Ny diagnostisk metod tillämpar maskininlärning på avancerad genomisk data för att upptäcka sepsis

Ny diagnostisk metod tillämpar maskininlärning på avancerad genomisk data för att upptäcka sepsis

Sepsis, immunsystemets överreaktion som svar på infektion, orsakar uppskattningsvis 20 % av dödsfallen över hela världen och 20 % till 50 % av sjukhusdödsfallen i USA varje år. Men trots sin utbredning och svårighetsgrad är sjukdomen svår att diagnostisera och effektivt behandla.

Sjukdomen kan orsaka minskat blodflöde till vitala organ, inflammation i hela kroppen och onormal blodpropp. Om den inte upptäcks och behandlas snabbt kan sepsis därför leda till chock, organsvikt och död. Det kan dock vara svårt att avgöra vilken patogen som orsakar sepsis eller om en infektion finns i blodomloppet eller någon annanstans i kroppen. Och för många patienter med symtom som liknar sepsis kan det vara svårt att avgöra om de ens har en infektion.

Nu har forskare vid Chan Zuckerberg Biohub (CZ Biohub), Chan Zuckerberg Initiative (CZI) och UC San Francisco (UCSF) utvecklat en ny diagnostisk metod som tillämpar maskininlärning för att identifiera avancerad genomisk data från både mikrober och värdar och förutsäga fall av sepsis. Som rapporterades i Nature Microbiology den 20 oktober 2022 är tillvägagångssättet förvånansvärt korrekt och har potential att vida överträffa nuvarande diagnostiska kapacitet.

Sepsis är ett av de 10 bästa hälsoproblem som mänskligheten står inför. En av de största utmaningarna med sepsis är diagnos. Befintliga diagnostiska tester kan inte fånga sjukdomens tvåsidiga natur – själva infektionen och värdens immunsvar på infektionen.”

Chaz Langelier, MD, Ph.D., senior författare, docent i medicin, UCSF Division of Infectious Diseases och CZ Biohub-utredare

Nuvarande sepsisdiagnostik fokuserar på att upptäcka bakterier genom att odla dem i kultur, en process som, enligt forskarna bakom den nya metoden, är "nödvändig för lämplig antibiotikabehandling, vilket är avgörande för sepsisöverlevnad." Att odla dessa patogener är dock tidskrävande och identifierar inte alltid den bakterie som orsakar infektionen korrekt. På liknande sätt, för virus, kan PCR-testning upptäcka att virus infekterar en patient, men identifierar inte alltid det specifika viruset som orsakar sepsis.

"Detta resulterar i att läkare inte kan identifiera orsaken till sepsis i uppskattningsvis 30 till 50% av fallen," sa Langelier. "Detta leder också till en obalans mellan antibiotikabehandlingen och den orsakande patogenen."

I avsaknad av en definitiv diagnos ordinerar läkare ofta en cocktail av antibiotika för att stoppa infektionen, men överanvändning av antibiotika har lett till ökad antibiotikaresistens över hela världen. "Som läkare vill vi inte missa ett fall av infektion", säger Carolyn Calfee, MD, MAS, professor i medicin och anestesiologi vid UCSF och medförfattare till den nya studien. "Men om vi hade ett test som kunde hjälpa oss att avgöra exakt vem som inte har en infektion, då kan det hjälpa oss att begränsa användningen av antibiotika i de fallen, vilket skulle vara riktigt bra för oss alla."

Eliminering av tvetydighet

Forskare analyserade helblods- och plasmaprover från mer än 350 kritiskt sjuka patienter som togs in på UCSF Medical Center eller Zuckerberg San Francisco General Hospital mellan 2010 och 2018.

Men istället för att förlita sig på kulturer för att identifiera patogener i dessa prover, använde ett team under ledning av CZ Biohub-forskarna Norma Neff, Ph.D., och Angela Pisco, Ph.D., istället metagenomisk nästa generations sekvensering (mNGS). Denna metod identifierar alla nukleinsyror eller genetiska data som finns i ett prov och jämför sedan dessa data med referensgenom för att identifiera de närvarande mikrobiella organismerna. Denna teknik gör det möjligt för forskare att identifiera genetiskt material från helt olika riken av organismer – oavsett om det är bakterier, virus eller svampar – som finns i samma prov.

Att upptäcka och identifiera förekomsten av en patogen enbart är dock inte tillräckligt för en korrekt diagnos av sepsis, så Biohub-forskarna skapade också en transkriptionsprofil - som kvantifierar genuttryck - för att fånga patientens svar på infektion.

Genetik och genomik e-bok

Sammanställning av de bästa intervjuerna, artiklarna och nyheterna från det senaste året. Ladda ner en kopia idag

Därefter tillämpade de maskininlärning på mNGS och transkriptionsdata för att skilja mellan sepsis och andra kritiska sjukdomar för att bekräfta diagnosen. Katrina Kalantar, Ph.D., senior bioinformatiker vid CZI och medförfattare till studien, skapade en integrerad värd-mikrob modell tränad med hjälp av data från patienter diagnostiserade med antingen sepsis eller icke-infektiösa systemiska inflammatoriska sjukdomar. vilket möjliggjorde sepsisdiagnostik med mycket hög noggrannhet.

"Vi utvecklade modellen genom att titta på en rad metagenomiska data tillsammans med resultat från traditionella kliniska tester," förklarade Kalantar. Först identifierade forskarna förändringar i genuttryck mellan patienter med bekräftad sepsis och icke-infektiösa systemiska inflammatoriska tillstånd som verkar kliniskt lika, och använde sedan maskininlärning för att identifiera de gener som bäst kan förutsäga dessa förändringar.

Forskarna fann att när traditionell bakteriekultur identifierade en sepsis-orsakande patogen, fanns det vanligtvis ett överflöd av genetiskt material från den patogenen i motsvarande plasmaprov som analyserades med mNGS. Med detta i åtanke programmerade Kalantar modellen för att identifiera organismer som är närvarande i oproportionerligt hög förekomst jämfört med andra mikrober i provet och sedan jämföra dessa med ett referensindex för kända sepsis-orsakande mikrober.

"Dessutom noterade vi också alla upptäckta virus, även om de var på lägre nivåer, eftersom de inte var tänkta att finnas där," förklarade Kalantar. "Med denna relativt enkla uppsättning regler kunde vi göra det ganska bra."

"Nästan perfekt" prestanda

Forskarna fann att mNGS-metoden och dess motsvarande modell fungerade bättre än väntat: de kunde identifiera 99 % av de bekräftade fallen av bakteriell sepsis, 92 % av de bekräftade fallen av viral sepsis och förutsäga sepsis i 74 % av fallen med klinisk misstanke som ännu inte hade diagnostiserats definitivt.

"Vi förväntade oss en bra prestation eller till och med en utmärkt prestation, men det här var nästan perfekt", säger Lucile Neyton, Ph.D., en postdoktor vid Calfee-labbet och medförfattare till studien. "Genom att använda detta tillvägagångssätt får vi en ganska bra uppfattning om vad som orsakar sjukdomen och vi vet med en relativt hög grad av säkerhet om en patient har sepsis eller inte."

Teamet var också glada över att upptäcka att de kunde använda denna kombinerade värdrespons och mikrobiell detektionsmetod för att diagnostisera sepsis med hjälp av plasmaprover som rutinmässigt samlats in från de flesta patienter som en del av standard klinisk vård. "Det faktum att du faktiskt kan identifiera sepsispatienter med denna mycket använda, lättsamlade provtyp har stora praktiska konsekvenser," sa Langelier.

Idén till arbetet uppstod från tidigare forskning av Langelier, Kalantar, Calfee, UCSF-forskare och CZ Biohub President Joe DeRisi, Ph.D., och deras kollegor, där de använde mNGS för att effektivt diagnostisera nedre luftvägsinfektioner hos kritiskt sjuka patienter. Eftersom metoden fungerade så bra, "vi ville se om samma tillvägagångssätt kunde fungera i samband med sepsis," sa Kalantar.

Vidare implikationer

Teamet hoppas kunna bygga vidare på denna framgångsrika diagnostiska teknik genom att utveckla en modell som också kan förutsäga antibiotikaresistens hos patogener som upptäckts med denna metod. "Vi har haft viss framgång med detta vid luftvägsinfektioner, men ingen har hittat ett bra tillvägagångssätt för sepsis," sa Langelier.

Dessutom hoppas forskarna att de så småningom kommer att kunna förutsäga utfall av patienter med sepsis, "såsom dödlighet eller längd på sjukhusvistelse, vilket skulle ge viktig information som skulle göra det möjligt för läkare att bättre ta hand om sina patienter och rikta resurser till de patienter som behöver dem mest", sa Langelier.

"Det finns stor potential för nya sekvenseringsmetoder som denna för att hjälpa oss att mer exakt identifiera orsakerna till en patients kritiska sjukdom," tillade Calfee. "Om vi ​​kan göra detta kommer det att vara det första steget mot precisionsmedicin och förstå vad som händer på individuell patientnivå."

Källa:

Chan Zuckerberg Biohub

Hänvisning:

Kalantar, KL, et al. (2022) Integrerad värdmikrobiell plasmametagenomik för sepsisdiagnos i en blivande kohort av kritiskt sjuka vuxna. Naturlig mikrobiologi. doi.org/10.1038/s41564-022-01237-2.

.