Methodenartikel

Een datagestuurde benadering voor het kwantificeren van immuuntoestanden bij sepsis

DOI:

10.3791/68074

⸱

7 februari 2025

 ,  ,  , 
1The First Clinical College, Beijing University of Chinese Medicine, 2Fever Clinics, Dongzhimen Hospital, Beijing University of Chinese Medicine, 3Sunsimiao Hospital, Beijing University of Chinese Medicine, 4Beijing Intelligent Entropy Science & Technology Co Ltd.,, 5Intensive Care Medicine Department, Dongzhimen Hospital, Beijing University of Chinese Medicine

In dit artikel

Samenvatting

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

Deze studie onderzoekt de immuunaandoening bij sepsis door de kwantitatieve relaties tussen witte bloedcellen, lymfocyten en neutrofielen bij sepsispatiënten en gezonde controles te analyseren met behulp van datavisualisatie-analyse en driedimensionale numerieke aanpassing om een wiskundig model op te stellen.

Samenvatting

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

Bij sepsis is het begrijpen van de wisselwerking tussen witte bloedcellen, lymfocyten en neutrofielen cruciaal voor het beoordelen van de immuunconditie en het optimaliseren van behandelingsstrategieën. Bloedmonsters werden verzameld van 512 patiënten met de diagnose sepsis en 205 gezonde controles, in totaal 717 monsters. Gegevensvisualisatie-analyse en driedimensionale numerieke aanpassing werden uitgevoerd om een wiskundig model op te stellen dat de relaties tussen witte bloedcellen, lymfocyten en neutrofielen beschrijft. Zelforganiserende functiekaart (SOFM) werd gebruikt om de sepsismonstergegevens automatisch te clusteren in de driedimensionale ruimte die door het model wordt weergegeven, wat verschillende immuuntoestanden opleverde.

Analyse toonde aan dat het aantal witte bloedcellen, lymfocyten en neutrofielen beperkt is binnen een driedimensionaal vlak, zoals beschreven door de vergelijking: WBC = 1,098 × neutrofielen + 1,046 × lymfocyten + 0,1645, wat een voorspellingsfout (RMSE) van 1% oplevert. Deze vergelijking is universeel toepasbaar op alle steekproeven, ondanks verschillen in hun ruimtelijke verdeling. SOFM-clustering identificeerde negen verschillende immuuntoestanden binnen de sepsispatiëntenpopulatie, die verschillende niveaus van immuunstatus, oscillatieperioden en herstelstadia vertegenwoordigen.

Het voorgestelde wiskundige model, weergegeven door de bovenstaande vergelijking, onthult een basisbeperking voor de immuuncelpopulaties bij zowel sepsispatiënten als gezonde controles. Bovendien biedt de SOFM-clusteringbenadering een uitgebreid overzicht van de verschillende immuuntoestanden die binnen deze beperkingsgrens worden waargenomen bij sepsispatiënten. Deze studie legt de basis voor toekomstig werk aan het kwantificeren en categoriseren van de immuunaandoening bij sepsis, wat uiteindelijk kan bijdragen aan de ontwikkeling van objectievere diagnostische en behandelingsstrategieën.

Inleiding

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

Sepsis, een levensbedreigende orgaandisfunctie die wordt veroorzaakt door een ontregelde reactie van de gastheer op infectie, blijft een belangrijke uitdaging in de intensive care-geneeskunde1. Ondanks de vooruitgang in het begrijpen van de pathofysiologie van sepsis, blijft het complexe samenspel tussen het immuunsysteem en pathogenen problemen opleveren bij het diagnosticeren en effectief behandelen van deze aandoening2. De huidige klinische benaderingen zijn vaak gericht op het monitoren van infectie-indicatoren, orgaanfunctie, cytokines, microbiële detectie en darmmicrobioom3. Er is echter een groeiende erkenning van de cruciale rol die immuuncellen, met name witte bloedcellen, lymfocyten en neutrofielen, spelen bij de progressie en resolutie van sepsis4.

Tijdens het verloop van sepsis ondergaat het immuunsysteem een complexe reeks veranderingen, gekenmerkt door een initiële hyperinflammatoire fase gevolgd door een langdurige immunosuppressieve fase5. De vroege fase wordt gekenmerkt door een toename van het aantal neutrofielen en een gelijktijdige afname van lymfocytenpopulaties, als gevolg van de activering van aangeboren immuunresponsen en de onderdrukking van adaptieve immuniteit6. Naarmate de aandoening vordert, kunnen de neutrofielenspiegels oscilleren of uitgeput raken, terwijl het aantal lymfocyten blijft dalen, wat leidt tot een toestand van immunosuppressie die patiënten kwetsbaar maakt voor secundaire infecties7. Inzicht in de dynamische wisselwerking tussen deze immuuncelpopulaties is cruciaal voor het nauwkeurig beoordelen van de immuunstatus van sepsispatiënten en het bedenken van gerichte interventies.

Traditionele benaderingen voor het analyseren van het aantal immuuncellen bij sepsis zijn gebaseerd op univariate of bivariate analyses, die er niet in slagen de complexe relaties tussen meerdere immuunparameters vast te leggen8. Recente ontwikkelingen in datavisualisatie en machine learning-technieken hebben nieuwe mogelijkheden geopend voor het verkennen van hoogdimensionale immunologische gegevens9. Met name driedimensionale visualisatie van spreidingsdiagrammen en zelforganiserende functiekaarten (SOFM)10 zijn veelbelovend gebleken bij het blootleggen van verborgen patronen en het identificeren van verschillende immuuntoestanden in verschillende ziektecontexten.

Deze studie heeft tot doel de immuunaandoening bij sepsispatiënten te onderzoeken door de kwantitatieve relaties tussen witte bloedcellen, lymfocyten en neutrofielen te analyseren met behulp van geavanceerde datavisualisatie- en clustertechnieken. De hypothese is dat deze immuuncelpopulaties worden beperkt binnen een driedimensionale ruimte die wordt beheerst door een onderliggende wiskundige relatie. Door deze relatie bloot te leggen en verschillende immuuntoestanden te identificeren met behulp van SOFM, probeert de studie een kader te bieden voor het begrijpen van de immuundynamische toestanden bij sepsis en het vergemakkelijken van klinische besluitvorming.

De aanpak omvat het verzamelen van bloedmonsters van 512 sepsispatiënten die zijn opgenomen op de intensive care (ICU) en 205 gezonde personen, in totaal 717 monsters. De onderzoekspopulatie omvatte zowel mannelijke (54,3%) als vrouwelijke (45,7%) deelnemers, met leeftijden variërend van 35 tot 100 jaar (gemiddelde leeftijd: 73,5 jaar). Driedimensionale visualisatie van spreidingsdiagrammen en numerieke aanpassing worden toegepast om een wiskundig model op te stellen dat de wisselwerking tussen witte bloedcellen, lymfocyten en neutrofielen beschrijft bij zowel sepsispatiënten als gezonde controles. SOFM wordt vervolgens gebruikt om de sepsismonstergegevens automatisch in de driedimensionale ruimte te clusteren, wat verschillende immuuntoestanden oplevert. Door de immuunprofielen en ruimtelijke verdelingen van sepsispatiënten te vergelijken met die van gezonde individuen binnen de beperkingsgrens die door het wiskundige model wordt weergegeven, wil de studie inzicht krijgen in de pathofysiologische mechanismen die ten grondslag liggen aan sepsis en potentiële doelen voor immunomodulerende therapieën identificeren.

Door een kwantitatieve methode te bieden voor het beoordelen van de immuuntoestand van sepsispatiënten, zou de aanpak een nauwkeurigere stadiëring van de ziekte mogelijk kunnen maken en de selectie van geschikte interventies kunnen begeleiden. Bovendien kan de identificatie van verschillende immuuntoestanden met behulp van SOFM de basis leggen voor toekomstig onderzoek naar gepersonaliseerde immunotherapiebenaderingen die zijn afgestemd op de specifieke immuunprofielen van individuele patiënten.

Samenvattend presenteert deze studie een benadering om de immuunaandoening bij sepsis te begrijpen door gebruik te maken van geavanceerde datavisualisatie en machine learning-technieken. Door de wiskundige relatie tussen belangrijke immuuncelpopulaties bij sepsispatiënten en gezonde controles bloot te leggen en verschillende immuuntoestanden bij sepsispatiënten te identificeren, biedt de studie een nieuw perspectief op de complexe immuundynamiek bij sepsis. Deze aanpak maakt een nauwkeurigere beoordeling van de ziektetoestand mogelijk (verschillende clusters) en kan als leidraad dienen voor de selectie van geschikte interventies, wat uiteindelijk bijdraagt aan de ontwikkeling van effectievere diagnostische en therapeutische strategieën.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie onderzoekt de immuunaandoening bij sepsispatiënten door de relaties tussen witte bloedcellen, lymfocyten en neutrofielen te onderzoeken. De patiënten werden opgenomen op de intensive care (ICU) van het Dongzhimen-ziekenhuis in Peking, China, en ondergingen standaard bloedtesten na het geven van geïnformeerde toestemming. De studie werd uitgevoerd volgens de richtlijnen van de institutionele ethische commissie voor menselijk onderzoek. Gegevensgroepering en gedetailleerde gegevensinhoud zijn te vinden in aanvullende tabel 1. De softwaretools die in dit onderzoek zijn gebruikt, zijn opgesomd in de Materiaaltabel.

1. Gegevensverzameling en -voorbereiding

OPMERKING: Witte bloedcellen, neutrofielen en lymfocyten werden geselecteerd als belangrijke indicatoren van de immuunaandoening bij patiënten met sepsis. Deze keuze is gebaseerd op de gevestigde klinische observaties dat het aantal lymfocyten de neiging heeft te worden onderdrukt en geleidelijk af te nemen, terwijl het aantal neutrofielen vaak oscilleert bij patiënten met sepsis. Deze twee celtypen zijn empirisch erkend als belangrijke markers van de immuunstatus in patiëntenpopulaties met sepsis. De precieze kwantitatieve relatie tussen deze parameters is echter niet duidelijk vermeld in de literatuur. Daarom werden witte bloedcellen, neutrofielen en lymfocyten gekozen als uitgangspunt voor het kwantificeren van de immuunaandoening bij sepsispatiënten.

  1. MATLAB Spreadsheet Link voor Excel-invoegtoepassing installeren.
    1. Open Microsoft Excel en navigeer naar het tabblad Invoegen op het lint.
    2. Klik op Add-ins ophalen in het gedeelte Add-ins .
    3. Zoek in het dialoogvenster Office-invoegtoepassingen naar MATLAB-spreadsheetkoppeling in de zoekbalk.
    4. Zoek de MATLAB Spreadsheet Link for Excel-invoegtoepassing in de zoekresultaten en klik op de knop Toevoegen .
    5. Lees en accepteer de algemene voorwaarden en klik vervolgens op Doorgaan om door te gaan met de installatie.
    6. Log desgevraagd in met een MathWorks-account of maak een nieuw account aan om toegang te krijgen tot de invoegtoepassing.
    7. Zodra de installatie is voltooid, verschijnt het tabblad MATLAB Spreadsheet Link op het Excel-lint.
    8. Klik op het tabblad MATLAB Spreadsheet Link om te controleren of de invoegtoepassing is geïnstalleerd en klaar voor gebruik is.
  2. Stuur gegevens naar de MATLAB-werkruimte.
    1. Open de spreadsheet met de gegevens van de sepsispatiënt, waaronder het aantal witte bloedcellen, het aantal lymfocyten en het aantal neutrofielen.
    2. Zorg ervoor dat de gegevens in een gestructureerd formaat zijn georganiseerd, met elke variabele (aantal witte bloedcellen, aantal lymfocyten en aantal neutrofielen) in een aparte kolom en elke patiënt in een aparte rij.
    3. Selecteer het bereik van cellen met het aantal witte bloedcellen, het aantal lymfocyten en het aantal neutrofielen.
    4. Klik op het tabblad MATLAB Spreadsheet Link in het Excel-lint.
    5. Klik op het tabblad MATLAB-spreadsheetkoppeling op de knop Gegevens naar MATLAB verzenden .
    6. Kies in het dialoogvenster Gegevens verzenden naar MATLAB de juiste MATLAB-instantie in de vervolgkeuzelijst als er meerdere exemplaren worden uitgevoerd.
    7. Geef de variabelenaam op voor de gegevens in het veld Variabelenaam . Bijvoorbeeld, sepsis_immune_data.
    8. Selecteer het gewenste gegevenstype voor de geïmporteerde gegevens in MATLAB (bijv. numerieke matrix).
    9. Klik op OK om de gegevens naar de MATLAB-werkruimte te verzenden.
    10. Schakel over naar de MATLAB-applicatie en controleer of de gegevens met succes zijn geïmporteerd door de werkruimte te controleren op de opgegeven variabelenaam (bijv. sepsis_immune_data).
  3. Controle van de gegevens in MATLAB
    1. Nadat u de gegevens van de sepsispatiënt (aantal witte bloedcellen, aantal lymfocyten en aantal neutrofielen) naar MATLAB hebt verzonden met behulp van de MATLAB Spreadsheet Link-invoegtoepassing, schakelt u over naar de MATLAB-toepassing.
    2. Als u de inhoud van de geïmporteerde gegevens wilt controleren, typt u de naam van de variabele in het opdrachtvenster van MATLAB en drukt u op Enter.

2. Driedimensionale visualisatie van witte bloedcellen, lymfocyten en neutrofielen

  1. Genereren van de grafiek met behulp van de functie Immune_scatter3
    1. De variabele A slaat de immuungegevens van sepsispatiënten op. Roep de functie Immune_scatter3(A) aan om een grafische gebruikersinterface (GUI) te verkrijgen die het driedimensionale spreidingsdiagram van de monsters weergeeft, zoals weergegeven in afbeelding 1.
      OPMERKING: De pasfout tussen het driedimensionale vlak en de steekproefverdeling in de grafiek is erg klein. Sectie 3 geeft de exacte formule.
  2. Het GUI-gebruik
    1. Verken en analyseer het driedimensionale spreidingsdiagram met behulp van de interactieve functies van de gegenereerde GUI.
      1. Roteren: klik en sleep de grafiek om deze in een 3D-ruimte te roteren, zodat u de voorbeeldverdeling vanuit verschillende hoeken kunt bekijken.
      2. Pannen: klik met de rechtermuisknop op de grafiek en sleep deze om deze horizontaal of verticaal te verplaatsen, waarbij u het zichtbare gebied van de grafiek aanpast.
      3. Zoomen: gebruik het muiswiel of de zoomknoppen op de werkbalk om in of uit te zoomen op de grafiek en de focus te leggen op specifieke segmenten of voorbeelden.
      4. Gegevenscursor: Klik op individuele monsters om de overeenkomstige waarden voor witte bloedcellen, lymfocyten en neutrofielen weer te geven.
        OPMERKING: Door gebruik te maken van deze interactieve functies kunnen clinici inzicht krijgen in de relaties en patronen tussen witte bloedcellen, lymfocyten en neutrofielen bij sepsispatiënten, waardoor de verkenning en analyse van de immuungegevens wordt vergemakkelijkt.

3. De formule

  1. Wijs in de MATLAB-werkruimte het aantal neutrofielen, het aantal lymfocyten en het aantal witte bloedcellen toe aan respectievelijk de variabelen X, Y en Z.
  2. Om de precieze wiskundige uitdrukking te verkrijgen (formule 1; WBC = 1.098 × neutrofielen + 1.046 × lymfocyten + 0.1645 (RMSE: 1%)) van het driedimensionale vlak in figuur 1, roep dan het volgende commando op:
    [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
    OPMERKING: Deze formule beschrijft kwantitatief de relatie tussen witte bloedcellen, neutrofielen en lymfocyten bij sepsispatiënten en biedt een beknopte en nauwkeurige weergave van de immuungegevens.
  3. Om de goedheid van de pasvorm te evalueren, berekent u de genormaliseerde root mean square error (NRMSE) met behulp van de volgende opdracht:
    gof.rmse / (max(Z) - min(Z))
    OPMERKING: De resulterende NRMSE-waarde van 1% geeft aan dat het gemonteerde vlak (formule 1) de werkelijke monsterverdeling in de driedimensionale ruimte nauwkeurig benadert. Dit lage foutenniveau onderstreept de betrouwbaarheid en validiteit van de verkregen wiskundige expressie bij het vastleggen van de ingewikkelde relaties tussen de immuunparameters bij sepsispatiënten.

4. Immuunaandoening bij sepsis

OPMERKING: Self-Organizing Feature Maps (SOFM) werden gebruikt voor clustering zonder toezicht om immuunaandoeningen bij sepsispatiënten te identificeren.

  1. Door de functie Immune_Condition aan te roepen, genereert u clusters van voorbeeldpunten op het driedimensionale vlak dat wordt weergegeven door formule 1, zoals weergegeven in Figuur 2.
  2. Gebruik de interactieve visualisatiefuncties voor afbeelding 2 zoals beschreven in stap 2.2.
    OPMERKING: Figuur 2 toont negen geautomatiseerde clusters, gelabeld als Cluster1 tot en met Cluster9, afgeleid van SOFM's unsupervised machine learning-benadering. Deze clustertechniek houdt rekening met zowel de ruimtelijke topologie als de dichtheid van de monsters, waardoor verschillende immuunaandoeningen binnen de sepsispatiëntenpopulatie kunnen worden geïdentificeerd.

5. Typische immuunoscillatietrajecten bij sepsis

  1. Gebruik op basis van figuur 2 de opdracht ingedrukt houden om de figuur in een overlappende toestand te houden en gebruik vervolgens de volgende opdrachten om een driedimensionale grafiek te maken van de trajectgegevens van de typische patiënt.
    Wachten
    voor i=1: maat(p,1)-1
    pauze (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Lijnbreedte',3);
    einde

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De progressie van sepsis omvat een complex samenspel tussen het menselijke immuunsysteem en binnendringende ziekteverwekkers. Bij klinische diagnose en behandeling wordt veel aandacht besteed aan infectie-indicatoren, orgaanfunctiemarkers, cytokines, microbiële detectie en zelfs het darmmicrobioom. Deze studie benadrukt echter het belang van drie veel voorkomende immuunindicatoren: witte bloedcellen, neutrofielen en lymfocyten, die niet ongegrond zijn. On...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Deze studie presenteert een benadering voor het begrijpen van de immuunaandoening bij sepsis door gebruik te maken van geavanceerde datavisualisatie en machine learning-technieken. Door de wiskundige relatie tussen de belangrijkste immuuncelpopulaties bloot te leggen en verschillende immuuntoestanden te identificeren, biedt de studie een nieuw perspectief op de complexe immuundynamiek bij sepsis en draagt het bij aan de ontwikkeling van effectievere diagnostische en therapeutische strate...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De softwaretool voor probabilistische spreidingsdiagrammen voor immuunstaten V1.0 is ontwikkeld en eigendom van Beijing Intelligent Entropy Science & Technology Co., Ltd. Alle intellectuele eigendomsrechten van deze software berusten bij het bedrijf. De auteurs verklaren geen belangenconflicten.

Dankbetuigingen

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

Deze studie kreeg steun uit twee bronnen: de zevende batch van het Master-Apprentice Inheritance Project, georganiseerd door de National Administration of Traditional Chinese Medicine of China (Projectnummer: [2021] nr. 272) en het 2024 Chinese Medicine Research Capacity Enhancement Project van het Chinese Medicine Hospital op gemeentelijk niveau (SZY-NLTL-2024-003) van de Shaanxi Provincial Administration of Traditional Chinese Medicine.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
MATLABMathWorks 2022BComputing en visualisatie 
Probabilistische spreidingsplots voor immuuntoestanden Intelligent
 Entropy		Immune States V1.0Beijing Intelligent Entropy Science & Technology Co Ltd.
Modellering voor CT/MRI-fusie

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Immuuntoestanden bij sepsiswitte bloedcellenlymfocytenaantallenneutrofielaantallenwiskundige modelleringself organizing feature mapclustering van immuuntoestandendatavisualisatiedriedimensionale fittingkwantificering van de immuunrespons

Gerelateerde artikelen