JoVE Logo

サインイン

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

本研究では、敗血症患者と健常対照者における白血球、リンパ球、好中球の定量的な関係を解析し、データ可視化解析と3次元数値フィッティングを用いて敗血症における免疫状態を解析し、数理モデルを確立する。

要約

敗血症では、白血球、リンパ球、好中球の相互作用を理解することは、免疫状態を評価し、治療戦略を最適化するために重要です。血液サンプルは、敗血症と診断された患者512人と健常対照者205人、合計717サンプルから採取されました。データ可視化解析と3次元数値フィッティングを行い、白血球、リンパ球、好中球の関係を記述する数理モデルを確立しました。自己組織化特徴マップ(SOFM)を使用して、敗血症サンプルデータをモデルで表される3次元空間に自動的にクラスタリングし、さまざまな免疫状態を生成しました。

分析により、白血球、リンパ球、および好中球の数は、WBC = 1.098 ×好中球 + 1.046 ×リンパ球 + 0.1645 で表されるように、3次元平面内に制約されていることが明らかになり、予測誤差 (RMSE) は 1% になります。この方程式は、空間分布の違いにかかわらず、すべてのサンプルに普遍的に適用できます。SOFMクラスタリングにより、敗血症患者集団内の9つの異なる免疫状態が同定され、免疫状態、振動期間、回復段階の異なるレベルを表しました。

上記の式で表される提案された数学的モデルは、敗血症患者と健康な対照者の両方の免疫細胞集団に基本的な制約境界を明らかにします。さらに、SOFM クラスタリング アプローチは、敗血症患者のこの制約境界内で観察される異なる免疫状態の包括的な概要を提供します。この研究は、敗血症の免疫状態を定量化および分類する将来の研究の基礎を築き、最終的にはより客観的な診断および治療戦略の開発に貢献する可能性があります。

概要

敗血症は、感染に対する宿主の反応の調節不全によって引き起こされる生命を脅かす臓器機能障害であり、救命救急医療1において依然として大きな課題となっています。敗血症の病態生理学の理解が進んでいるにもかかわらず、免疫系と病原体との間の複雑な相互作用は、この状態を効果的に診断および治療することに困難をもたらし続けています2。現在の臨床アプローチは、感染指標、臓器機能、サイトカイン、微生物検出、腸内細菌叢のモニタリングに重点が置かれていることが多いです3。しかし、免疫細胞、特に白血球、リンパ球、好中球が敗血症進行と解決に重要な役割を果たすことについての認識が高まっています4。

敗血症の経過中、免疫系は複雑な一連の変化を経験し、初期の過炎症期とそれに続く長期の免疫抑制段階5を特徴とします。初期段階では、好中球数の急増とそれに伴うリンパ球集団の減少が特徴であり、これは自然免疫応答の活性化と適応免疫の抑制を反映しています6。状態が進行するにつれて、好中球レベルが変動したり、疲れ果てたりすることがありますが、リンパ球数は減少し続け、免疫抑制状態になり、患者は二次感染に対して脆弱になります7。これらの免疫細胞集団間のダイナミックな相互作用を理解することは、敗血症患者の免疫状態を正確に評価し、的を絞った介入を考案するために重要です。

敗血症における免疫細胞数を分析するための従来のアプローチは、単変量または二変量解析に依存しており、複数の免疫パラメータ間の複雑な関係を捉えることができません8。近年のデータ可視化と機械学習技術の進歩により、高次元免疫データの探索に新たな可能性が開かれています9。特に、3次元散布図の可視化と自己組織化特徴マップ(SOFM)10 は、さまざまな疾患状況における隠れたパターンの発見や明確な免疫状態の同定に有望視されています。

この研究は、高度なデータ視覚化とクラスタリング技術を使用して、白血球、リンパ球、および好中球間の定量的な関係を分析することにより、敗血症患者の免疫状態を調査することを目的としています。仮説は、これらの免疫細胞集団が、基礎となる数学的関係によって支配される3次元空間内に制約されているというものです。この関係を明らかにし、SOFMを使用して異なる免疫状態を特定することにより、この研究は敗血症の免疫動態を理解し、臨床的意思決定を促進するためのフレームワークを提供することを目指しています。

このアプローチでは、集中治療室(ICU)に入院した512人の敗血症患者と205人の健康な人、合計717のサンプルから血液サンプルを採取します。研究対象には、男性(54.3%)と女性(45.7%)の参加者が含まれ、年齢は35歳から100歳(平均年齢:73.5歳)の範囲でした。3次元散布図の視覚化と数値フィッティングを適用して、敗血症患者と健康な対照者の両方における白血球、リンパ球、および好中球間の相互作用を説明する数学的モデルを確立します。次に、SOFMを使用して、敗血症サンプルデータを3次元空間に自動的にクラスタリングし、さまざまな免疫状態を生成します。本研究では、敗血症患者の免疫プロファイルと空間分布を、数理モデルで表される制約境界内の健常者の免疫プロファイルと比較することにより、敗血症の根底にある病態生理学的メカニズムの知見を得て、免疫調節療法の潜在的な標的を特定することを目的としています。

敗血症患者の免疫状態を定量的に評価する方法を提供することで、敗血症のより正確な病期分類を可能にし、適切な介入の選択を導くことができる。さらに、SOFMを用いて異なる免疫状態を同定することは、個々の患者の特定の免疫プロファイルに合わせた個別化免疫療法アプローチに関する将来の研究の基礎を築く可能性があります。

要約すると、この研究は、高度なデータ視覚化と機械学習技術を活用して敗血症の免疫状態を理解するアプローチを示しています。敗血症患者と健常者の主要な免疫細胞集団との間の数学的関係を明らかにし、敗血症患者の異なる免疫状態を特定することにより、この研究は敗血症の複雑な免疫動態に関する新たな視点を提供します。このアプローチにより、病状(さまざまなクラスター)をより正確に評価でき、適切な介入の選択を導くことができ、最終的にはより効果的な診断および治療戦略の開発に貢献します。

プロトコル

この研究では、白血球、リンパ球、好中球の関係を調査することにより、敗血症患者の免疫状態を調査します。患者は、中国・北京の東直門病院の集中治療室(ICU)に登録され、インフォームドコンセントを提供した上で標準的な血液検査を受けました。この研究は、機関の人間研究倫理委員会のガイドラインに従って実施されました。データのグループ化と詳細なデータ内容については、補足表 1 を参照してください。この研究で使用したソフトウェアツールは資料の表に列挙されています。

1. データの収集と準備

注:白血球、好中球、およびリンパ球は、敗血症患者の免疫状態の主要な指標として選択されました。この選択は、リンパ球の数が抑制され、徐々に減少する傾向がある一方で、敗血症患者では好中球の数がしばしば変動するという確立された臨床観察に基づいています。これら 2 つの細胞型は、敗血症患者集団における免疫状態の重要なマーカーとして経験的に認識されています。しかし、これらのパラメータ間の正確な定量的関係は、文献では明確に報告されていません。したがって、白血球、好中球、およびリンパ球は、敗血症患者の免疫状態を定量化するための出発点として選択されました。

  1. MATLAB スプレッドシート リンク for Excel アドインのインストール。
    1. Microsoft Excel を開き、リボンの [挿入] タブに移動します。
    2. [アドイン] セクションの [アドインの取得] をクリックします。
    3. [Office アドイン] ダイアログ ボックスで、検索バーで MATLAB スプレッドシート リンクを検索します。
    4. 検索結果で MATLAB Spreadsheet Link for Excel アドインを見つけて、[ 追加 ] ボタンをクリックします。
    5. 利用規約を読んで同意し、[ 続行 ]をクリックしてインストールを続行します。
    6. プロンプトが表示されたら、MathWorks アカウントでログインするか、新しいアカウントを作成してアドインにアクセスします。
    7. インストールが完了すると、Excel のリボンに MATLAB スプレッドシートのリンク タブが表示されます。
    8. [MATLAB スプレッドシート リンク] タブをクリックして、アドインがインストールされ、使用できる状態になっていることを確認します。
  2. MATLAB ワークスペースにデータを送信します。
    1. 敗血症患者データ (白血球数、リンパ球数、好中球数など) を含むスプレッドシートを開きます。
    2. データが構造化された形式で整理され、各変数 (白血球数、リンパ球数、好中球数) が個別の列に、各患者が個別の行に整理されていることを確認します。
    3. 白血球数、リンパ球数、好中球数を含む細胞の範囲を選択します。
    4. Excel リボンの [MATLAB スプレッドシート リンク ] タブをクリックします。
    5. [MATLAB スプレッドシート リンク] タブで、[MATLAB へのデータ送信] ボタンをクリックします。
    6. [ MATLAB へのデータの送信 ] ダイアログ ボックスで、複数のインスタンスが実行されている場合は、ドロップダウン メニューから適切な MATLAB インスタンスを選択します。
    7. 変数名 」フィールドにデータの変数名を指定します。たとえば、 sepsis_immune_dataです。
    8. MATLAB でインポートするデータに必要なデータ型 (数値行列など) を選択します。
    9. [OK] をクリックして、データを MATLAB ワークスペースに送信します。
    10. MATLAB アプリケーションに切り替えて、ワークスペースで指定した変数名 ( sepsis_immune_data など) を確認して、データが正常にインポートされたことを確認します。
  3. MATLAB でのデータの確認
    1. MATLAB Spreadsheet Link アドインを使用して敗血症患者データ (白血球数、リンパ球数、好中球数) を MATLAB に送信した後、MATLAB アプリケーションに切り替えます。
    2. インポートされたデータの内容を確認するには、MATLAB コマンド ウィンドウに変数名を入力して Enter キーを押します。

2. 白血球、リンパ球、好中球の3次元可視化

  1. Immune_scatter3関数を使用したプロットの生成
    1. 変数 A は、敗血症患者の免疫データを格納します。関数 Immune_scatter3(A) を呼び出すと、 図1に示すように、サンプルの3次元散布図を表示するグラフィカルユーザーインターフェース(GUI)が表示されます。
      注:プロット内の3次元平面とサンプル分布との間のフィッティング誤差は非常に小さいです。セクション3では、正確な式を提供します。
  2. GUI の使用法
    1. 生成されたGUIが提供するインタラクティブ機能を使用して、3次元散布図を探索および解析します。
      1. 回転:プロットをクリックしてドラッグし、プロットを3D空間で回転させ、サンプル分布をさまざまな角度から表示できるようにします。
      2. パン:プロットを右クリックしてドラッグし、プロットを水平または垂直に移動し、プロットの表示領域を調整します。
      3. ズーム:マウスホイールまたはツールバーのズームコントロールを使用して、プロットをズームインまたはズームアウトし、特定の領域またはサンプルに焦点を合わせます。
      4. データカーソル:個々のサンプルをクリックすると、白血球、リンパ球、好中球の対応する値が表示されます。
        注:これらのインタラクティブ機能を利用することで、臨床医は敗血症患者の白血球、リンパ球、好中球の関係とパターンについての洞察を得ることができ、免疫データの探索と分析が容易になります。

3. 計算式

  1. MATLAB ワークスペースで、好中球カウント、リンパ球カウント、白血球カウントをそれぞれ変数 X、Y、Z に割り当てます。
  2. 正確な数式(式1; WBC = 1.098 ×好中球 + 1.046 ×リンパ球 + 0.1645 (RMSE: 1%)図 1 の 3 次元平面で、次のコマンドを呼び出します。
    [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
    注:この式は、敗血症患者の白血球、好中球、リンパ球の関係を定量的に記述し、免疫データを簡潔かつ正確に表現します。
  3. 適合度を評価するには、次のコマンドを使用して正規化二乗平均平方根誤差 (NRMSE) を計算します。
    gof.rmse / (最大(Z) - 最小(Z))
    注:結果のNRMSE値1%は、フィット平面(式1)が3次元空間の実際のサンプル分布に密接に近似していることを示しています。この低い誤差レベルは、敗血症患者の免疫パラメータ間の複雑な関係を捉える際に得られた数学的表現の信頼性と妥当性を強調しています。

4. 敗血症における免疫状態

注:自己組織化特徴マップ(SOFM)は、敗血症患者の免疫状態を特定するための教師なしクラスタリングに採用されました。

  1. Immune_Condition 関数を呼び出すことで、図 2 に示すように、式 1 で表される 3 次元平面上にサンプル ポイントのクラスターを生成します。
  2. 図 2.2 で説明したように、図 2 の対話式視覚化機能を使用します。
    注: 図 2 は、SOFM の教師なし機械学習アプローチから派生した 9 つの自動クラスター (Cluster1 から Cluster9) を示しています。このクラスタリング手法は、空間トポロジーとサンプルの密度の両方を考慮に入れており、敗血症患者集団内の異なる免疫状態の特定を可能にします。

5. 敗血症における典型的な免疫振動の軌跡

  1. 図 2 に基づいて、hold on コマンドを使用して図をオーバーレイ可能な状態に維持し、次のコマンドを使用して一般的な患者の軌跡データの 3 次元プロットを作成します。
    待つ
    i = 1の場合:サイズ(p、1)-1
    一時停止 (3);plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','線幅',3);
    終わり

結果

敗血症の進行には、ヒトの免疫系と侵入する病原体との間の複雑な相互作用が関与しています。臨床診断と治療では、感染指標、臓器機能マーカー、サイトカイン、微生物検出、さらには腸内細菌叢に多くの注目が集まっています。しかし、この研究では、白血球、好中球、リンパ球という3つの一般的な免疫指標の重要性を強調しています。研究によると、敗血症の病理学的過程はリンパ球集団の抑制と枯渇を伴い、好中球レベルは変動を繰り返すと枯渇するか、病原体を克服することが示されています5。しかし、このプロセスの根底にある数学的制約とダイナミクスは、まださらに定量化され、解明されていません。

3次元空間(図1)で512個のサンプル(青い点で表される)と205個の健康なコントロール(緑のプラス記号で表される)の分布を調べると、白血球、好中球、リンパ球のサンプルポイントが非常に小さな誤差で平面上にあることがすぐにわかります。散布図で使用されている明確な色とマーカーは、制約境界内の敗血症と健康な対照群との間の有意差を明確に示しています。この観察結果は、これらの免疫細胞集団が健康状態に関係なく、客観的な法則または制約に従っていることを示唆しています。さらに分析すると、次の式が明らかになります:WBC = 1.098 ×好中球+ 1.046 ×リンパ球+ 0.1645(式1)、二乗平均平方根誤差(RMSE)は1%です。この式は、好中球の平面傾きがリンパ球の平面傾きよりも大きいことを示しており、好中球数の変化は、リンパ球数の変化と比較して白血球数により顕著な影響を与えることを示唆しています。この式は単純ではありますが、白血球、好中球、リンパ球の個々のバリエーションに関係なく、白血球、好中球、リンパ球の間の相互作用を支配する客観的に存在するメカニズムまたは制約を明らかにする新しい発見を表しています。重要なことに、この制約境界は敗血症患者と健康な個人の両方に適用され、免疫系の基本的な特性を反映していることを示唆しています。一方、この境界内の明確な空間分布は、敗血症と健康の免疫学的な違いを明らかにしています。

さまざまな免疫状態をさらに区別するために、 図2 では自動サンプルポイントクラスタリングにSOFMを採用しています。SOFM がこの解析に特に選ばれたのは、サンプル間の距離とその密度分布の両方を考慮しながらトポロジカルな関係を維持することに優れた、確立された教師なしクラスタリング アルゴリズムであるためです。アルゴリズムの近傍制御パラメーターを 1 に設定して、明確な境界定義を維持しながら、隣接するクラスター間のオーバーラップを最小限に抑えました。9つのカテゴリーの選択は、詳細な状態の細分化の必要性と臨床的に意味のある区別を維持するという実際的な考慮事項とのバランスを取りながら、慎重なパラメータの最適化によって決定されました。このアプローチにより、きめ細かな免疫状態の識別と、生物学的に適切な場合に隣接する状態をマージする可能性の両方が可能になり、それにより、過剰なセグメンテーションと状態の省略の両方を回避できます。

図2では、SOFMクラスタリングを使用して敗血症患者の異なる免疫状態を自動的に識別し、免疫ランドスケープの包括的な特性評価を提供し、重要なカテゴリーを見落とすリスクを最小限に抑えることを目的としています。Cluster1、Cluster2、およびCluster4は、リンパ球と好中球の両方の数が比較的高いという特徴で、免疫活性のレベルが高いことを示しています。Cluster3、Cluster5、Cluster6、Cluster9は免疫振動期を表しており、この間、リンパ球の集団はすでに抑制されていますが、好中球のレベルは変動する可能性があります。クラスター8は免疫活性が低下した状態を表しており、これは免疫抑制または感染の解消後の免疫回復期間のいずれかを反映している可能性があります。Cluster7は、徐々に回復し、免疫状態の改善の兆候を示している患者のごく一部を表している可能性があります。

複数のSOFMクラスターを使用することで、敗血症患者で観察される多様な免疫状態をより詳細に表現できることは注目に値します。このアプローチは、免疫プロファイルの全範囲を捉え、重要なカテゴリーを見逃す可能性を最小限に抑えることを目的としています。しかし、実用的な検証とさらなる解析により、類似した免疫状態を表すクラスターを統合し、その包括性を維持しながら分類スキームを効率化することが可能となります。この精緻化プロセスにより、同定された免疫状態が生物学的に意味があり、臨床的に関連性があることが保証され、敗血症の複雑な免疫動態を理解するための堅牢なフレームワークが提供されます。

図3は、複雑な免疫調節不全を経験した後、最終的に改善した典型的な敗血症患者の免疫状態の軌跡を示しています。患者の旅は、免疫活動が高まった状態を表すクラスター2から始まり、クラスター5、7、9、8などのさまざまな免疫状態を経て進行しました。これらの遷移は、患者の免疫系と侵入する病原体との間のダイナミックな相互作用を反映しており、振動の期間と明らかな免疫抑制の期間があります。

特に、患者の逐次臓器不全評価(SOFA)スコアは、患者がクラスター7に入る前に、初期値7から2に減少してすでに改善し始めていました。これは、患者の免疫系が感染の解消において大幅な進歩を遂げたことを示唆しており、その後のクラスター7への移行は、完全な免疫消耗ではなく免疫回復の期間を表している可能性があります。

クラスター8を通過した後、患者の免疫状態は徐々にクラスター7に向かって進行し、これはより健康な免疫プロファイルに関連しています。この回復段階は、好中球数とリンパ球数の両方の増加を特徴とし、値は健康な個人で観察される値に近づいていました。

臨床診療では、患者は一般に 、図3に示す典型的な赤い線と同様の免疫振動軌道を示します。健康なサンプルの中心から遠く離れたクラスター3、5、6、9で軌道が振動すると、患者の状態が悪化します。患者の軌跡が健康なサンプルの中心に近いクラスター7と8に戻ると、状態は改善し、一部の患者は健康な状態に戻ることさえあります。クラスター1、2、および4は、免疫活性の亢進を特徴とする疾患の初期段階で一般的に観察されます。これらの状態遷移のパターンは、敗血症の早期認識と疾患経過管理のための免疫ベースの視点を提供します。患者の状態管理の観点からは、患者がクラスター 6 に向かう傾向にあると、患者の状態が悪化する一方で、健康な状態への進行は臨床的改善を示すことが明らかです。

このプロトコルは、数理モデルとクラスタリング分析を通じて敗血症患者の免疫状態を評価するための定量的アプローチを提供し、明確な免疫状態の視覚化による敗血症の早期認識と、免疫軌道追跡による疾患進行の正確なモニタリングの両方を可能にし、臨床上の意思決定と個別化された治療戦略を導くことができます。

figure-results-3808
図1:敗血症患者サンプル中の白血球、リンパ球、好中球の3次元散布図。 この図は、敗血症患者における主要な免疫指標の空間分布を示しています。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-4194
図2:敗血症のさまざまな免疫状態。 この図は、式1で表される3次元平面内の敗血症の免疫状態を正確に定量化したものです。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-4570
図3:臨床的に改善している敗血症患者の免疫状態の軌跡の視覚化。 この図は、複雑な免疫調節不全を経験した後、最終的に改善した典型的な敗血症患者の免疫状態の軌跡を示しています。 この図の拡大版を表示するには、ここをクリックしてください。

ディスカッション

この研究では、高度なデータ視覚化と機械学習技術を活用して敗血症の免疫状態を理解するアプローチを提示します。主要な免疫細胞集団間の数学的関係を明らかにし、異なる免疫状態を特定することにより、この研究は敗血症における複雑な免疫動態に関する新たな視点を提供し、より効果的な診断および治療戦略の開発に貢献します11,12。主な知見には、これらの免疫細胞集団を3次元空間内に制約する数学的関係の発見(セクション3)(WBC = 1.098 ×好中球+1.046×リンパ球+0.1645)や、自己組織化特徴マップ(SOFM)を用いた9つの異なる免疫状態の同定(セクション4)などがあります。これらの結果は、敗血症患者の免疫状態を評価するための定量的枠組みを提供し、早期敗血症患者13をトリアージするための潜在的な方法を提供する。

ここで紹介するこの研究では、データの可視化と機械学習の手法を組み合わせて、敗血症の高次元免疫データに隠されたパターンと関係を明らかにしました。この研究では、従来の単変量解析や二変量解析を超えて、複数の免疫パラメータ間の複雑な相互作用を捉え、敗血症における免疫応答( 図2の異なるクラスター)をより包括的に理解することができます。SOFM10 を用いた異なる免疫状態の同定は、個々の患者の特定の免疫プロファイルに合わせた個別化免疫療法アプローチに関する将来の研究の基礎を築く可能性があります。

ここで提示された結果をさらに検証し、洗練するためには、さらに大規模で多様なコホートを対象とした将来の研究が必要になります。さらに、同定された免疫状態と、プロカルシトニン(PCT)、C反応性タンパク質(CRP)、インターロイキン-6(IL-6)などの他の臨床的に関連する生化学的マーカーとの関係は、まだ深く調査されていません14,15。これらのマーカーを解析に組み込むことで、敗血症における免疫炎症反応とその臨床転帰との関連をより包括的に理解できる可能性があり、提案されたアプローチの予測力と臨床的有用性が向上する可能性があります。さらに、個々の患者の免疫状態の動態を経時的に追跡する縦断的研究は、敗血症の軌跡に関する貴重な洞察を提供し、個別化された治療戦略に情報を提供する可能性があります。

一方で、 図1 に示す3次元可視化法は、敗血症患者と健康な対照群の免疫状態との間に顕著な違いがあることを示しており、敗血症の早期認識のための新しい定量的免疫学的視点を提供します。一方、 図3 に示す典型的な患者の免疫経路の議論は、患者の状態管理に対する新しいアプローチを提示し、疾患の進行を監視および管理するための定量的な方法を提供します。

この研究で提案された方法の重要性と潜在的な応用は、敗血症の特定の状況をはるかに超えています。データ駆動型のアプローチを用いて病状を正確に定量化する能力は、臨床研究のパラダイムシフトとなる可能性を秘めており、個別化医療16に大きな影響を与える可能性があります。例えば、敗血症患者の免疫状態を追跡することで、患者の感染との闘いの段階を明確に評価することができ、これは予後の評価や治療計画の改善に不可欠です。データビジュアライゼーションと機械学習の力を活用することで、研究者は複雑な疾患の病態生理学に関する新たな洞察を明らかにし、より的を絞った診断および治療戦略を開発できます17

この研究の結果に基づいて、いくつかの将来の方向性を想定することができます。まず、敗血症患者集団のサンプルサイズと多様性を増やすことは、ここで特定された数学的関係と免疫状態を検証および改良するために重要です。これには、複数のセンター間の協力と、データ収集と分析のための標準化されたプロトコルの確立が必要です。第二に、同定された免疫状態とPCT、CRP、IL-6などの他の生化学的マーカーとの関係を調査することで、敗血症18の免疫炎症反応をより包括的に理解できる可能性があります。さらに、免疫状態、臓器機能障害(SOFAスコアで測定)、および感染重症度マーカーの間の複雑で非線形な関係を調査することは、さまざまな患者が感染から臓器不全に進行するさまざまな経路を解明するのに役立つ可能性があります。これらの感染重症度指標を免疫状態定量化アプローチと統合することで、将来の研究により疾患の進行パターンの理解が深まり、個々の患者の感染重症度と免疫状態の両方を考慮した、より正確で個別化された治療戦略につながる可能性があります。最後に、この研究で提案された研究アプローチは、自己免疫疾患、がん、移植などの他の医療シナリオに拡張でき、病状の正確な定量化が臨床的に重要な意味を持つ可能性があります。

結論として、この研究は、高度なデータ視覚化と機械学習技術を活用して敗血症の免疫状態を理解するアプローチを示しています。この研究は、主要な免疫細胞集団間の数学的関係を明らかにし、異なる免疫状態を特定することにより、敗血症の複雑な免疫状態に関する新たな視点を提供します。サンプルサイズや、免疫状態と他の生化学的マーカーとの関係をさらに調査する必要性など、この研究の限界は、将来の研究で対処する必要があります。個別化医療などの特定の研究分野でのこの方法の潜在的な応用と、サンプルサイズの増加や他の医療シナリオへのアプローチの拡張を含む将来の方向性は、この一連の研究の重要性と有望性を浮き彫りにしています。

開示事項

Probabilistic Scatter Plots for Immune States V1.0 のソフトウェアツールは、Beijing Intelligent Entropy Science & Technology Co., Ltd. によって開発および所有されています。本ソフトウェアの知的財産権は全て当社に帰属します。著者は、利益相反を宣言しません。

謝辞

本研究は、中国国家中医薬総局主催の「師匠弟子相続プロジェクト第7期」(プロジェクト番号:[2021]第272号)と、陝西省中医薬総局の「市町村級中医院2024年漢方研究能力強化プロジェクト」(SZY-NLTL-2024-003)の2つの支援を受けた。

資料

NameCompanyCatalog NumberComments
MATLABMathWorks 2022BComputing and visualization 
Probabilistic Scatter Plots for Immune States Intelligent
 Entropy
Immune States V1.0Beijing Intelligent Entropy Science & Technology Co Ltd.
Modeling for CT/MRI fusion

参考文献

  1. Jarczak, D., Kluge, S., Nierhaus, A. Sepsis-pathophysiology and therapeutic concepts. Front Med (Lausanne). 8, 628302(2021).
  2. Cheung, G. Y. C., Bae, J. S., Otto, M. Pathogenicity and virulence of Staphylococcus aureus. Virulence. 12 (1), 547-569 (2021).
  3. Adelman, M. W., et al. The gut microbiome's role in the development, maintenance, and outcomes of sepsis. Crit Care. 24 (1), 278(2020).
  4. Kumar, V. Pulmonary innate immune response determines the outcome of inflammation during pneumonia and sepsis-associated acute lung injury. Front Immunol. 11, 1722(2020).
  5. Nakamori, Y., Park, E. J., Shimaoka, M. Immune deregulation in sepsis and septic shock: Reversing immune paralysis by targeting PD-1/PD-L1 pathway. Front Immunol. 11, 624279(2021).
  6. Van der Poll, T., Shankar-Hari, M., Wiersinga, W. J. The immunology of sepsis. Immunity. 54 (11), 2450-2464 (2021).
  7. Chaturvedi, V., et al. T-cell activation profiles distinguish hemophagocytic lymphohistiocytosis and early sepsis. Blood. 137 (17), 2337-2346 (2021).
  8. Reyes, M., et al. An immune-cell signature of bacterial sepsis. Nat Med. 26 (3), 333-340 (2020).
  9. Pant, A., Mackraj, I., Govender, T. Advances in sepsis diagnosis and management: a paradigm shift towards nanotechnology. J Biomed Sci. 28 (1), 6(2021).
  10. Kohonen, T. Essentials of the self-organizing map. Neural Netw. 37, 52-65 (2013).
  11. Yang, X., et al. The role of type 1 interferons in coagulation induced by gram-negative bacteria. Blood. 135 (14), 1087-1100 (2020).
  12. Zhang, Y. Y., Ning, B. T. Signaling pathways and intervention therapies in sepsis. Signal Transduct Target Ther. 6 (1), 407(2021).
  13. Baghela, A., et al. Predicting sepsis severity at first clinical presentation: The role of endotypes and mechanistic signatures. EBioMedicine. 75, 103776(2022).
  14. Yao, R. Q., et al. Publication trends of research on sepsis and host immune response during 1999-2019: A 20-year bibliometric analysis. Int J Biol Sci. 16 (1), 27-37 (2020).
  15. Owen, A. M., et al. TLR agonists as mediators of trained immunity: Mechanistic insight and immunotherapeutic potential to combat infection. Front Immunol. 11, 622614(2021).
  16. Jung, E., et al. The fetal inflammatory response syndrome: the origins of a concept, pathophysiology, diagnosis, and obstetrical implications. Semin Fetal Neonatal Med. 25 (4), 101146(2020).
  17. Bruno, M., et al. Transcriptional and functional insights into the host immune response against the emerging fungal pathogen Candida auris. Nat Microbiol. 5 (12), 1516-1531 (2020).
  18. Barichello, T., et al. Biomarkers for sepsis: more than just fever and leukocytosis-a narrative review. Crit Care. 26 (1), 14(2022).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

SOFMRMSE

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

研究

教育

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved