Yöntem makalesi

Sepsiste Bağışıklık Durumlarını Ölçmek için Veriye Dayalı Bir Yaklaşım

DOI:

10.3791/68074

⸱

7 Şubat 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

Bu makalede

Özet

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

Bu çalışma, sepsis hastalarında ve sağlıklı kontrollerde beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki kantitatif ilişkileri, veri görselleştirme analizi ve üç boyutlu sayısal uydurma kullanarak matematiksel bir model oluşturmak için sepsiste immün durumu araştırmaktadır.

Özet

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

Sepsiste, beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki etkileşimi anlamak, bağışıklık durumunu değerlendirmek ve tedavi stratejilerini optimize etmek için çok önemlidir. Sepsis tanısı alan 512 hasta ve 205 sağlıklı kontrolden toplam 717 kan örneği toplandı. Beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki ilişkileri tanımlayan matematiksel bir model oluşturmak için veri görselleştirme analizi ve üç boyutlu sayısal uydurma yapıldı. Kendi kendini organize eden özellik haritası (SOFM), sepsis örnek verilerini model tarafından temsil edilen üç boyutlu uzayda otomatik olarak kümelemek için kullanıldı ve farklı bağışıklık durumları elde edildi.

Analiz, beyaz kan hücresi, lenfosit ve nötrofil sayılarının, aşağıdaki denklemle açıklandığı gibi üç boyutlu bir düzlemde kısıtlandığını ortaya koydu: WBC = 1.098 × Nötrofil + 1.046 × Lenfositler + 0.1645, %1'lik bir tahmin hatası (RMSE) verir. Bu denklem, mekansal dağılımlarındaki farklılıklara rağmen tüm örneklere evrensel olarak uygulanabilir. SOFM kümelemesi, sepsis hasta popülasyonu içinde farklı bağışıklık durumu seviyelerini, salınım dönemlerini ve iyileşme aşamalarını temsil eden dokuz farklı bağışıklık durumu tanımladı.

Yukarıdaki denklem ile temsil edilen önerilen matematiksel model, hem sepsis hastalarında hem de sağlıklı kontrollerde bağışıklık hücresi popülasyonları üzerinde temel bir kısıtlama sınırı ortaya koymaktadır. Ayrıca, SOFM kümeleme yaklaşımı, sepsis hastalarında bu kısıtlama sınırı içinde gözlemlenen farklı bağışıklık durumlarına kapsamlı bir genel bakış sağlar. Bu çalışma, sepsiste bağışıklık durumunun ölçülmesi ve sınıflandırılması konusunda gelecekteki çalışmaların temelini atmaktadır ve bu da sonuçta daha objektif tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunabilir.

Giriş

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

Enfeksiyona karşı düzensiz bir konak yanıtının neden olduğu yaşamı tehdit eden bir organ disfonksiyonu olan sepsis, yoğun bakım tıbbında önemli bir zorluk olmaya devam etmektedir1. Sepsisin patofizyolojisinin anlaşılmasındaki ilerlemelere rağmen, bağışıklık sistemi ve patojenler arasındaki karmaşık etkileşim, bu durumun etkili bir şekilde teşhis ve tedavisinde zorluklar yaratmaya devam etmektedir2. Mevcut klinik yaklaşımlar genellikle enfeksiyon göstergelerinin, organ fonksiyonunun, sitokinlerin, mikrobiyal tespitin ve bağırsak mikrobiyomunun izlenmesine odaklanmaktadır3. Bununla birlikte, sepsis4'ün ilerlemesinde ve çözülmesinde bağışıklık hücrelerinin, özellikle beyaz kan hücrelerinin, lenfositlerin ve nötrofillerin oynadığı önemli rolün giderek daha fazla tanınması söz konusudur.

Sepsis seyri sırasında, bağışıklık sistemi, başlangıçta hiperinflamatuar bir faz ve ardından uzun süreli bir immünosüpresif faz5 ile karakterize edilen karmaşık bir dizi değişikliğe uğrar. Erken faz, nötrofil sayımlarında bir artış ve lenfosit popülasyonlarında eşlik eden bir azalma ile işaretlenir, bu da doğuştan gelen bağışıklık tepkilerinin aktivasyonunu ve adaptif bağışıklığın baskılanmasını yansıtır6. Durum ilerledikçe, lenfosit sayıları azalmaya devam ederken nötrofil seviyeleri salınabilir veya tükenebilir, bu da hastaları ikincil enfeksiyonlara karşı savunmasız hale getiren bir immünosupresyon durumuna yol açar7. Bu bağışıklık hücresi popülasyonları arasındaki dinamik etkileşimi anlamak, sepsis hastalarının bağışıklık durumunu doğru bir şekilde değerlendirmek ve hedefe yönelik müdahaleler tasarlamak için çok önemlidir.

Sepsiste immün hücre sayımlarını analiz etmeye yönelik geleneksel yaklaşımlar, çoklu immün parametreler arasındaki karmaşık ilişkileri yakalayamayan tek değişkenli veya iki değişkenli analizlere dayanmaktadır8. Veri görselleştirme ve makine öğrenimi tekniklerindeki son gelişmeler, yüksek boyutlu immünolojik verileri keşfetmek için yeni olanaklar yaratmıştır9. Özellikle, üç boyutlu dağılım grafiği görselleştirme ve kendi kendini organize eden özellik haritaları (SOFM)10 , çeşitli hastalık bağlamlarında gizli kalıpları ortaya çıkarmada ve farklı bağışıklık durumlarını tanımlamada umut vaat etmiştir.

Bu çalışmanın amacı, beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki kantitatif ilişkileri ileri veri görselleştirme ve kümeleme teknikleri kullanarak analiz ederek sepsis hastalarında immün durumu araştırmak. Hipotez, bu bağışıklık hücresi popülasyonlarının, altta yatan bir matematiksel ilişki tarafından yönetilen üç boyutlu bir alan içinde sınırlandırıldığıdır. Çalışma, bu ilişkiyi ortaya çıkararak ve SOFM kullanarak farklı bağışıklık durumlarını tanımlayarak, sepsiste bağışıklık dinamik durumlarını anlamak ve klinik karar vermeyi kolaylaştırmak için bir çerçeve sağlamayı amaçlamaktadır.

Yaklaşım, yoğun bakım ünitesine (YBÜ) kabul edilen 512 sepsis hastasından ve 205 sağlıklı bireyden toplam 717 örnek olmak üzere kan örneklerinin toplanmasını içerir. Çalışma popülasyonu, yaşları 35 ila 100 yıl arasında değişen (ortalama yaş: 73.5 yıl) hem erkek (%54.3) hem de kadın (%45.7) katılımcıları içeriyordu. Hem sepsis hastalarında hem de sağlıklı kontrollerde beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki etkileşimi tanımlayan matematiksel bir model oluşturmak için üç boyutlu dağılım grafiği görselleştirme ve sayısal uydurma uygulanır. SOFM daha sonra sepsis örnek verilerini üç boyutlu uzayda otomatik olarak kümelemek için kullanılır ve farklı bağışıklık durumları elde edilir. Çalışma, sepsis hastalarının immün profillerini ve mekansal dağılımlarını, matematiksel modelin temsil ettiği kısıt sınırı içindeki sağlıklı bireylerinkilerle karşılaştırarak, sepsisin altında yatan patofizyolojik mekanizmalar hakkında bilgi edinmeyi ve immünomodülatör tedaviler için potansiyel hedefleri belirlemeyi amaçlamaktadır.

Sepsis hastalarının bağışıklık durumunu değerlendirmek için kantitatif bir yöntem sağlayarak, yaklaşım hastalığın daha kesin evrelemesini sağlayabilir ve uygun müdahalelerin seçimine rehberlik edebilir. Ayrıca, SOFM kullanılarak farklı bağışıklık durumlarının tanımlanması, bireysel hastaların spesifik bağışıklık profillerine göre uyarlanmış kişiselleştirilmiş immünoterapi yaklaşımları üzerine gelecekteki araştırmaların temelini oluşturabilir.

Özetle, bu çalışma, gelişmiş veri görselleştirme ve makine öğrenimi tekniklerinden yararlanarak sepsiste bağışıklık durumunu anlamak için bir yaklaşım sunmaktadır. Çalışma, sepsis hastalarında anahtar immün hücre popülasyonları ile sağlıklı kontroller arasındaki matematiksel ilişkiyi ortaya çıkararak ve sepsis hastalarında farklı immün durumları tanımlayarak, sepsiste karmaşık immün dinamikler hakkında yeni bir bakış açısı sunmaktadır. Bu yaklaşım, hastalık durumunun (Farklı Kümeler) daha kesin bir şekilde değerlendirilmesini sağlar ve uygun müdahalelerin seçimine rehberlik ederek sonuçta daha etkili tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki ilişkileri araştırarak sepsis hastalarında bağışıklık durumunu araştırmaktadır. Hastalar, Çin'in Pekin kentindeki Dongzhimen Hastanesi'nin yoğun bakım ünitesine (YBÜ) kaydedildi ve bilgilendirilmiş onam verildikten sonra standart kan testlerine tabi tutuldu. Çalışma, kurumsal insan araştırmaları etik kurulunun yönergelerine uygun olarak yürütülmüştür. Veri gruplaması ve ayrıntılı veri içeriği Ek Tablo 1'de bulunabilir. Bu çalışmada kullanılan yazılım araçları Malzeme Tablosu'nda numaralandırılmıştır.

1. Veri toplama ve hazırlama

NOT: Beyaz kan hücreleri, nötrofiller ve lenfositler, sepsis hastalarında bağışıklık durumunun temel göstergeleri olarak seçildi. Bu seçim, lenfosit sayımlarının baskılanma ve kademeli olarak azalma eğiliminde olduğu, nötrofil sayımlarının ise sepsis hastalarında sıklıkla salındığına dair iyi bilinen klinik gözlemlere dayanmaktadır. Bu iki hücre tipi, sepsis hasta popülasyonlarında immün durumun önemli belirteçleri olarak ampirik olarak kabul edilmiştir. Bununla birlikte, bu parametreler arasındaki kesin nicel ilişki literatürde net bir şekilde bildirilmemiştir. Bu nedenle, beyaz kan hücreleri, nötrofiller ve lenfositler, sepsis hastalarında bağışıklık durumunu ölçmek için bir başlangıç noktası olarak seçildi.

  1. Excel Eklentisi için MATLAB Elektronik Tablo Bağlantısını Yükleme.
    1. Microsoft Excel'i açın ve şeritteki Ekle sekmesine gidin.
    2. Eklentiler bölümünde Eklentileri Al'a tıklayın.
    3. Office Eklentileri iletişim kutusunda, arama çubuğunda MATLAB Elektronik Tablo Bağlantısı'nı arayın.
    4. Arama sonuçlarında MATLAB Elektronik Tablo Bağlantısı for Excel eklentisini bulun ve Ekle düğmesine tıklayın.
    5. Hüküm ve koşulları okuyup kabul edin, ardından yüklemeye devam etmek için Devam'a tıklayın.
    6. İstenirse, eklentiye erişmek için bir MathWorks hesabıyla oturum açın veya yeni bir hesap oluşturun.
    7. Yükleme tamamlandıktan sonra, Excel şeridinde MATLAB Elektronik Tablo Bağlantısı sekmesi görünecektir.
    8. Eklentinin yüklendiğini ve kullanıma hazır olduğunu doğrulamak için MATLAB Elektronik Tablo Bağlantısı sekmesine tıklayın.
  2. Verileri MATLAB çalışma alanına gönderin.
    1. Beyaz kan hücresi sayımları, lenfosit sayımları ve nötrofil sayıları dahil olmak üzere sepsis hastası verilerini içeren elektronik tabloyu açın.
    2. Verilerin, her değişken (beyaz kan hücresi sayısı, lenfosit sayısı ve nötrofil sayısı) ayrı bir sütunda ve her hasta ayrı bir satırda olacak şekilde yapılandırılmış bir biçimde düzenlendiğinden emin olun.
    3. Beyaz kan hücresi sayımlarını, lenfosit sayımlarını ve nötrofil sayımlarını içeren hücre aralığını seçin.
    4. Excel şeridindeki MATLAB Elektronik Tablo Bağlantısı sekmesine tıklayın.
    5. MATLAB Elektronik Tablo Bağlantısı sekmesinde, Verileri MATLAB'a Gönder düğmesini tıklatın.
    6. Verileri MATLAB'a Gönder iletişim kutusunda, birden çok örnek çalışıyorsa açılır menüden uygun MATLAB örneğini seçin.
    7. Değişken adı alanındaki veriler için değişken adını belirtin. Örneğin, sepsis_immune_data.
    8. MATLAB'da içe aktarılan veriler için istenen veri türünü seçin (örneğin, sayısal matris).
    9. Verileri MATLAB çalışma alanına göndermek için Tamam'ı tıklatın.
    10. MATLAB uygulamasına geçin ve belirtilen değişken adı (örn. sepsis_immune_data) için çalışma alanını kontrol ederek verilerin başarıyla içe aktarıldığını doğrulayın.
  3. MATLAB'da verilerin kontrol edilmesi
    1. Sepsis hasta verilerini (beyaz kan hücresi sayımları, lenfosit sayımları ve nötrofil sayımları) MATLAB Spreadsheet Link eklentisini kullanarak MATLAB'a gönderdikten sonra MATLAB uygulamasına geçin.
    2. İçe aktarılan verilerin içeriğini denetlemek için, MATLAB komut penceresine değişken adını yazın ve Enter tuşuna basın.

2. Beyaz kan hücrelerinin, lenfositlerin ve nötrofillerin üç boyutlu görselleştirilmesi

  1. Immune_scatter3 fonksiyonunu kullanarak grafiği oluşturma
    1. A değişkeni, sepsis hastalarının bağışıklık verilerini depolar. Şekil 1'de gösterildiği gibi, örneklerin üç boyutlu dağılım grafiğini gösteren bir grafik kullanıcı arabirimi (GUI) elde etmek için Immune_scatter3(A) işlevini çağırın.
      NOT: Üç boyutlu düzlem ile çizimdeki örnek dağılımı arasındaki montaj hatası çok küçüktür. Bölüm 3 tam formülü sağlayacaktır.
  2. GUI kullanımı
    1. Oluşturulan GUI tarafından sağlanan etkileşimli özellikleri kullanarak üç boyutlu dağılım grafiğini keşfedin ve analiz edin.
      1. Döndür: Grafiği 3B alanda döndürmek için tıklayın ve sürükleyin, bu da örnek dağılımının farklı açılardan görüntülenmesine olanak tanır.
      2. Kaydırma: Grafiğin görünür alanını ayarlayarak yatay veya dikey olarak hareket ettirmek için grafiği sağ tıklayın ve sürükleyin.
      3. Yakınlaştırma: Belirli bölgelere veya örneklere odaklanarak grafiği yakınlaştırmak veya uzaklaştırmak için fare tekerleğini veya araç çubuğundaki yakınlaştırma kontrollerini kullanın.
      4. Veri imleci: Beyaz kan hücreleri, lenfositler ve nötrofiller için karşılık gelen değerlerini görüntülemek için tek tek örneklere tıklayın.
        NOT: Klinisyenler, bu etkileşimli özellikleri kullanarak, sepsis hastalarında beyaz kan hücreleri, lenfositler ve nötrofiller arasındaki ilişkiler ve modeller hakkında bilgi edinebilir ve bağışıklık verilerinin araştırılmasını ve analizini kolaylaştırabilir.

3. Formül

  1. MATLAB çalışma alanında, nötrofil sayısını, lenfosit sayısını ve beyaz kan hücresi sayısını sırasıyla X, Y ve Z değişkenlerine atayın.
  2. Kesin matematiksel ifadeyi elde etmek için (formül 1; WBC = 1.098 × nötrofil + 1.046 × lenfosit + 0.1645 (RMSE:% 1)) Şekil 1'deki üç boyutlu düzlemin aşağıdaki komutunu çağırın:
    [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
    NOT: Bu formül, sepsis hastalarında beyaz kan hücreleri, nötrofiller ve lenfositler arasındaki ilişkiyi kantitatif olarak tanımlar ve bağışıklık verilerinin kısa ve doğru bir temsilini sağlar.
  3. Uyumun iyiliğini değerlendirmek için, aşağıdaki komutu kullanarak normalleştirilmiş ortalama karekök hatasını (NRMSE) hesaplayın:
    gof.rmse / (maks(Z) - min(Z))
    NOT: Elde edilen %1'lik NRMSE değeri, takılan düzlemin (formül 1) üç boyutlu uzayda gerçek numune dağılımına çok yakın olduğunu gösterir. Bu düşük hata seviyesi, sepsis hastalarında immün parametreler arasındaki karmaşık ilişkileri yakalamada elde edilen matematiksel ifadenin güvenilirliğini ve geçerliliğini vurgulamaktadır.

4. Sepsiste bağışıklık durumu

NOT: Sepsis hastalarında immün durumları belirlemek için denetimsiz kümeleme için Kendi Kendini Organize Eden Özellik Haritaları (SOFM) kullanılmıştır.

  1. Immune_Condition fonksiyonunu çağırarak, Şekil 2'de gösterildiği gibi, formül 1 ile temsil edilen üç boyutlu düzlem üzerinde örnek nokta kümeleri oluşturun.
  2. Adım 2.2'de açıklandığı gibi Şekil 2 için etkileşimli görselleştirme özelliklerini kullanın.
    NOT: Şekil 2'de , SOFM'nin denetimsiz makine öğrenimi yaklaşımından türetilen, Cluster1 ile Cluster9 arasında etiketlenmiş dokuz otomatik küme gösterilmektedir. Bu kümeleme tekniği, hem mekansal topolojiyi hem de örneklerin yoğunluğunu hesaba katarak, sepsis hasta popülasyonu içindeki farklı bağışıklık koşullarının tanımlanmasını sağlar.

5. Sepsiste tipik immün salınım yörüngeleri

  1. Şekil 2'ye dayanarak, şekli üst üste bindirilebilir bir durumda tutmak için hold on komutunu kullanın, ardından tipik hastanın yörünge verilerinin üç boyutlu bir grafiğini oluşturmak için aşağıdaki komutları kullanın.
    Bekleyin
    I=1 için: Boyut(P,1)-1
    duraklama (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Çizgi genişliği',3);
    son

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Sepsisin ilerlemesi, insan bağışıklık sistemi ile istilacı patojenler arasında karmaşık bir etkileşimi içerir. Klinik tanı ve tedavide, enfeksiyon göstergeleri, organ fonksiyon belirteçleri, sitokinler, mikrobiyal tespit ve hatta bağırsak mikrobiyomuna çok dikkat edilir. Bununla birlikte, bu çalışma üç yaygın bağışıklık göstergesinin önemini vurgulamaktadır: beyaz kan hücreleri, nötrofiller ve lenfositler, temelsiz değildir. Araştırmalar, sepsisin patoloj...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışma, gelişmiş veri görselleştirme ve makine öğrenimi tekniklerinden yararlanarak sepsiste bağışıklık durumunu anlamak için bir yaklaşım sunmaktadır. Çalışma, temel bağışıklık hücresi popülasyonları arasındaki matematiksel ilişkiyi ortaya çıkararak ve farklı bağışıklık durumlarını tanımlayarak, sepsiste karmaşık bağışıklık dinamikleri hakkında yeni bir bakış açısı sağlar ve daha etkili tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunur11,12...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Bağışıklık Durumları için Olasılıksal Dağılım Grafikleri V1.0 yazılım aracı, Beijing Intelligent Entropy Science & Technology Co., Ltd. tarafından geliştirilmiş ve sahip olunmuştur. Bu yazılımın tüm fikri mülkiyet hakları şirkete aittir. Yazarlar herhangi bir çıkar çatışması beyan etmemektedir.

Teşekkürler

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

Bu çalışma iki kaynaktan destek aldı: Çin Geleneksel Çin Tıbbı Ulusal İdaresi tarafından düzenlenen Usta-Çırak Miras Projesi'nin yedinci partisi (Proje numarası: [2021] No. 272) ve Shaanxi Geleneksel Çin Tıbbı İl İdaresi'nden Belediye Düzeyinde Çin Tıbbı Hastanesi'nin 2024 Çin Tıbbı Araştırma Kapasitesini Geliştirme Projesi (SZY-NLTL-2024-003).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
MATLABMatematik Çalışmaları 2022BBilgi işlem ve görselleştirme 
Bağışıklık Durumları için Olasılıksal Dağılım Grafikleri  Akıllı
  Entropi		Bağışıklık Durumları V1.0Pekin Akıllı Entropi Bilimi ve Technology Co Ltd.
CT / MRI füzyonu için modelleme

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Sepsis mm n DurumlarBeyaz Kan H creleriLenfosit Say mlarN trofil Say mlarMatematiksel ModellemeKendi Kendini Organize Eden zellik Haritasmm n Durum K melemesiVeri G rselle tirmeBoyutlu Uydurmamm n Yan t Nicelle tirmesi

İlgili makaleler