Artigo de método

Uma abordagem baseada em dados para quantificar estados imunológicos na sepse

DOI:

10.3791/68074

⸱

7 de fevereiro de 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

Neste artigo

Resumo

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

Este estudo investiga a condição imunológica na sepse analisando as relações quantitativas entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse e controles saudáveis usando análise de visualização de dados e ajuste numérico tridimensional para estabelecer um modelo matemático.

Resumo

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

Na sepse, entender a interação entre glóbulos brancos, linfócitos e neutrófilos é crucial para avaliar a condição imunológica e otimizar as estratégias de tratamento. Foram coletadas amostras de sangue de 512 pacientes com diagnóstico de sepse e 205 controles saudáveis, totalizando 717 amostras. A análise de visualização de dados e o ajuste numérico tridimensional foram realizados para estabelecer um modelo matemático que descreve as relações entre leucócitos, linfócitos e neutrófilos. O mapa de características auto-organizável (SOFM) foi empregado para agrupar automaticamente os dados da amostra de sepse no espaço tridimensional representado pelo modelo, produzindo diferentes estados imunológicos.

A análise revelou que as contagens de glóbulos brancos, linfócitos e neutrófilos são restritas dentro de um plano tridimensional, conforme descrito pela equação: leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645, resultando em um erro de predição (RMSE) de 1%. Esta equação é universalmente aplicável a todas as amostras, apesar das diferenças em suas distribuições espaciais. O agrupamento de SOFM identificou nove estados imunológicos distintos na população de pacientes com sepse, representando diferentes níveis de estado imunológico, períodos de oscilação e estágios de recuperação.

O modelo matemático proposto, representado pela equação acima, revela um limite básico de restrição nas populações de células imunes em pacientes com sepse e controles saudáveis. Além disso, a abordagem de agrupamento SOFM fornece uma visão abrangente dos distintos estados imunológicos observados dentro desse limite de restrição em pacientes com sepse. Este estudo estabelece as bases para trabalhos futuros sobre a quantificação e categorização da condição imunológica na sepse, o que pode, em última análise, contribuir para o desenvolvimento de estratégias de diagnóstico e tratamento mais objetivas.

Introdução

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

A sepse, uma disfunção orgânica com risco de vida causada por uma resposta desregulada do hospedeiro à infecção, continua sendo um desafio significativo na medicina intensiva1. Apesar dos avanços na compreensão da fisiopatologia da sepse, a complexa interação entre o sistema imunológico e os patógenos continua a representar dificuldades no diagnóstico e tratamento eficaz dessa condição2. As abordagens clínicas atuais geralmente se concentram no monitoramento de indicadores de infecção, função de órgãos, citocinas, detecção microbiana e microbioma intestinal3. No entanto, há um reconhecimento crescente do papel crucial desempenhado pelas células imunes, particularmente os glóbulos brancos, linfócitos e neutrófilos, na progressão e resolução da sepse4.

Durante o curso da sepse, o sistema imunológico sofre uma série complexa de alterações, caracterizadas por uma fase hiperinflamatória inicial seguida por uma fase imunossupressora prolongada5. A fase inicial é marcada por um aumento na contagem de neutrófilos e uma diminuição concomitante nas populações de linfócitos, refletindo a ativação das respostas imunes inatas e a supressão da imunidade adaptativa6. À medida que a condição progride, os níveis de neutrófilos podem oscilar ou se esgotar, enquanto a contagem de linfócitos continua a diminuir, levando a um estado de imunossupressão que torna os pacientes vulneráveis a infecções secundárias7. Compreender a interação dinâmica entre essas populações de células imunes é crucial para avaliar com precisão o estado imunológico de pacientes com sepse e elaborar intervenções direcionadas.

As abordagens tradicionais para analisar a contagem de células imunes na sepse têm se baseado em análises univariadas ou bivariadas, que não conseguem capturar as relações complexas entre vários parâmetros imunológicos8. Avanços recentes nas técnicas de visualização de dados e aprendizado de máquina abriram novas possibilidades para explorar dados imunológicos de alta dimensão9. Em particular, a visualização tridimensional do gráfico de dispersão e os mapas de recursos auto-organizados (SOFM)10 mostraram-se promissores na descoberta de padrões ocultos e na identificação de estados imunológicos distintos em vários contextos de doenças.

Este estudo tem como objetivo investigar a condição imunológica em pacientes com sepse, analisando as relações quantitativas entre glóbulos brancos, linfócitos e neutrófilos usando técnicas avançadas de visualização de dados e agrupamento. A hipótese é que essas populações de células imunes são restritas a um espaço tridimensional governado por uma relação matemática subjacente. Ao descobrir essa relação e identificar estados imunológicos distintos usando SOFM, o estudo busca fornecer uma estrutura para entender os estados dinâmicos imunológicos na sepse e facilitar a tomada de decisões clínicas.

A abordagem envolve a coleta de amostras de sangue de 512 pacientes com sepse internados na unidade de terapia intensiva (UTI) e 205 indivíduos saudáveis, totalizando 717 amostras. A população do estudo incluiu participantes do sexo masculino (54,3%) e feminino (45,7%), com idades variando de 35 a 100 anos (média de idade: 73,5 anos). A visualização do gráfico de dispersão tridimensional e o ajuste numérico são aplicados para estabelecer um modelo matemático que descreve a interação entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse e controles saudáveis. O SOFM é então empregado para agrupar automaticamente os dados da amostra de sepse no espaço tridimensional, produzindo diferentes estados imunológicos. Ao comparar os perfis imunológicos e as distribuições espaciais de pacientes com sepse com os de indivíduos saudáveis dentro do limite de restrição representado pelo modelo matemático, o estudo visa obter informações sobre os mecanismos fisiopatológicos subjacentes à sepse e identificar alvos potenciais para terapias imunomoduladoras.

Ao fornecer um método quantitativo para avaliar a condição imunológica de pacientes com sepse, a abordagem pode permitir um estadiamento mais preciso da doença e orientar a seleção de intervenções apropriadas. Além disso, a identificação de estados imunológicos distintos usando SOFM pode lançar as bases para pesquisas futuras sobre abordagens de imunoterapia personalizadas adaptadas aos perfis imunológicos específicos de pacientes individuais.

Em resumo, este estudo apresenta uma abordagem para entender a condição imunológica na sepse, aproveitando técnicas avançadas de visualização de dados e aprendizado de máquina. Ao descobrir a relação matemática entre as principais populações de células imunes em pacientes com sepse e controles saudáveis e identificar estados imunológicos distintos em pacientes com sepse, o estudo fornece uma nova perspectiva sobre a complexa dinâmica imunológica na sepse. Esta abordagem permite uma avaliação mais precisa do estado da doença (Diferentes Clusters) e pode orientar a seleção de intervenções adequadas, contribuindo para o desenvolvimento de estratégias diagnósticas e terapêuticas mais eficazes.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Este estudo explora a condição imunológica em pacientes com sepse, investigando as relações entre glóbulos brancos, linfócitos e neutrófilos. Os pacientes foram inscritos na unidade de terapia intensiva (UTI) do Hospital Dongzhimen em Pequim, China, e foram submetidos a exames de sangue padrão após o consentimento informado. O estudo foi conduzido de acordo com as diretrizes do comitê de ética em pesquisa com seres humanos da instituição. O agrupamento de dados e o conteúdo detalhado dos dados podem ser encontrados na Tabela Suplementar 1. As ferramentas de software utilizadas neste estudo estão enumeradas na Tabela de Materiais.

1. Coleta e preparação de dados

NOTA: Glóbulos brancos, neutrófilos e linfócitos foram selecionados como indicadores-chave da condição imunológica em pacientes com sepse. Essa escolha é baseada nas observações clínicas bem estabelecidas de que a contagem de linfócitos tende a ser suprimida e diminuir gradualmente, enquanto a contagem de neutrófilos frequentemente oscila em pacientes com sepse. Esses dois tipos de células foram empiricamente reconhecidos como importantes marcadores do estado imunológico em populações de pacientes com sepse. No entanto, a relação quantitativa precisa entre esses parâmetros não foi claramente relatada na literatura. Portanto, glóbulos brancos, neutrófilos e linfócitos foram escolhidos como ponto de partida para quantificar a condição imunológica em pacientes com sepse.

  1. Instalando o link de planilha do MATLAB para o suplemento do Excel.
    1. Abra o Microsoft Excel e navegue até a guia Inserir na faixa de opções.
    2. Clique em Obter suplementos na seção Suplementos .
    3. Na caixa de diálogo Suplementos do Office , procure por Link de Planilha do MATLAB na barra de pesquisa.
    4. Localize o suplemento MATLAB Spreadsheet Link for Excel nos resultados da pesquisa e clique no botão Adicionar .
    5. Leia e aceite os termos e condições e clique em Continuar para prosseguir com a instalação.
    6. Se solicitado, faça login com uma conta do MathWorks ou crie uma nova conta para acessar o suplemento.
    7. Quando a instalação estiver concluída, a guia Link da planilha do MATLAB aparecerá na faixa de opções do Excel.
    8. Clique na guia Link da planilha do MATLAB para verificar se o suplemento está instalado e pronto para uso.
  2. Envie dados para o espaço de trabalho do MATLAB.
    1. Abra a planilha que contém os dados do paciente com sepse, incluindo contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos.
    2. Certifique-se de que os dados sejam organizados em um formato estruturado, com cada variável (contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos) em uma coluna separada e cada paciente em uma linha separada.
    3. Selecione o intervalo de células que contém as contagens de glóbulos brancos, linfócitos e neutrófilos.
    4. Clique na guia Link da planilha MATLAB na faixa de opções do Excel.
    5. Na guia Link da planilha do MATLAB , clique no botão Enviar dados para o MATLAB .
    6. Na caixa de diálogo Enviar dados para o MATLAB , escolha a instância apropriada do MATLAB no menu suspenso se várias instâncias estiverem em execução.
    7. Especifique o nome da variável para os dados no campo Nome da variável . Por exemplo, sepsis_immune_data.
    8. Selecione o tipo de dados desejado para os dados importados no MATLAB (por exemplo, matriz numérica).
    9. Clique em OK para enviar os dados para o espaço de trabalho do MATLAB.
    10. Alterne para o aplicativo MATLAB e verifique se os dados foram importados com êxito, verificando o espaço de trabalho para o nome da variável especificada (por exemplo, sepsis_immune_data).
  3. Verificando os dados no MATLAB
    1. Depois de enviar os dados do paciente com sepse (contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos) para o MATLAB usando o suplemento MATLAB Spreadsheet Link, mude para o aplicativo MATLAB.
    2. Para verificar o conteúdo dos dados importados, digite o nome da variável na janela de comando do MATLAB e pressione Enter.

2. Visualização tridimensional de glóbulos brancos, linfócitos e neutrófilos

  1. Gerando o gráfico usando a função Immune_scatter3
    1. A variável A armazena os dados imunológicos de pacientes com sepse. Chame a função Immune_scatter3(A) para obter uma interface gráfica do usuário (GUI) exibindo o gráfico de dispersão tridimensional das amostras, conforme mostrado na Figura 1.
      NOTA: O erro de ajuste entre o plano tridimensional e a distribuição da amostra no gráfico é muito pequeno. A Seção 3 fornecerá a fórmula exata.
  2. O uso da GUI
    1. Explore e analise o gráfico de dispersão tridimensional usando os recursos interativos fornecidos pela GUI gerada.
      1. Girar: Clique e arraste o gráfico para girá-lo no espaço 3D, permitindo visualizar a distribuição da amostra de diferentes ângulos.
      2. Panorâmica: clique com o botão direito do mouse e arraste a plotagem para movê-la horizontal ou verticalmente, ajustando a área visível da plotagem.
      3. Zoom: use a roda do mouse ou os controles de zoom na barra de ferramentas para aumentar ou diminuir o zoom da plotagem, concentrando-se em regiões ou amostras específicas.
      4. Cursor de dados: Clique em amostras individuais para exibir seus valores correspondentes para glóbulos brancos, linfócitos e neutrófilos.
        NOTA: Ao utilizar esses recursos interativos, os médicos podem obter informações sobre as relações e padrões entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse, facilitando a exploração e análise dos dados imunológicos.

3. A fórmula

  1. Na área de trabalho do MATLAB, atribua a contagem de neutrófilos, a contagem de linfócitos e a contagem de glóbulos brancos às variáveis X, Y e Z, respectivamente.
  2. Para obter a expressão matemática precisa (fórmula 1; leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645 (RMSE: 1%)) do plano tridimensional na Figura 1, chame o seguinte comando:
    [fitresult, gof, saída] = fit ([X, Y], Z, 'poly11')
    NOTA: Esta fórmula descreve quantitativamente a relação entre glóbulos brancos, neutrófilos e linfócitos em pacientes com sepse, fornecendo uma representação concisa e precisa dos dados imunológicos.
  3. Para avaliar a qualidade do ajuste, calcule o erro quadrático médio normalizado (NRMSE) usando o seguinte comando:
    gof.rmse / (max(Z) - min(Z))
    NOTA: O valor NRMSE resultante de 1% indica que o plano ajustado (fórmula 1) se aproxima da distribuição real da amostra no espaço tridimensional. Esse baixo nível de erro ressalta a confiabilidade e a validade da expressão matemática obtida na captura das intrincadas relações entre os parâmetros imunológicos em pacientes com sepse.

4. Condição imunológica na sepse

NOTA: Mapas de recursos auto-organizados (SOFM) foram empregados para agrupamento não supervisionado para identificar condições imunológicas em pacientes com sepse.

  1. Ao invocar a função Immune_Condition , gere agrupamentos de pontos de amostra no plano tridimensional representado pela fórmula 1, conforme ilustrado na Figura 2.
  2. Use os recursos de visualização interativa para a Figura 2 , conforme descrito na Etapa 2.2.
    NOTA: A Figura 2 mostra nove clusters automatizados, rotulados de Cluster1 a Cluster9, derivados da abordagem de aprendizado de máquina não supervisionada do SOFM. Essa técnica de agrupamento leva em consideração tanto a topologia espacial quanto a densidade das amostras, permitindo a identificação de condições imunológicas distintas dentro da população de pacientes com sepse.

5. Trajetórias típicas de oscilação imunológica na sepse

  1. Com base na Figura 2, use o comando hold on para manter a figura em um estado sobreposto e, em seguida, use os comandos a seguir para criar um gráfico tridimensional dos dados de trajetória do paciente típico.
    Esperar
    para i=1: tamanho(p,1)-1
    pausa (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Largura de linha',3);
    fim

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

A progressão da sepse envolve uma interação complexa entre o sistema imunológico humano e patógenos invasores. No diagnóstico e tratamento clínico, muita atenção é focada em indicadores de infecção, marcadores de função de órgãos, citocinas, detecção microbiana e até mesmo no microbioma intestinal. No entanto, este estudo enfatiza a importância de três indicadores imunológicos comuns: glóbulos brancos, neutrófilos e linfócitos, que não são sem base. A pes...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Este estudo apresenta uma abordagem para entender a condição imunológica na sepse, aproveitando técnicas avançadas de visualização de dados e aprendizado de máquina. Ao descobrir a relação matemática entre as principais populações de células imunes e identificar estados imunológicos distintos, o estudo fornece uma nova perspectiva sobre a complexa dinâmica imunológica na sepse e contribui para o desenvolvimento de estratégias diagnósticas e terapêuticas mais eficazes11,...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

A ferramenta de software para Gráficos de Dispersão Probabilística para Estados Imunológicos V1.0 é desenvolvida e de propriedade da Beijing Intelligent Entropy Science & Technology Co., Ltd. Todos os direitos de propriedade intelectual deste software são detidos pela empresa. Os autores declaram não haver conflitos de interesse.

Agradecimentos

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

Este estudo recebeu apoio de duas fontes: o sétimo lote do Projeto de Herança Mestre-Aprendiz organizado pela Administração Nacional de Medicina Tradicional Chinesa da China (Número do projeto: [2021] No. 272) e o Projeto de Aprimoramento da Capacidade de Pesquisa em Medicina Chinesa de 2024 do Hospital de Medicina Chinesa de nível municipal (SZY-NLTL-2024-003) da Administração Provincial de Medicina Tradicional Chinesa de Shaanxi.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
MATLABMathWorks 2022BComputação e visualização 
Gráficos de dispersão probabilística para estados imunológicos  Inteligente
  Estados Imunes à Entropia		V1.0Pequim Entropia Inteligente Ciência & Technology Co Ltd.
Modelagem para fusão de TC/RM

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Estados Imunes da SepseGl bulos BrancosContagens de Linf citosContagens de Neutr filosModelagem Matem ticaMapa Auto OrganizadoAgrupamento de Estados ImunesVisualiza o de DadosAjuste TridimensionalQuantifica o da Resposta Imune

Artigos relacionados