代谢性败血性休克子表型,随时间的稳定性和与临床结果的关联

科学领域:

• 代谢学 代谢学 代谢学
• 系统生物学 系统生物学
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 在使用基因表达和蛋白质数据识别败血症患者子组方面表现有前途.
• 在新陈代谢数据集中,ML一直未得到充分利用,这些数据集捕捉了基因组,蛋白质组和环境的综合影响.
• 了解代谢异质性对于有效的败血症管理至关重要.

研究的目的:

• 通过使用机器学习在败血症休克中发现代谢子表型.
• 评估这些代谢亚现象型的时间稳定性.
• 调查代谢子表型与临床结果 (包括死亡率) 之间的关联.

主要方法:

• 从两项双盲随机试验 (LeoPARDS和VANISH) 获取的血清样本进行分析.
• 利用LeoPARDS队列中的474种代谢物的k-means集群来识别集群.
• 使用弹性网分类器来预测VANISH队列中识别的集群.

主要成果:

• 在败血症休克患者中确定了三种不同的代谢亚表型.
• 脂类物种,特别是光脂类物种,是集群成员的关键决定因素.
• 低溶解脂亚表型与循环中细胞因子水平的增加和较高的死亡率有关.

结论:

• 败血栓休克表现出三个不同的代谢亚组,这些亚组随着时间的推移而变化.
• 持续的低溶解脂亚表型与死亡率的增加有关.
• 监测这些代谢亚组可能有助于识别高风险患者,并开发向治疗,如光脂补充剂.