstationen waren starke Prädiktoren für die 28-tägige Sterblichkeit. Diese Ergebnisse könnten die Entwicklung personalisierterer Managementstrategien für ARDS in Kombination mit Lungenentzündung unterstützen. Zukünftige prospektive Studien könnten sich darauf konzentrieren, die Wirksamkeit gezielter Immuntherapien auf verschiedenen Bahnen zu untersuchen, um potenzielle Wechselwirkungen zwischen Immuntherapie und ARDS-Untergruppen besser zu verstehen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte, die offengelegt werden müssen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie basiert auf der Basisdaten MIMIC-IV-Datenbank. Wir sprechen dem engagierten MIMIC-IV-Team unseren aufrichtigen Dank für seine Beiträge aus. Danke für die Gesellschaft und Ermutigung von Herrn Hou.

Materialien

Liste der in diesem Artikel verwendeten Materialien
Name	Unternehmen	Katalognummer
MIMIC	MIT-Labor für Computerphysiologie	IV 2.2
Navicat Premium	PremiumSoft CyberTech Ltd	16
R	R-Kernteam	4.4.1
RStudio	Posit Software, PBC

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788_800(2016).
Thompson, B. T., et al. Acute Respiratory Distress Syndrome. New Engl J Med. 377 (6), 562_572(2017).
Xu, H., et al. Acute Respiratory Distress Syndrome Heterogeneity and the Septic ARDS Subgroup. Front Immunol. 14, 1277161(2023).
Drewry, A. M., et al. Persistent Lymphopenia after Diagnosis of Sepsis Predicts Mortality. Shock. 5 (5), 391_391(2014).
Drewry, A. M., et al. The Presence of Hypothermia within 24 Hours of Sepsis Diagnosis Predicts Persistent Lymphopenia. Crit Care Med. 43 (6), 1165-1169 (2015).
Nagin, D. S., et al. Group-Based Multi-Trajectory Modeling. Statist Methods Med Res. 27 (7), 2015-2023 (2018).
ICD-10. , https://www.cdc.gov/nchs/icd/icd-10/index.html (2024).
Calfee, C. S., et al. Subphenotypes in Acute Respiratory Distress Syndrome: Latent Class Analysis of Data from Two Randomised Controlled Trials. Lancet Resp Med. 2 (8), 611-620 (2014).
Zhang, L., et al. Prediction of Prognosis in Elderly Patients with Sepsis Based on Machine Learning (Random Survival Forest). BMC Emerg Med. 22 (1), 26(2022).
Delano, M. J., Ward, P. A. Sepsis-Induced Immune Dysfunction: Can Immune Therapies Reduce Mortality. J Clin Invest. 126 (1), 23-31 (2016).
Liu, D., et al. Sepsis-Induced Immunosuppression: Mechanisms, Diagnosis and Current Treatment Options. Military Med Res. 9 (1), 56(2022).
Patil, N. K., et al. Immunotherapy: A Promising Approach to Reverse Sepsis-Induced Immunosuppression. Pharmacol Res. 111, 688-702 (2016).
Su, Y., et al. Mechanisms of pulmonary endothelial barrier dysfunction in acute lung injury and acute respiratory distress syndrome. Chinese Med J Pulmon Crit Care Med. 2 (2), 80-87 (2024).
Tyson, B., et al. Predictors of Survival in Older Adults Hospitalized with COVID-19. Neurol Sci Off J Italian Neurol Soc Italian Soc Clin Neurophysiol. 42 (10), 3953-3958 (2021).
Bai, Y., et al. Dynamic Oxygenation Subgroup Bringing New Insights in ARDS: More Predictive of Outcomes and Response to PEEP than Static PaO2/FiO2. Thorax. , (2025).
Sander, O., et al. Impact of Prolonged Elevated Heart Rate on Incidence of Major Cardiac Events in Critically Ill Patients with a High Risk of Cardiac Complications. Crit Care Med. 33 (1), discussion 241-242 81-88 (2005).
Taylor, S. P., et al. Clinical Subtypes of Sepsis Survivors Predict Readmission and Mortality after Hospital Discharge. Ann Am Thorac Soc. 19 (8), 1355-1363 (2022).
Lv, J., Chen, J., Liu, M. Machine Learning-based prognostic prediction model of pneumonia-associated acute respiratory distress Syndrome. Front Med. 12, 1582426(2025).
Ye, D., Jiang, W., Gu, D. Association between Platelet-albumin-bilirubin grade and the 30-day mortality in patients with acute respiratory distress syndrome: Evidence from the MIMIC-IV Database. Balkan Med J. 42 (1), 66-74 (2025).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

ARDS Mortalit t gruppenbasierte Trajektorienmodellierung Pneumonie ARDS longitudinale Biomarker MIMIC IV Datenbank logistische Regression Cox Regression Immunheterogenit t

Lymphozytenbahnmodellierung zur Vorhersage des Mortalitätsrisikos bei lungenentzündungsassoziierten ARDS

In diesem Artikel

Zusammenfassung

Zusammenfassung

Einleitung

Protokoll

Ergebnisse

Diskussion

Offenlegungen

Danksagungen

Materialien

Referenzen

Nachdrucke und Genehmigungen

Schlagwörter

Verwandte Artikel