Методическая статья

Основанный на данных подход к количественной оценке иммунных состояний при сепсисе

DOI:

10.3791/68074

⸱

7 февраля 2025 г.

 ,  ,  , 
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

В этой статье

Краткое содержание

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

В этом исследовании изучается иммунное состояние при сепсисе путем анализа количественных отношений между лейкоцитами, лимфоцитами и нейтрофилами у пациентов с сепсисом и здоровых контрольных групп с использованием анализа визуализации данных и трехмерной численной аппроксимации для создания математической модели.

Аннотация

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

При сепсисе понимание взаимодействия между лейкоцитами, лимфоцитами и нейтрофилами имеет решающее значение для оценки иммунного состояния и оптимизации стратегий лечения. Образцы крови были собраны у 512 пациентов с диагнозом сепсис и у 205 здоровых людей из контрольной группы, всего 717 образцов. Анализ визуализации данных и трехмерная численная аппроксимация были выполнены для создания математической модели, описывающей взаимоотношения между лейкоцитами, лимфоцитами и нейтрофилами. Самоорганизующаяся карта признаков (SOFM) была использована для автоматической кластеризации данных образца сепсиса в трехмерном пространстве, представленном моделью, что привело к различным иммунным состояниям.

Анализ показал, что количество лейкоцитов, лимфоцитов и нейтрофилов ограничено в трехмерной плоскости, как описано уравнением: WBC = 1,098 × нейтрофилов + 1,046 × лимфоцитов + 0,1645, что дает ошибку прогнозирования (RMSE) 1%. Это уравнение универсально применимо ко всем выборкам, несмотря на различия в их пространственном распределении. Кластеризация SOFM выявила девять различных иммунных состояний в популяции пациентов с сепсисом, представляющих различные уровни иммунного статуса, периоды колебаний и стадии восстановления.

Предложенная математическая модель, представленная приведенным выше уравнением, показывает базовую границу ограничения популяций иммунных клеток как у пациентов с сепсисом, так и у здоровых людей из контрольной группы. Кроме того, кластерный подход SOFM обеспечивает всесторонний обзор различных иммунных состояний, наблюдаемых в пределах этой границы ограничения у пациентов с сепсисом. Это исследование закладывает основу для будущей работы по количественной оценке и категоризации иммунного состояния при сепсисе, что в конечном итоге может способствовать разработке более объективных стратегий диагностики и лечения.

Введение

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

Сепсис, опасная для жизни дисфункция органов, вызванная нерегулируемой реакцией хозяина на инфекцию, остается серьезной проблемой в реанимации и интенсивной терапии1. Несмотря на успехи в понимании патофизиологии сепсиса, сложное взаимодействие между иммунной системой и патогенами продолжает создавать трудностив диагностике и эффективном лечении этого состояния. Современные клинические подходы часто сосредоточены на мониторинге показателей инфекции, функции органов, цитокинов, обнаружения микроорганизмов и микробиома кишечника3. Тем не менее, растет признание решающей роли, которую играют иммунные клетки, особенно белые кровяные тельца, лимфоциты и нейтрофилы, в прогрессировании и разрешении сепсиса4.

Во время сепсиса иммунная система претерпевает сложный ряд изменений, характеризующихся начальной гипервоспалительной фазой, за которой следует длительная иммуносупрессивная фаза5. Ранняя фаза характеризуется всплеском количества нейтрофилов и сопутствующим снижением популяций лимфоцитов, что отражает активацию врожденных иммунных реакций и подавление адаптивного иммунитета. По мере прогрессирования состояния уровни нейтрофилов могут колебаться или истощаться, в то время как количество лимфоцитов продолжает снижаться, что приводит к состоянию иммуносупрессии, которое делает пациентов уязвимыми к вторичным инфекциям7. Понимание динамического взаимодействия между этими популяциями иммунных клеток имеет решающее значение для точной оценки иммунного статуса пациентов с сепсисом и разработки целенаправленных вмешательств.

Традиционные подходы к анализу количества иммунных клеток при сепсисе основывались на одномерном или двумерном анализе, который не смог охватить сложные взаимосвязи между несколькими иммунными параметрами8. Последние достижения в области визуализации данных и методов машинного обучения открыли новые возможности для изучения многомерных иммунологических данных9. В частности, трехмерная визуализация диаграмм рассеяния и самоорганизующиеся карты признаков (SOFM)10 показали многообещающие результаты в выявлении скрытых закономерностей и идентификации различных иммунных состояний в различных контекстах заболевания.

Это исследование направлено на изучение иммунного состояния у пациентов с сепсисом путем анализа количественных отношений между лейкоцитами, лимфоцитами и нейтрофилами с использованием передовых методов визуализации данных и кластеризации. Гипотеза заключается в том, что эти популяции иммунных клеток ограничены трехмерным пространством, управляемым лежащими в основе математическими отношениями. Раскрывая эту взаимосвязь и определяя различные иммунные состояния с помощью SOFM, исследование стремится обеспечить основу для понимания иммунных динамических состояний при сепсисе и облегчить принятие клинических решений.

Подход включает в себя сбор образцов крови у 512 пациентов с сепсисом, госпитализированных в отделение интенсивной терапии (ОИТ), и 205 здоровых людей, всего 717 образцов. Исследуемая популяция включала как мужчин (54,3%), так и женщин (45,7%) в возрасте от 35 до 100 лет (средний возраст: 73,5 года). Трехмерная визуализация диаграммы рассеяния и численная аппроксимация применяются для создания математической модели, описывающей взаимодействие между лейкоцитами, лимфоцитами и нейтрофилами как у пациентов с сепсисом, так и у здоровых людей. Затем SOFM используется для автоматической кластеризации данных образца сепсиса в трехмерном пространстве, получая различные иммунные состояния. Сравнивая иммунные профили и пространственное распределение пациентов с сепсисом с таковыми у здоровых людей в пределах предельной границы, представленной математической моделью, исследование направлено на получение представления о патофизиологических механизмах, лежащих в основе сепсиса, и определение потенциальных мишеней для иммуномодулирующей терапии.

Предоставляя количественный метод оценки иммунного состояния пациентов с сепсисом, этот подход может позволить более точно определить стадию заболевания и помочь в выборе соответствующих вмешательств. Кроме того, идентификация различных иммунных состояний с помощью SOFM может заложить основу для будущих исследований персонализированных подходов к иммунотерапии, адаптированных к конкретным иммунным профилям отдельных пациентов.

Таким образом, в этом исследовании представлен подход к пониманию иммунного состояния при сепсисе с использованием передовых методов визуализации данных и машинного обучения. Раскрывая математическую взаимосвязь между ключевыми популяциями иммунных клеток у пациентов с сепсисом и здоровыми контрольными группами, а также выявляя различные иммунные состояния у пациентов с сепсисом, исследование дает новый взгляд на сложную иммунную динамику при сепсисе. Этот подход позволяет более точно оценить состояние заболевания (различные кластеры) и может помочь в выборе соответствующих вмешательств, что в конечном итоге способствует разработке более эффективных диагностических и терапевтических стратегий.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

В этом исследовании изучается иммунное состояние у пациентов с сепсисом путем изучения взаимоотношений между лейкоцитами, лимфоцитами и нейтрофилами. Пациенты были зачислены в отделение интенсивной терапии (ОИТ) больницы Дунчжимэнь в Пекине, Китай, и сдали стандартные анализы крови после предоставления информированного согласия. Исследование проводилось в соответствии с руководящими принципами институционального комитета по этике исследований человека. Группировка данных и подробное содержание данных приведены в дополнительной таблице 1. Программные средства, использованные в данном исследовании, перечислены в Таблице материалов.

1. Сбор и подготовка данных

Лейкоциты, нейтрофилы и лимфоциты были выбраны в качестве ключевых индикаторов иммунного состояния у пациентов с сепсисом. Этот выбор основан на хорошо установленных клинических наблюдениях о том, что количество лимфоцитов имеет тенденцию к подавлению и постепенному снижению, в то время как количество нейтрофилов часто колеблется у пациентов с сепсисом. Эти два типа клеток были эмпирически признаны важными маркерами иммунного статуса в популяциях пациентов с сепсисом. Тем не менее, точная количественная связь между этими параметрами не была четко описана в литературе. Таким образом, лейкоциты, нейтрофилы и лимфоциты были выбраны в качестве отправной точки для количественной оценки иммунного состояния у пациентов с сепсисом.

  1. Установка надстройки MATLAB Spreadsheet Link для Excel.
    1. Откройте Microsoft Excel и перейдите на вкладку «Вставка» на ленте.
    2. Нажмите « Получить надстройки » в разделе « Надстройки ».
    3. В диалоговом окне « Надстройки Office» найдите в строке поиска ссылку на электронную таблицу MATLAB .
    4. Найдите надстройку MATLAB Spreadsheet Link для Excel в результатах поиска и нажмите кнопку « Добавить ».
    5. Прочтите и примите условия и положения, затем нажмите «Продолжить », чтобы продолжить установку.
    6. При появлении запроса войдите в систему с учетной записью MathWorks или создайте новую учетную запись для доступа к надстройке.
    7. После завершения установки на ленте Excel появится вкладка «Ссылка на таблицу MATLAB ».
    8. Перейдите на вкладку «Ссылка на электронную таблицу MATLAB », чтобы убедиться, что надстройка установлена и готова к использованию.
  2. Отправка данных в рабочее пространство MATLAB.
    1. Откройте таблицу, содержащую данные пациента с сепсисом, включая количество лейкоцитов, лимфоцитов и нейтрофилов.
    2. Убедитесь, что данные организованы в структурированном формате, где каждая переменная (количество лейкоцитов, лимфоцитов и нейтрофилов) находится в отдельном столбце, а каждый пациент — в отдельной строке.
    3. Выберите диапазон клеток, содержащих количество лейкоцитов, лимфоцитов и нейтрофилов.
    4. Перейдите на вкладку « Ссылка на таблицу MATLAB » на ленте Excel.
    5. На вкладке Ссылка на таблицу MATLAB нажмите кнопку Отправить данные в MATLAB .
    6. В диалоговом окне Отправить данные в MATLAB выберите соответствующий экземпляр MATLAB из раскрывающегося меню, если запущено несколько экземпляров.
    7. Укажите имя переменной для данных в поле Имя переменной . Например, sepsis_immune_data.
    8. Выберите нужный тип данных для импортируемых данных в MATLAB (например, числовая матрица).
    9. Нажмите OK , чтобы отправить данные в рабочую область MATLAB.
    10. Переключитесь на приложение MATLAB и убедитесь, что данные были успешно импортированы, проверив рабочее пространство на наличие указанного имени переменной (например, sepsis_immune_data).
  3. Проверка данных в MATLAB
    1. После отправки данных пациента с сепсисом (количество лейкоцитов, лимфоцитов и нейтрофилов) в MATLAB с помощью надстройки MATLAB Spreadsheet Link переключитесь на приложение MATLAB.
    2. Чтобы проверить содержимое импортируемых данных, введите имя переменной в командном окне MATLAB и нажмите клавишу Enter.

2. Трехмерная визуализация лейкоцитов, лимфоцитов и нейтрофилов

  1. Построение графика с помощью функции Immune_scatter3
    1. Переменная A хранит иммунные данные пациентов с сепсисом. Вызовите функцию Immune_scatter3(A) для получения графического интерфейса пользователя (GUI), отображающего трехмерную диаграмму рассеяния образцов, как показано на рисунке 1.
      ПРИМЕЧАНИЕ: Ошибка подгонки между трехмерной плоскостью и распределением образцов на графике очень мала. В разделе 3 будет приведена точная формула.
  2. Использование графического интерфейса пользователя
    1. Исследуйте и анализируйте трехмерную точечную диаграмму с помощью интерактивных функций, предоставляемых созданным графическим интерфейсом.
      1. Поворот: Щелкните и перетащите график, чтобы повернуть его в 3D-пространстве, что позволит рассмотреть распределение образцов под разными углами.
      2. Панорамирование: щелкните правой кнопкой мыши и перетащите график, чтобы переместить его по горизонтали или вертикали, регулируя видимую область графика.
      3. Масштабирование: используйте колесико мыши или элементы управления масштабированием на панели инструментов для увеличения или уменьшения масштаба графика, фокусируясь на определенных областях или образцах.
      4. Курсор данных: Нажмите на отдельные образцы, чтобы отобразить их соответствующие значения для лейкоцитов, лимфоцитов и нейтрофилов.
        ПРИМЕЧАНИЕ: Используя эти интерактивные функции, клиницисты могут получить представление о взаимосвязи и закономерностях между лейкоцитами, лимфоцитами и нейтрофилами у пациентов с сепсисом, облегчая изучение и анализ иммунных данных.

3. Формула

  1. В рабочем пространстве MATLAB назначьте количество нейтрофилов, количество лимфоцитов и количество лейкоцитов переменным X, Y и Z соответственно.
  2. Для получения точного математического выражения (формула 1; WBC = 1,098 × нейтрофилов + 1,046 × лимфоцитов + 0,1645 (RMSE: 1%)) трехмерной плоскости на рисунке 1 вызовите следующую команду:
    [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
    Примечание: Эта формула количественно описывает взаимосвязь между лейкоцитами, нейтрофилами и лимфоцитами у пациентов с сепсисом, обеспечивая краткое и точное представление иммунных данных.
  3. Чтобы оценить правильность аппроксимации, вычислите нормализованную среднеквадратическую ошибку (NRMSE) с помощью следующей команды:
    gof.rmse / (max(Z) - min(Z))
    ПРИМЕЧАНИЕ: Результирующее значение NRMSE 1% указывает на то, что подогнанная плоскость (формула 1) близко аппроксимируется к фактическому распределению образцов в трехмерном пространстве. Этот низкий уровень погрешностей подчеркивает надежность и валидность полученного математического выражения для выявления сложных взаимосвязей между иммунными параметрами у пациентов с сепсисом.

4. Иммунное состояние при сепсисе

ПРИМЕЧАНИЕ: Самоорганизующиеся карты признаков (SOFM) были использованы для неконтролируемой кластеризации с целью выявления иммунных состояний у пациентов с сепсисом.

  1. Вызывая функцию Immune_Condition , сгенерируйте кластеры опорных точек на трехмерной плоскости, представленной формулой 1, как показано на рисунке 2.
  2. Используйте функции интерактивной визуализации, показанные на рисунке 2 , как описано в шаге 2.2.
    ПРИМЕЧАНИЕ: На рисунке 2 показаны девять автоматизированных кластеров, обозначенных как Cluster1 - Cluster9, полученных на основе неконтролируемого подхода машинного обучения SOFM. Этот метод кластеризации учитывает как пространственную топологию, так и плотность образцов, что позволяет идентифицировать различные иммунные условия в популяции пациентов с сепсисом.

5. Типичные траектории иммунных колебаний при сепсисе

  1. Как показано на рисунке 2, используйте команду hold on , чтобы сохранить рисунок в накладываемом состоянии, а затем используйте следующие команды для создания трехмерного графика типичных данных траектории пациента.
    Подождать
    для i=1: размер(p,1)-1
    пауза (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Linewidth',3);
    конец

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Прогрессирование сепсиса включает в себя сложное взаимодействие между иммунной системой человека и вторгшимися патогенами. В клинической диагностике и лечении большое внимание уделяется показателям инфекции, маркерам функции органов, цитокинам, обнаружению микроорганизмов и даже микробиому кишечника. Тем не менее, это исследование подчеркивает важность трех общих иммунных показателей: лейкоцитов, нейтрофилов и лимфоцитов, которые не лишены оснований. Иссл...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этом исследовании представлен подход к пониманию иммунного состояния при сепсисе с использованием передовых методов визуализации данных и машинного обучения. Раскрывая математическую взаимосвязь между ключевыми популяциями иммунных клеток и выявляя различные иммунные состояния, исследование дает новый взгляд на сложную иммунную динамику при сепсисе и способствует разработке более эффективных диагностических и терапевтическихстратегий

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Программное обеспечение для вероятностных диаграмм рассеяния для иммунных состояний V1.0 разработано и принадлежит компании Beijing Intelligent Entropy Science & Technology Co., Ltd. Все права интеллектуальной собственности на это программное обеспечение принадлежат компании. Авторы заявляют об отсутствии конфликта интересов.

Благодарности

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

Это исследование получило поддержку из двух источников: седьмого пакета проекта наследования мастера-ученика, организованного Национальным управлением традиционной китайской медицины Китая (номер проекта: [2021] No 272) и проекта по повышению исследовательского потенциала китайской медицины в области китайской медицины на 2024 год Больницы китайской медицины муниципального уровня (SZY-NLTL-2024-003) от Управления традиционной китайской медицины провинции Шэньси.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
MATLABМатематические труды 2022BВычисления и визуализация 
Вероятностные диаграммы рассеяния для иммунных состояний  Интеллектуальный
  		Энтропийные иммунные состояния V1.0Пекин Интеллектуальная энтропия Наука и Technology Co Ltd.
Моделирование для слияния КТ/МРТ

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи