Ein datengestützter Ansatz zur Quantifizierung von Immunzuständen bei Sepsis

Zusammenfassung

Diese Studie untersucht den Immunzustand bei Sepsis, indem sie die quantitativen Beziehungen zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen bei Sepsis-Patienten und gesunden Kontrollpersonen unter Verwendung von Datenvisualisierungsanalysen und dreidimensionaler numerischer Anpassung analysiert, um ein mathematisches Modell zu erstellen.

Zusammenfassung

Bei der Sepsis ist das Verständnis des Zusammenspiels zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen entscheidend für die Beurteilung des Immunzustands und die Optimierung von Behandlungsstrategien. Es wurden Blutproben von 512 Patienten mit Sepsis und 205 gesunden Kontrollpersonen entnommen, insgesamt 717 Proben. Die Analyse der Datenvisualisierung und die dreidimensionale numerische Anpassung wurden durchgeführt, um ein mathematisches Modell zu erstellen, das die Beziehungen zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen beschreibt. Die selbstorganisierende Merkmalskarte (SOFM) wurde verwendet, um die Sepsis-Probendaten automatisch in dem durch das Modell dargestellten dreidimensionalen Raum zu clustern, was zu unterschiedlichen Immunzuständen führte.

Die Analyse ergab, dass die Anzahl der weißen Blutkörperchen, Lymphozyten und Neutrophilen auf eine dreidimensionale Ebene beschränkt ist, wie durch die Gleichung beschrieben: Leukozyten = 1,098 × Neutrophile + 1,046 × Lymphozyten + 0,1645, was einen Vorhersagefehler (RMSE) von 1% ergibt. Diese Gleichung ist trotz unterschiedlicher räumlicher Verteilungen universell auf alle Stichproben anwendbar. Das SOFM-Clustering identifizierte neun verschiedene Immunzustände innerhalb der Sepsis-Patientenpopulation, die unterschiedliche Niveaus des Immunstatus, der Oszillationsperioden und der Erholungsstadien repräsentieren.

Das vorgeschlagene mathematische Modell, dargestellt durch die obige Gleichung, zeigt eine grundlegende Constraint-Grenze für die Immunzellpopulationen sowohl bei Sepsis-Patienten als auch bei gesunden Kontrollen. Darüber hinaus bietet der SOFM-Clustering-Ansatz einen umfassenden Überblick über die unterschiedlichen Immunzustände, die innerhalb dieser Constraint-Grenze bei Sepsis-Patienten beobachtet werden. Diese Studie legt den Grundstein für zukünftige Arbeiten zur Quantifizierung und Kategorisierung des Immunzustands bei Sepsis, die letztendlich zur Entwicklung objektiverer Diagnose- und Behandlungsstrategien beitragen können.

Einleitung

Die Sepsis, eine lebensbedrohliche Organdysfunktion, die durch eine fehlregulierte Wirtsreaktion auf eine Infektion verursacht wird, stellt nach wie vor eine große Herausforderung in der Intensivmedizin^{dar 1}. Trotz Fortschritten im Verständnis der Pathophysiologie der Sepsis stellt das komplexe Zusammenspiel zwischen dem Immunsystem und den Krankheitserregern weiterhin Schwierigkeiten bei der Diagnose und Behandlung dieser Erkrankung dar². Aktuelle klinische Ansätze konzentrieren sich häufig auf die Überwachung von Infektionsindikatoren, Organfunktionen, Zytokinen, mikrobiellem Nachweis und Darmmikrobiom³. Es wird jedoch zunehmend anerkannt, dass Immunzellen, insbesondere weiße Blutkörperchen, Lymphozyten und Neutrophile, eine entscheidende Rolle bei der Progression und Auflösung der Sepsis spielen⁴.

Im Verlauf der Sepsis durchläuft das Immunsystem eine komplexe Reihe von Veränderungen, die durch eine anfängliche hyperinflammatorische Phase gekennzeichnet sind, gefolgt von einer verlängerten immunsuppressiven Phase⁵. Die frühe Phase ist gekennzeichnet durch einen Anstieg der Neutrophilenzahlen und eine gleichzeitige Abnahme der Lymphozytenpopulationen, was die Aktivierung der angeborenen Immunantwort und die Unterdrückung der adaptiven Immunität widerspiegelt⁶. Mit fortschreitender Erkrankung können die Neutrophilenspiegel oszillieren oder erschöpft werden, während die Lymphozytenzahl weiter abnimmt, was zu einem Zustand der Immunsuppression führt, der die Patienten anfällig für Sekundärinfektionen macht⁷. Das Verständnis des dynamischen Zusammenspiels zwischen diesen Immunzellpopulationen ist entscheidend, um den Immunstatus von Sepsis-Patienten genau zu beurteilen und gezielte Interventionen zu entwickeln.

Traditionelle Ansätze zur Analyse der Immunzellzahl bei Sepsis beruhen auf univariaten oder bivariaten Analysen, die die komplexen Beziehungen zwischen mehreren Immunparametern nicht erfassen⁸. Jüngste Fortschritte in der Datenvisualisierung und bei maschinellen Lerntechniken haben neue Möglichkeiten für die Erforschung hochdimensionaler immunologischer Daten eröffnet⁹. Insbesondere die dreidimensionale Visualisierung von Streudiagrammen und selbstorganisierende Merkmalskarten (SOFM)¹⁰ haben sich als vielversprechend erwiesen, um verborgene Muster aufzudecken und unterschiedliche Immunzustände in verschiedenen Krankheitskontexten zu identifizieren.

Ziel dieser Studie ist es, den Immunzustand bei Sepsis-Patienten zu untersuchen, indem die quantitativen Beziehungen zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen unter Verwendung fortschrittlicher Datenvisualisierungs- und Clustering-Techniken analysiert werden. Die Hypothese ist, dass diese Immunzellpopulationen in einem dreidimensionalen Raum gefangen sind, der von einer zugrunde liegenden mathematischen Beziehung bestimmt wird. Durch die Aufdeckung dieser Beziehung und die Identifizierung unterschiedlicher Immunzustände mittels SOFM versucht die Studie, einen Rahmen für das Verständnis der immundynamischen Zustände bei Sepsis zu schaffen und die klinische Entscheidungsfindung zu erleichtern.

Der Ansatz umfasst die Entnahme von Blutproben von 512 Sepsis-Patienten, die auf die Intensivstation (ICU) eingeliefert wurden, und 205 gesunden Personen, insgesamt 717 Proben. Die Studienpopulation umfasste sowohl männliche (54,3 %) als auch weibliche (45,7 %) Teilnehmer im Alter von 35 bis 100 Jahren (Durchschnittsalter: 73,5 Jahre). Dreidimensionale Scatterplot-Visualisierung und numerische Anpassung werden angewendet, um ein mathematisches Modell zu erstellen, das das Zusammenspiel zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen sowohl bei Sepsis-Patienten als auch bei gesunden Kontrollpersonen beschreibt. SOFM wird dann eingesetzt, um die Sepsis-Probendaten automatisch im dreidimensionalen Raum zu clustern, was zu unterschiedlichen Immunzuständen führt. Durch den Vergleich der Immunprofile und räumlichen Verteilungen von Sepsis-Patienten mit denen von gesunden Personen innerhalb der durch das mathematische Modell dargestellten Constraint-Grenze zielt die Studie darauf ab, Einblicke in die pathophysiologischen Mechanismen zu gewinnen, die der Sepsis zugrunde liegen, und potenzielle Angriffspunkte für immunmodulatorische Therapien zu identifizieren.

Durch die Bereitstellung einer quantitativen Methode zur Beurteilung des Immunzustands von Sepsis-Patienten könnte der Ansatz ein präziseres Staging der Krankheit ermöglichen und die Auswahl geeigneter Interventionen leiten. Darüber hinaus kann die Identifizierung unterschiedlicher Immunzustände mittels SOFM die Grundlage für die zukünftige Erforschung personalisierter Immuntherapieansätze legen, die auf die spezifischen Immunprofile einzelner Patienten zugeschnitten sind.

Zusammenfassend stellt diese Studie einen Ansatz zum Verständnis der Immunerkrankung bei Sepsis vor, indem fortschrittliche Datenvisualisierungs- und maschinelle Lerntechniken genutzt werden. Durch die Aufdeckung der mathematischen Beziehung zwischen wichtigen Immunzellpopulationen bei Sepsis-Patienten und gesunden Kontrollpersonen und die Identifizierung unterschiedlicher Immunzustände bei Sepsis-Patienten bietet die Studie eine neue Perspektive auf die komplexe Immundynamik bei Sepsis. Dieser Ansatz ermöglicht eine genauere Beurteilung des Krankheitszustands (verschiedene Cluster) und kann die Auswahl geeigneter Interventionen leiten, was letztendlich dazu beiträgt, effektivere diagnostische und therapeutische Strategien zu entwickeln.

Protokoll

Diese Studie untersucht den Immunzustand bei Sepsis-Patienten, indem sie die Beziehungen zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen untersucht. Die Patienten wurden auf die Intensivstation (ICU) des Dongzhimen-Krankenhauses in Peking, China, aufgenommen und nach Erteilung einer Einverständniserklärung Standard-Bluttests unterzogen. Die Studie wurde nach den Richtlinien der institutionellen Ethikkommission für die Humanforschung durchgeführt. Die Gruppierung der Daten und der detaillierte Dateninhalt finden Sie in der ergänzenden Tabelle 1. Die in dieser Studie verwendeten Softwaretools sind in der Materialtabelle aufgeführt.

1. Datenerhebung und -aufbereitung

HINWEIS: Weiße Blutkörperchen, Neutrophile und Lymphozyten wurden als Schlüsselindikatoren für den Immunzustand bei Sepsis-Patienten ausgewählt. Diese Wahl basiert auf den gut etablierten klinischen Beobachtungen, dass die Lymphozytenzahl tendenziell unterdrückt wird und allmählich abnimmt, während die Neutrophilenzahl bei Sepsis-Patienten häufig oszilliert. Diese beiden Zelltypen wurden empirisch als wichtige Marker für den Immunstatus in Sepsis-Patientenpopulationen anerkannt. Der genaue quantitative Zusammenhang zwischen diesen Parametern ist in der Literatur jedoch nicht eindeutig beschrieben. Daher wurden weiße Blutkörperchen, Neutrophile und Lymphozyten als Ausgangspunkt für die Quantifizierung des Immunzustands bei Sepsis-Patienten gewählt.

1. Installieren des Add-Ins MATLAB Spreadsheet Link for Excel.
   1. Öffnen Sie Microsoft Excel , und navigieren Sie im Menüband zur Registerkarte Einfügen .
   2. Klicken Sie im Abschnitt Add-Ins auf Add-Ins abrufen.
   3. Suchen Sie im Dialogfeld Office-Add-Ins in der Suchleiste nach MATLAB Spreadsheet Link .
   4. Suchen Sie das Add-In MATLAB Spreadsheet Link for Excel in den Suchergebnissen und klicken Sie auf die Schaltfläche Hinzufügen .
   5. Lesen und akzeptieren Sie die Nutzungsbedingungen und klicken Sie dann auf Weiter , um mit der Installation fortzufahren.
   6. Wenn Sie dazu aufgefordert werden, melden Sie sich mit einem MathWorks-Konto an, oder erstellen Sie ein neues Konto, um auf das Add-In zuzugreifen.
   7. Sobald die Installation abgeschlossen ist, wird die Registerkarte MATLAB Spreadsheet Link (MATLAB Spreadsheet Link ) im Excel-Menüband angezeigt.
   8. Klicken Sie auf die Registerkarte MATLAB Spreadsheet Link , um zu überprüfen, ob das Add-In installiert und einsatzbereit ist.
2. Senden Sie Daten an den MATLAB-Arbeitsbereich.
   1. Öffnen Sie die Tabelle mit den Daten des Sepsis-Patienten, einschließlich der Anzahl der weißen Blutkörperchen, der Lymphozytenzahl und der Neutrophilenzahl.
   2. Stellen Sie sicher, dass die Daten in einem strukturierten Format organisiert sind, wobei sich jede Variable (Anzahl der weißen Blutkörperchen, Lymphozyten und Neutrophilen) in einer separaten Spalte und jeder Patient in einer separaten Zeile befindet.
   3. Wählen Sie den Zellbereich aus, der die Anzahl der weißen Blutkörperchen, Lymphozyten und Neutrophilen enthält.
   4. Klicken Sie auf die Registerkarte MATLAB Spreadsheet Link im Excel-Menüband.
   5. Klicken Sie auf der Registerkarte MATLAB-Tabellenverknüpfung auf die Schaltfläche Daten an MATLAB senden .
   6. Wählen Sie im Dialogfeld "Daten an MATLAB senden " die entsprechende MATLAB-Instanz aus dem Dropdown-Menü aus, wenn mehrere Instanzen ausgeführt werden.
   7. Geben Sie den Variablennamen für die Daten im Feld Variablenname an. Beispiel: sepsis_immune_data.
   8. Wählen Sie den gewünschten Datentyp für die importierten Daten in MATLAB aus (z. B. numerische Matrix).
   9. Klicken Sie auf OK , um die Daten an den MATLAB-Arbeitsbereich zu senden.
   10. Wechseln Sie zur MATLAB-Anwendung und überprüfen Sie, ob die Daten erfolgreich importiert wurden, indem Sie den Arbeitsbereich auf den angegebenen Variablennamen (z. B. sepsis_immune_data) überprüfen.
3. Überprüfen der Daten in MATLAB
   1. Nachdem Sie die Sepsis-Patientendaten (Anzahl der weißen Blutkörperchen, Lymphozytenzahlen und Neutrophilenzahlen) mit dem Add-In MATLAB Spreadsheet Link an MATLAB gesendet haben, wechseln Sie zur MATLAB-Anwendung.
   2. Um den Inhalt der importierten Daten zu überprüfen, geben Sie den Variablennamen in das MATLAB-Befehlsfenster ein und drücken Sie die Eingabetaste.

2. Dreidimensionale Visualisierung von weißen Blutkörperchen, Lymphozyten und Neutrophilen

1. Generieren des Diagramms mit der Funktion Immune_scatter3
   1. Die Variable A speichert die Immundaten von Sepsis-Patienten. Rufen Sie die Funktion Immune_scatter3(A) auf, um eine grafische Benutzeroberfläche (GUI) zu erhalten, in der das dreidimensionale Streudiagramm der Stichproben angezeigt wird, wie in Abbildung 1 dargestellt.
      HINWEIS: Der Anpassungsfehler zwischen der dreidimensionalen Ebene und der Stichprobenverteilung im Diagramm ist sehr gering. Abschnitt 3 enthält die genaue Formel.
2. Die Verwendung der GUI
   1. Erkunden und analysieren Sie das dreidimensionale Streudiagramm mit den interaktiven Funktionen, die von der generierten GUI bereitgestellt werden.
      1. Drehen: Klicken und ziehen Sie den Plot, um ihn im 3D-Raum zu drehen und die Probenverteilung aus verschiedenen Blickwinkeln zu betrachten.
      2. Verschieben: Klicken Sie mit der rechten Maustaste auf den Plot und ziehen Sie ihn, um ihn horizontal oder vertikal zu verschieben und den sichtbaren Bereich des Plots anzupassen.
      3. Zoom: Verwenden Sie das Mausrad oder die Zoom-Steuerelemente in der Symbolleiste, um das Diagramm zu vergrößern oder zu verkleinern und sich auf bestimmte Bereiche oder Beispiele zu konzentrieren.
      4. Datencursor: Klicken Sie auf einzelne Proben, um die entsprechenden Werte für weiße Blutkörperchen, Lymphozyten und Neutrophile anzuzeigen.
         HINWEIS: Durch die Nutzung dieser interaktiven Funktionen können Ärzte Einblicke in die Beziehungen und Muster zwischen weißen Blutkörperchen, Lymphozyten und Neutrophilen bei Sepsis-Patienten gewinnen, was die Untersuchung und Analyse der Immundaten erleichtert.

3. Die Formel

1. Weisen Sie im MATLAB-Arbeitsbereich die Anzahl der Neutrophilen, die Anzahl der Lymphozyten und die Anzahl der weißen Blutkörperchen den Variablen X, Y bzw. Z zu.
2. Um den präzisen mathematischen Ausdruck (Formel 1; Leukozyten = 1,098 × Neutrophile + 1,046 × Lymphozyten + 0,1645 (RMSE: 1%)) der dreidimensionalen Ebene in Abbildung 1 den folgenden Befehl auf:
   [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
   HINWEIS: Diese Formel beschreibt quantitativ die Beziehung zwischen weißen Blutkörperchen, Neutrophilen und Lymphozyten bei Sepsis-Patienten und bietet eine prägnante und genaue Darstellung der Immundaten.
3. Um die Güte der Anpassung zu bewerten, berechnen Sie den normalisierten Root-Mean-Square-Fehler (NRMSE) mit dem folgenden Befehl:
   gof.rmse / (max(Z) - min(Z))
   HINWEIS: Der resultierende NRMSE-Wert von 1 % zeigt an, dass die angepasste Ebene (Formel 1) der tatsächlichen Probenverteilung im dreidimensionalen Raum sehr nahe kommt. Dieses niedrige Fehlerniveau unterstreicht die Zuverlässigkeit und Validität des erhaltenen mathematischen Ausdrucks bei der Erfassung der komplizierten Beziehungen zwischen den Immunparametern bei Sepsis-Patienten.

4. Immunzustand bei Sepsis

HINWEIS: Self-Organizing Feature Maps (SOFM) wurden für unüberwachtes Clustering eingesetzt, um Immunzustände bei Sepsis-Patienten zu identifizieren.

1. Generieren Sie durch Aufrufen der Funktion Immune_Condition Cluster von Abtastpunkten auf der dreidimensionalen Ebene, die durch Formel 1 dargestellt wird, wie in Abbildung 2 dargestellt.
2. Verwenden Sie die interaktiven Visualisierungsfunktionen für Abbildung 2 , wie in Schritt 2.2 beschrieben.
   HINWEIS: Abbildung 2 zeigt neun automatisierte Cluster mit den Bezeichnungen Cluster1 bis Cluster9, die vom unüberwachten Machine Learning-Ansatz von SOFM abgeleitet wurden. Diese Clustering-Technik berücksichtigt sowohl die räumliche Topologie als auch die Dichte der Proben und ermöglicht die Identifizierung unterschiedlicher Immunzustände innerhalb der Sepsis-Patientenpopulation.

5. Typische Immunoszillationsverläufe bei Sepsis

1. Verwenden Sie in Anlehnung an Abbildung 2 den Befehl hold on , um die Figur in einem überlagerbaren Zustand zu halten, und verwenden Sie dann die folgenden Befehle, um ein dreidimensionales Diagramm der typischen Trajektoriendaten des Patienten zu erstellen.
   Abwarten
   für i=1: size(p,1)-1
   Pause (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Linienbreite',3);
   Ende

Ergebnisse

Das Fortschreiten der Sepsis ist ein komplexes Zusammenspiel zwischen dem menschlichen Immunsystem und eindringenden Krankheitserregern. Bei der klinischen Diagnose und Behandlung wird viel Wert auf Infektionsindikatoren, Organfunktionsmarker, Zytokine, mikrobiellen Nachweis und sogar das Darmmikrobiom gelegt. Diese Studie unterstreicht jedoch die Bedeutung von drei gängigen Immunindikatoren: weiße Blutkörperchen, Neutrophile und Lymphozyten, die nicht...

Diskussion

Diese Studie stellt einen Ansatz zum Verständnis des Immunzustands bei Sepsis vor, indem fortschrittliche Datenvisualisierungs- und maschinelle Lerntechniken genutzt werden. Durch die Aufdeckung der mathematischen Beziehung zwischen wichtigen Immunzellpopulationen und die Identifizierung unterschiedlicher Immunzustände bietet die Studie eine neue Perspektive auf die komplexe Immundynamik bei Sepsis und trägt zur Entwicklung effektiverer diagnostischer und therapeutischer Strategien be...

Materialien

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