機械学習は,プラズマプロテオームに変換される臨床性セプシス現象を特定する

科学分野:

• セプシスに関する研究
• 医学における機械学習
• プロテオミクス

背景:

• 現在のセプシス治療は感染とサポートに焦点を当てており,標的型分子治療は欠けている.
• 以前のセプシス亜型分類は,治療の選択肢を特定できなかった.
• セプシスの個別の治療には 分子変化と臨床的現象の理解が必要です

研究 の 目的:

• 機械学習を用いて臨床性セプシス現象とその時間的発達を特定する.
• プラズマプロテオミクスを用いて検出されたセプシス現象の特徴を特定する.
• 将来の個別化セプシス治療の道を開くために

主な方法:

• 384人のセプシス患者の臨床データと血液サンプルを集めました.
• 301人の患者の血タンパク質を質量スペクトロメトリーで分析した.
• 将来のフェノタイプ分類のための監督された機械学習モデルを開発しました.

主要な成果:

• 疾患の重度や臓器機能不全 (肝臓,腎臓) が異なる3つの異なるセプシス現象型 (クラスターA,B,C) を特定した.
• クラスターCはより高い死亡率に関連しており,クラスターBはクラスター移行の可能性を示した.
• プラズマ・プロテオームは臨床的フェノタイプを反映し,補充と凝固因子の消費を重症度で示した.
• 監視されたMLモデルは,7つの共通の臨床的特徴を用いて患者を正確に分類した.

結論:

• 特定された臨床性セプシスのフェノタイプは,疾患の重症度と相関しており,血プロテオミックプロファイルに反映されています.
• プロテオミックプロファイリングは,セプシスの分子メカニズムとフェノタイプの特徴に関する新しい洞察を提供します.
• このアプローチは,より正確で個別化されたセプシス治療の開発を支援します.