通过蛋白质学洞察力诊断败血症:来自潜在的ICU队列的发现

科学领域:

• 蛋白质组学和机器学习在重症监护医学中
• 对毒症诊断的生物标志物发现
• 临床信息学和电子健康记录

背景情况:

• 败血症诊断目前是临床和异质的,导致及时和准确的识别具有挑战性.
• 现有的诊断工具可能无法完全理解败血症病理学的复杂性.
• 需要优化,易于使用的临床变量来帮助毒症诊断.

研究的目的:

• 开发一种基于蛋白质学的机器学习方法来诊断败血症.
• 为检测败血症确定一组最小的,优化的临床变量.
• 评估这种方法是否可以补充或优于SOFA等现有评分系统.

主要方法:

• 在学术ICU进行前性观察研究.
• 使用LC-MS (diaPASEF) 和DIA-NN软件进行血蛋白质组学分析.
• 随机森林模型训练用于将蛋白质组数据与临床变量联系起来;用于变量选择的递归特征消除 (RFE).

主要成果:

• 在败血症和非败血症患者中发现了12种不同表达的血蛋白.
• 一个分类器使用选定的临床变量实现了0. 73 (发现) 和0. 76 (验证) 的AUC.
• 一组最小的三种特征 (BUN,CCL3,肌) 显示出强大的预测性能,肌与蛋白质组数据有很强的相关性 (R2 = 0. 558).

结论:

• 一组简短的临床变量,包括脏标志物和CCL3,可以捕捉毒症歧视的蛋白质信号.
• 这种"以蛋白质学为基础,以临床为先"的策略支持实用性EHR部署,以改善败血症的识别.
• 功能障碍似乎对败血症有显著的影响,这表明对标志物的重视可能会提高诊断和风险评估.