相关实验视频
Updated: Jun 28, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
一个可通用和易于使用的COVID-19分层模型,通过免疫表型和机器学习来为下一次大流行提供一个可通用和易于使用的COVID-19分层模型
Xinlei He1, Xiao Cui1, Zhiling Zhao1
1Department of Intensive Care Unit, Peking University Third Hospital, Beijing, China.
Frontiers in immunology
|April 11, 2024
概括
使用免疫细胞水平和乳酸脱酶的机器学习模型有效预测COVID-19的严重程度. 这种工具有助于临床医生快速做出关键的冠状病毒疾病2019病例的决策.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 传染病流行病学 传染病流行病学
背景情况:
- 随着COVID-19的流行,人们需要有效的工具来识别高风险患者.
- 早期对2019年冠状病毒病 (COVID-19) 严重程度的分层对于资源分配和患者管理至关重要.
- 对于临床实践来说,一个可通用和用户友好的COVID-19严重程度评估模型至关重要.
研究的目的:
- 开发和验证一种机器学习模型,用于分层 COVID-19 患者的严重程度.
- 为了确定关键的免疫特征和实验室参数,预测关键的COVID-19结果.
- 为临床医生提供可靠的工具,以便在流行病期间快速做出决定.
主要方法:
- 利用了三个COVID-19队列 (发现和两个验证),包括外周血液单核细胞.
- 通过飞行时间 (CyTOF) 采用质量细胞测量来分析免疫特征.
- 开发了集免疫特征和实验室数据的机器学习模型,通过单细胞RNA测序和电子健康记录进行验证.
主要成果:
- 在危急的COVID-19患者中发现葡萄糖/酸盐代谢受损,古典树突细胞 (cDC) 和调节性T细胞 (Tregs) 枯竭.
- 在危急病例中观察到系统性互白素-6 (IL-6),互白素-12 (IL-12) 和乳酸脱酶 (LDH) 的升高.
- 基于cDC和LDH的机器学习模型显示了高预测性能 (AUC为0.77和0.88) 对于COVID-19严重程度.
结论:
- 一个可通用和易于使用的COVID-19严重程度分层模型成功地使用机器学习开发和验证.
- 经典树突细胞 (cDC) 水平和乳酸脱酶 (LDH) 作为预测危急COVID-19的有价值生物标志物.
- 该模型和已识别的生物标志物将有助于临床医生在未来的流行病期间及时做出决定.
