代谢生物标志物预测了急性呼吸衰竭的幸存者长期的身体功能

科学领域:

• 生物化学 生物化学
• 密集护理医学 密集护理医学
• 代谢学 代谢学 代谢学

背景情况:

• 急性呼吸衰竭 (ARF) 幸存者经常经历重症监护后综合征 (PICS),其特点是持续的身体损伤.
• 线粒体生物能功能障碍越来越被认为是这些患者恢复不良的潜在因素.
• 代谢分析提供了一种检测此类功能障碍的方法.

研究的目的:

• 研究ARF患者在ICU出院后血清代谢概况和身体功能结果之间的关联.
• 确定特定的代谢途径和生物标志物,预测身体功能恢复.
• 探索基于代谢物的机器学习模型在预测患者结果方面的潜力.

主要方法:

• 追溯性研究涉及70名ARF患者.
• 在序列血清样本上使用超高性能液态染色体质谱法 (UHPLC-MS) 进行非向的代谢分析.
• 使用短物理性能电池 (SPPB) 放电后评估身体功能.
• 相关性和后勤回归分析,包括机器学习模型,以确定预测代谢物.

主要成果:

• 身体功能较差的患者 (SPPB分数较低) 显示生物能代谢产物,脂肪酸氧化,甘氨酸脂代谢,胆酸生物合成和氨基酸代谢显著失调.
• 这些代谢变化与最初的疾病严重程度 (APACHE III) 和并发症无关.
• 在排出时测量的血清代谢物准确预测了SPPB得分,在交叉验证后,获得了0.88的接收器运行特征曲线 (AUROC) 下的面积.

结论:

• 持续的代谢功能障碍,特别是在生物能途径中,在ARF幸存者在医院出院时显而易见.
• 基于代谢物的机器学习模型利用排泄血清样本可以有效预测身体功能结果.
• 这些发现表明有针对性的营养干预措施的潜力,例如β-氨酸补充剂,以增强ARF幸存者的康复.