リンパ球数を用いた敗血症の不良予後予測のための機械学習ベースの予測モデル：全国多施設共同前向きコホート

科学分野:

• 免疫学
• 集中治療医学
• データサイエンス

背景:

• 敗血症誘発性免疫抑制は、患者の有害転帰と関連しています。
• 循環リンパ球数（LC）は、敗血症における免疫状態の容易に入手可能なマーカーです。

研究 の 目的:

• 動的リンパ球数（LC）軌跡を用いた敗血症患者の免疫表現型の特徴付け。
• ハイリスク敗血症患者の早期特定を可能にすること。

主な方法:

• 潜在クラス軌跡モデリング（LCTM）は、敗血症診断後7日以内の反復測定からの動的LCパターンを分析しました。
• カプランマイヤー曲線、コックス回帰、ボルタアルゴリズム、および機械学習モデル（解釈性のためのSHAPを含む）が使用されました。
• 外部検証は、敗血症患者の別のコホートで実施されました。

主要な成果:

• 4つの異なるLC動的軌跡が特定されました。
• 持続的リンパ球減少症（PL）サブグループは、最も高い疾患重症度と最悪の予後を示しました。
• 開発された機械学習モデルは、PLサブ表現型を正確に予測し、ICU死亡率予測を改善しました。

結論:

• 動的LC軌跡は、敗血症における免疫学的な不均一性を明らかにします。
• 持続的リンパ球減少症（PL）の早期特定は、免疫療法のための患者の層別化に不可欠です。
• このアプローチは、敗血症患者の介入をより適切に標的化するのに役立ちます。