Основанный на данных подход к количественной оценке иммунных состояний при сепсисе

Резюме

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

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

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 трудности^{в 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.

протокол

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

Результаты

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, ?...

Обсуждение

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 и...

Материалы

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