新技术可实现对难以捉摸的败血症进行“几乎完美”的诊断

2022年11月22日 11:45 次阅读 稿源:cnBeta.COM 条评论

据估计,败血症 - 一种免疫系统对感染作出过度反应的情况每年在全世界造成20%的死亡,在美国造成大约20%到50%的医院死亡。其频率和严重性对于生命而言是相当大的威胁,但这种情况在识别和有效治疗方面却一直很有挑战性。

Chaz-Langelier-683x1024.webp

加州大学旧金山分校传染病科医学副教授、CZ生物中心研究员Chaz Langelier博士是一项研究的资深作者,他描述了一种非常准确的败血症诊断工具。资料来源:CZ生物孵化器

这种疾病可能导致基本器官的血流减少,广泛的炎症和不规则的血液凝结。因此,如果不及时诊断和治疗,脓毒症可能导致休克、器官衰竭和死亡。然而,确定哪种病原体导致败血症,或者确定血液中或身体其他地方是否存在感染,可能是一个挑战。此外,在许多症状类似于败血症的情况下,要评估病人是否真的有感染可能很困难。

来自陈·扎克伯格生物中心、陈·扎克伯格倡议和加州大学旧金山分校的研究人员现在创造了一种新的诊断方法,采用机器学习来分析来自宿主和病原体的高级基因组学数据,以识别和预测脓毒症病例。据报道,该方法出乎意料地准确,有可能远远超过目前的诊断技能。研究人员的发现最近发表在《自然-微生物学》杂志上。

"败血症是人类面临的十大公共卫生问题之一,"高级作者Chaz Langelier医学博士说,他是加州大学旧金山分校传染病科的医学副教授和CZ生物中心研究员。"关键挑战之一是诊断。现有的诊断测试无法捕捉到该疾病的两面性--感染本身和宿主对感染的免疫反应"。

据新方法背后的研究人员称,目前的败血症诊断侧重于通过培养细菌来检测细菌,这一过程"对于适当的抗生素治疗至关重要,而抗生素治疗对于败血症的存活也至关重要"。但是培养这些病原体很耗时,而且并不总是能正确识别导致感染的细菌。这就类似于对于病毒感染而言,PCR测试可以检测到病毒正在感染病人,但并不总是能识别导致疾病的特定病毒。

Langelier说:"这导致临床医生在估计30-50%的病例中无法确定败血症的原因。这也导致了抗生素治疗和造成问题的病原体的不匹配"。

在没有明确诊断的情况下,医生往往开出鸡尾酒式的抗生素,以努力阻止感染,但过度使用抗生素已导致全球范围内抗生素耐药性增加。加州大学旧金山分校医学和麻醉学教授、这项新研究的共同第一作者卡罗琳-卡尔菲(Carolyn Calfee)说:"作为医生,我们永远不想错过一个感染病例。但是如果我们有一个测试可以帮助我们准确地确定谁没有感染,那么这可以帮助我们在这些情况下限制抗生素的使用,这对我们所有人来说都是非常好的结果。"

41564_2022_1237_Fig1_HTML.webp

消除模糊性

研究人员分析了2010年至2018年期间在加州大学旧金山分校医疗中心或扎克伯格旧金山综合医院住院的350多名重症患者的全血和血浆样本。由CZ Biohub科学家Norma Neff博士和Angela Pisco博士领导的团队没有依靠培养物来识别这些样本中的病原体,而是采用了元基因组下一代测序(mNGS)。这种方法可以识别样品中存在的所有核酸或遗传数据,然后将这些数据与参考基因组进行比较,以确定存在的微生物生物。这种技术使科学家能够识别存在于同一样品中的完全不同生物界的遗传物质--无论是细菌、病毒还是真菌。

然而,仅仅检测和识别病原体的存在还不足以进行准确的败血症诊断,因此Biohub的研究人员还进行了转录分析--对基因表达进行量化以捕捉病人对感染的反应。

接下来,他们将机器学习应用于mNGS和转录数据,以区分脓毒症和其他危重疾病从而确认诊断。CZI的首席计算生物学家、该研究的共同第一作者Katrina Kalantar博士创建了一个综合的宿主-微生物模型,该模型是根据已确定为败血症或非感染性系统性炎症疾病的患者的数据进行训练的,这使得败血症的诊断具有极高的准确性。

Kalantar解释说:"我们通过查看一堆元基因组学数据和传统临床测试的结果来开发这个模型。首先,研究人员确定了确诊的败血症患者和非感染性系统性炎症患者之间的基因表达变化,这些变化在临床上看起来很相似,然后使用机器学习来确定能够最好地预测这些变化的基因。"

41564_2022_1237_Fig2_HTML.webp

研究人员发现,当传统的细菌培养确定了导致败血症的病原体时,在用mNGS分析的相应血浆样本中通常会有过多的来自该病原体的遗传物质。考虑到这一点,Kalantar对模型进行了编程,以确定与样本中的其他微生物相比,存在着不成比例的高丰度的生物体,然后将这些生物体与知名的败血症致病微生物的参考指数进行比较。

"除此之外,我们还注意到检测到的任何病毒,即使它们的水平较低,因为这些病毒确实不应该出现,"Kalantar解释说。"有了这套相对简单的规则,我们能够做得很好。"

几乎完美"的表现

41564_2022_1237_Fig3_HTML.webp

研究人员发现,mNGS方法和他们相应的模型比预期的效果更好。他们能够识别99%的确诊细菌性败血症病例,92%的确诊病毒性败血症病例,并且能够预测74%尚未明确诊断的临床怀疑病例的败血症。

Calfee实验室的博士后研究员、该研究的共同第一作者Lucile Neyton博士说:"我们期待着良好的表现,甚至是伟大的表现,但这几乎是完美的,通过使用这种方法,我们对导致疾病的原因有了相当好的了解,而且我们以相对较高的信心知道一个病人是否患有败血症。"

该团队还兴奋地发现,他们可以使用这种结合了宿主反应和微生物检测的方法来诊断败血症,而血浆样本是作为标准临床护理的一部分从大多数病人那里例行收集的。Langelier说:"实际上可以从这种广泛可用的、易于收集的样本类型中识别败血症患者,这在实际效用方面具有重大意义。"

41564_2022_1237_Fig4_HTML.webp

这项工作的想法源于Langelier、Kalantar、Calfee、加州大学旧金山分校研究员和CZ生物中心主席Joe DeRisi博士及其同事之前的《国家科学院院刊》研究,在该研究中,他们使用mNGS有效地诊断危重病人的下呼吸道感染。由于该方法效果很好,"我们想看看同样类型的方法是否能在败血症的情况下发挥作用,"Kalantar说。

41564_2022_1237_Fig5_HTML.webp

更广泛的影响

该团队希望在这一成功的诊断技术的基础上,开发一个模型,该模型也可以预测用这种方法检测到的病原体的抗生素抗性。"我们已经在呼吸道感染方面取得了一些成功,但没有人想出一个好的方法来治疗败血症,"Langelier说。此外,研究人员希望最终能够预测败血症患者的结果,"如死亡率或住院时间,这将提供关键信息,使临床医生能够更好地照顾他们的病人,并将资源匹配给最需要的病人。"

"像这样的新型测序方法有很大的潜力,可以帮助我们更精确地确定病人的危急疾病的原因,"Calfee补充说。"如果我们能做到这一点,这是迈向精准医疗和了解个别病人情况的第一步"。

我们在FebBox(https://www.febbox.com/cnbeta) 开通了新的频道,更好阅读体验,更及时更新提醒,欢迎前来阅览和打赏。

对文章打分

新技术可实现对难以捉摸的败血症进行“几乎完美”的诊断

1 (50%)
已有 条意见

    最新资讯

    加载中...

    编辑精选

    加载中...

    热门评论

      Top 10

      招聘

      created by ceallan