一种量化脓毒症免疫状态的数据驱动方法

摘要

本研究通过使用数据可视化分析和三维数值拟合分析脓毒症患者和健康对照者白细胞、淋巴细胞和中性粒细胞之间的定量关系来建立数学模型，从而调查脓毒症中的免疫状况。

摘要

在脓毒症中，了解白细胞、淋巴细胞和中性粒细胞之间的相互作用对于评估免疫状况和优化治疗策略至关重要。从 512 名诊断为脓毒症的患者和 205 名健康对照者那里收集了血样，共计 717 份样本。进行数据可视化分析和三维数值拟合，建立描述白细胞、淋巴细胞和中性粒细胞之间关系的数学模型。采用自组织特征图 （SOFM） 将脓毒症样本数据自动聚集在模型表示的三维空间中，产生不同的免疫状态。

分析显示，白细胞、淋巴细胞和中性粒细胞计数被限制在三维平面内，如以下公式所述：WBC = 1.098 × 中性粒细胞 + 1.046 ×淋巴细胞 + 0.1645，产生 1% 的预测误差 （RMSE）。尽管样本的空间分布存在差异，但该方程普遍适用于所有样本。SOFM 聚类在脓毒症患者群体中确定了 9 种不同的免疫状态，代表不同水平的免疫状态、振荡期和恢复阶段。

由上述方程表示的拟议数学模型揭示了脓毒症患者和健康对照者免疫细胞群的基本约束边界。此外，SOFM 聚类方法全面概述了脓毒症患者在此约束边界内观察到的不同免疫状态。这项研究为未来对脓毒症免疫状况进行量化和分类的工作奠定了基础，这最终可能有助于制定更客观的诊断和治疗策略。

引言

脓毒症是一种由宿主对感染的反应失调引起的危及生命的器官功能障碍，仍然是重症监护医学的一个重大挑战¹。尽管对脓毒症病理生理学的理解取得了进展，但免疫系统和病原体之间复杂的相互作用仍然难以有效诊断和治疗这种疾病²。目前的临床方法通常侧重于监测感染指标、器官功能、细胞因子、微生物检测和肠道微生物组³。然而，人们越来越认识到免疫细胞，特别是白细胞、淋巴细胞和中性粒细胞在脓毒症进展和消退中发挥的关键作用⁴。

在脓毒症的病程中，免疫系统会经历一系列复杂的变化，其特征是最初的过度炎症期，然后是延长的免疫抑制期⁵。早期阶段的特点是中性粒细胞计数激增，随之而来的淋巴细胞群减少，这反映了先天免疫反应的激活和适应性免疫的抑制⁶。随着病情的发展，中性粒细胞水平可能会振荡或耗尽，而淋巴细胞计数继续下降，导致免疫抑制状态，使患者容易受到继发感染⁷。了解这些免疫细胞群之间的动态相互作用对于准确评估脓毒症患者的免疫状态和设计有针对性的干预措施至关重要。

分析脓毒症中免疫细胞计数的传统方法依赖于单变量或双变量分析，无法捕捉多个免疫参数之间的复杂关系⁸。数据可视化和机器学习技术的最新进展为探索高维免疫学数据开辟了新的可能性⁹。特别是，三维散点图可视化和自组织特征图 （SOFM）¹⁰ 已显示出在各种疾病环境中发现隐藏模式和识别不同免疫状态的前景。

本研究旨在通过使用先进的数据可视化和聚类技术分析白细胞、淋巴细胞和中性粒细胞之间的定量关系来调查脓毒症患者的免疫状况。假设是这些免疫细胞群被限制在由基本数学关系控制的三维空间内。通过揭示这种关系并使用 SOFM 识别不同的免疫状态，该研究旨在为理解脓毒症中的免疫动态状态和促进临床决策提供一个框架。

该方法包括从重症监护病房 （ICU） 收治的 512 名脓毒症患者和 205 名健康个体身上采集血液样本，共计 717 个样本。研究人群包括男性 （54.3%） 和女性 （45.7%） 参与者，年龄从 35 岁到 100 岁不等（平均年龄：73.5 岁）。应用三维散点图可视化和数值拟合来建立一个数学模型，描述脓毒症患者和健康对照者中白细胞、淋巴细胞和中性粒细胞之间的相互作用。然后使用 SOFM 在三维空间中自动聚集脓毒症样本数据，产生不同的免疫状态。通过比较脓毒症患者与健康个体在数学模型所代表的约束边界内的免疫特征和空间分布，该研究旨在深入了解脓毒症的病理生理机制并确定免疫调节治疗的潜在靶点。

通过提供一种定量方法来评估脓毒症患者的免疫状况，该方法可以实现更精确的疾病分期并指导选择合适的干预措施。此外，使用 SOFM 识别不同的免疫状态可能为未来针对个体患者的特定免疫特征量身定制的个性化免疫治疗方法的研究奠定基础。

总之，本研究提出了一种通过利用先进的数据可视化和机器学习技术来了解脓毒症免疫状况的方法。通过揭示脓毒症患者和健康对照者的关键免疫细胞群之间的数学关系，并确定脓毒症患者的不同免疫状态，该研究为脓毒症中复杂的免疫动力学提供了新的视角。这种方法可以更精确地评估疾病状态（不同集群），并可以指导选择合适的干预措施，最终有助于制定更有效的诊断和治疗策略。

研究方案

本研究通过调查白细胞、淋巴细胞和中性粒细胞之间的关系来探讨脓毒症患者的免疫状况。患者被纳入中国北京东直门医院的重症监护病房 （ICU），并在提供知情同意后接受了标准血液检查。该研究是根据机构人类研究伦理委员会的指导方针进行的。数据分组和详细数据内容可在补充表 1 中找到。本研究中使用的软件工具在材料表中列举。

1. 数据收集和准备

注意：白细胞、中性粒细胞和淋巴细胞被选为脓毒症患者免疫状况的关键指标。这种选择是基于公认的临床观察，即脓毒症患者的淋巴细胞计数往往受到抑制并逐渐减少，而中性粒细胞计数经常振荡。这两种细胞类型已被经验证明为脓毒症患者群体免疫状态的重要标志物。然而，这些参数之间的精确定量关系在文献中尚未明确报道。因此，选择白细胞、中性粒细胞和淋巴细胞作为量化脓毒症患者免疫状况的起点。

1. 安装 MATLAB Spreadsheet Link for Excel 插件。
   1. 打开 Microsoft Excel 并导航到功能区上的 “插入 ”选项卡。
   2. 单击 Add-ins 部分中的 Get Add-ins。
   3. 在 Office Add-ins 对话框中，在搜索栏中搜索 MATLAB Spreadsheet Link 。
   4. 在搜索结果中找到 MATLAB Spreadsheet Link for Excel 插件，然后单击 Add 按钮。
   5. 阅读并接受条款和条件，然后单击 Continue （继续 ） 继续安装。
   6. 如果出现提示，请使用 MathWorks 帐户登录或创建新帐户以访问该插件。
   7. 安装完成后， MATLAB Spreadsheet Link 选项卡将显示在 Excel 功能区上。
   8. 点击 MATLAB Spreadsheet Link 选项卡，验证插件是否已安装并可供使用。
2. 将数据发送到 MATLAB 工作区。
   1. 打开包含脓毒症患者数据的电子表格，包括白细胞计数、淋巴细胞计数和中性粒细胞计数。
   2. 确保数据以结构化格式组织，每个变量（白细胞计数、淋巴细胞计数和中性粒细胞计数）位于单独的列中，每个患者位于单独的行中。
   3. 选择包含白细胞计数、淋巴细胞计数和中性粒细胞计数的细胞范围。
   4. 点击 Excel 功能区中的 MATLAB Spreadsheet Link 选项卡。
   5. 在 MATLAB 电子表格链接 选项卡中，点击 将数据发送到 MATLAB 按钮。
   6. 在 Send Data to MATLAB 对话框中，如果有多个实例正在运行，请从下拉菜单中选择适当的 MATLAB 实例。
   7. 在 Variable name 字段中指定数据的变量名称。例如， sepsis_immune_data。
   8. 在 MATLAB 中为导入的数据选择所需的数据类型（例如，数值矩阵）。
   9. 点击 确定 将数据发送到 MATLAB 工作区。
   10. 切换到 MATLAB 应用程序，并通过检查工作区中的指定变量名称（例如 sepsis_immune_data）来验证数据是否已成功导入。
3. 在 MATLAB 中检查数据
   1. 使用 MATLAB Spreadsheet Link 插件将脓毒症患者数据（白细胞计数、淋巴细胞计数和中性粒细胞计数）发送到 MATLAB 后，切换到 MATLAB 应用程序。
   2. 要检查导入数据的内容，请在 MATLAB 命令窗口中键入变量名称，然后按 Enter。

2. 白细胞、淋巴细胞和中性粒细胞的三维可视化

1. 使用 Immune_scatter3 函数生成绘图
   1. 变量 A 存储脓毒症患者的免疫数据。调用函数 Immune_scatter3（A） 以获取显示样品三维散点图的图形用户界面 （GUI），如图 1 所示。
      注意：三维平面与图中样品分布之间的拟合误差非常小。第 3 节将提供确切的公式。
2. GUI 用法
   1. 使用生成的 GUI 提供的交互式功能探索和分析三维散点图。
      1. 旋转：单击并拖动图块以在 3D 空间中旋转，从而允许从不同角度查看样品分布。
      2. 平移：右键单击并拖动绘图以水平或垂直移动，从而调整绘图的可见区域。
      3. 缩放：使用鼠标滚轮或工具栏中的缩放控件放大或缩小绘图，专注于特定区域或样品。
      4. 数据光标：单击单个样品以显示其相应的白细胞、淋巴细胞和中性粒细胞值。
         注意：通过利用这些交互功能，临床医生可以深入了解脓毒症患者白细胞、淋巴细胞和中性粒细胞之间的关系和模式，从而促进免疫数据的探索和分析。

3. 公式

1. 在 MATLAB 工作区中，将中性粒细胞计数、淋巴细胞计数和白细胞计数分别分配给变量 X、Y 和 Z。
2. 为了获得精确的数学表达式（公式 1; 白细胞 = 1.098 × 中性粒细胞 + 1.046 ×淋巴细胞 + 0.1645 （RMSE： 1%））中，调用以下命令：
   [fitresult， gof， output] = fit （[X， Y]， Z， 'poly11'）
   注：该公式定量描述了脓毒症患者白细胞、中性粒细胞和淋巴细胞之间的关系，提供了免疫数据的简洁准确表示。
3. 要评估拟合优度，请使用以下命令计算归一化均方根误差 （NRMSE）：
   gof.rmse / （最大 （Z） - 最小 （Z））
   注：得到的 NRMSE 值为 1% 表明拟合平面（公式 1）与三维空间中的实际样品分布非常接近。这种低误差水平强调了所获得的数学表达式在捕捉脓毒症患者免疫参数之间错综复杂的关系方面的可靠性和有效性。

4. 脓毒症的免疫状况

注意：自组织特征图 （SOFM） 用于无监督聚类，以识别脓毒症患者的免疫状况。

1. 通过调用 Immune_Condition 函数，在公式 1 表示的三维平面上生成采样点集群，如图 2 所示。
2. 使用 图 2 的交互式可视化功能，如步骤 2.2 中所述。
   注意： 图 2 展示了 9 个自动化集群，标记为 Cluster1 到 Cluster9，源自 SOFM 的无监督机器学习方法。这种聚类技术同时考虑了空间拓扑和样本的密度，从而能够识别脓毒症患者群体中不同的免疫状况。

5. 脓毒症中典型的免疫振荡轨迹

1. 根据 图 2，使用 hold on 命令将图形保持在可叠加状态，然后使用以下命令创建典型患者轨迹数据的三维图。
   坚持
   对于 i=1：大小 （P，1）-1
   暂停 （3）;图3（p （i： i+1,2）， p （i： i+1,3）， p （i： i+1,1），'k'，'线宽'，3）;
   结束

结果

脓毒症的进展涉及人体免疫系统和入侵病原体之间复杂的相互作用。在临床诊断和治疗中，感染指标、器官功能标志物、细胞因子、微生物检测，甚至肠道微生物组都受到广泛关注。然而，这项研究强调了三个常见免疫指标的重要性：白细胞、中性粒细胞和淋巴细胞，这并非没有根据。研究表明，脓毒症的病理过程伴随着淋巴细胞群的抑制和耗竭...

讨论

本研究提出了一种通过利用先进的数据可视化和机器学习技术来了解脓毒症免疫状况的方法。通过揭示关键免疫细胞群之间的数学关系并识别不同的免疫状态，该研究为脓毒症中复杂的免疫动力学提供了新的视角，并有助于开发更有效的诊断和治疗策略^11,12。主要发现包括发现将这些免疫细胞群限制在三维空间内的数学关系（?...

材料

Name	Company	Catalog Number	Comments
MATLAB	MathWorks	2022B	Computing and visualization
Probabilistic Scatter Plots for Immune States	Intelligent  Entropy	Immune States V1.0	Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion