使用循环的微生物无细胞DNA,在血清性梅毒患者中识别持续的Treponema pallidum感染

科学领域:

• 传染性疾病 传染性疾病
• 基因组学就是基因组学.
• 机器学习 机器学习

背景情况:

• 梅毒患者的血清快状态,尽管接受治疗,但血清状况持续呈阳性,这引发了关于残留感染的疑问.
• 区分真正的serofast状态和正在进行的低水平Treponema pallidum感染对于有效的患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习模型,用于在无细胞DNA (cfDNA) 中检测Treponema pallidum,以确定血清性梅毒患者的持续感染.
• 以诊断模型为指导的重复治疗对血清快个体的疗效进行评估.

主要方法:

• 开发一种机器学习模型,利用下一代测序 (NGS) 数据在cfDNA中识别T. pallidum DNA.
• 建立一个TP_rate截止值 (0.033) 以获得最佳的诊断性能 (AUROC=0.92,特异性=92.3%,敏感性=71.4%).
• 该模型的应用,以预测92名血清性急性患者的持续性感染,并随后评估重新治疗的有效性.

主要成果:

• 机器学习模型准确地预测了92名血清快速患者中20名患者的持续低水平T. pallidum感染.
• 预测患有持续性感染并接受重新治疗的患者在RPR标位上呈现出统计学上显著的下降,与未预测呈阳性的患者相比.
• TP_rate切断值显示了在cfDNA中识别T. pallidum的高诊断准确性.

结论:

• 这项研究提供了证据,支持在血清性梅毒患者中存在持久的,低级的Treponema pallidum感染.
• 开发的机器学习模型显示出作为诊断工具的承诺,用于识别可能从强化治疗方案中受益的个体.
• 根据cfDNA分析,这些发现支持针对高风险血清性梅毒患者的向再治疗的临床实用性.