文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症

基于时间过程基因表达数据集分析衍生的机器学习模型揭示可预测脓毒症死亡率的时间稳定基因标志物

A MACHINE LEARNING MODEL DERIVED FROM ANALYSIS OF TIME-COURSE GENE-EXPRESSION DATASETS REVEALS TEMPORALLY STABLE GENE MARKERS PREDICTIVE OF SEPSIS MORTALITY.
PubMed 文献 · Shock · 2023-09-23
一句话结论基于时间稳定基因表达标志物构建的支持向量机模型在测试集中预测脓毒症患者死亡率的曲线下面积为0.89(95%CI 0.82-0.96)。

该研究对重症监护病房脓毒症患者外周血的公开时间序列基因表达数据集进行二次分析,旨在识别幸存者与死亡者之间时间稳定的基因表达标志物。利用一组时间稳定的基因,采用支持向量机分类器构建动态模型预测脓毒症患者死亡率。模型在测试数据集(患者转录组于交替时间点采样)中表现稳健,5折交叉验证的曲线下面积为0.89(95%CI 0.82-0.96)。研究还识别出7个脓毒症死亡率的潜在生物标志物(STAT5A、CX3CR1、LCP1、SNRPG、RPS27L、LSM5、SHCBP1),需未来验证。作者认为,在前瞻性测试之前,该模型或可用于识别高死亡风险的脓毒症患者,兼顾疾病的动态性,并具有潜在的治疗意义。

要点

  • 模型在测试数据集(患者转录组于交替时间点采样)中5折交叉验证的曲线下面积为0.89(95%CI 0.82-0.96)。
  • 识别出7个脓毒症死亡率潜在生物标志物:STAT5A、CX3CR1、LCP1、SNRPG、RPS27L、LSM5、SHCBP1,需未来验证。
  • 模型基于时间稳定的基因表达标志物,采用支持向量机分类器构建。
  • 作者认为,在前瞻性测试之前,该模型或可用于识别高死亡风险的脓毒症患者。

适用人群与场景

  • 重症监护病房收治的脓毒症患者(分析基于公开时间序列基因表达数据集)。

研究设计与关键结果

  • 研究类型为对公开时间序列基因表达数据集的二次分析,数据来自重症监护病房脓毒症患者外周血。
  • 利用时间稳定基因构建支持向量机分类器动态模型,预测脓毒症患者死亡率。
  • 模型在测试数据集(患者转录组于交替时间点采样)中5折交叉验证的曲线下面积为0.89(95%CI 0.82-0.96)。
  • 识别出7个脓毒症死亡率潜在生物标志物:STAT5A、CX3CR1、LCP1、SNRPG、RPS27L、LSM5、SHCBP1。

证据类型、等级与局限

  • 证据类型:对公开时间序列基因表达数据集的二次分析。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 作者认为,在前瞻性测试之前,该模型或可用于识别高死亡风险的脓毒症患者,兼顾疾病的动态性,并具有潜在的治疗意义。

提炼说明

  • 本条依据论文摘要整理;摘要未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目;全文请点「阅读原文」。
英文原文(摘要)· 点击展开

Sepsis is associated with significant mortality and morbidity among critically ill patients admitted to intensive care units and represents a major health challenge globally. Given the significant clinical and biological heterogeneity among patients and the dynamic nature of the host immune response, identifying those at high risk of poor outcomes remains a critical challenge. Here, we performed secondary analysis of publicly available time-series gene-expression datasets from peripheral blood of patients admitted to the intensive care unit to elucidate temporally stable gene-expression markers between sepsis survivors and nonsurvivors. Using a limited set of genes that were determined to be temporally stable, we derived a dynamical model using a Support Vector Machine classifier to accurately predict the mortality of sepsis patients. Our model had robust performance in a test dataset, where patients' transcriptome was sampled at alternate time points, with an area under the curve of 0.89 (95% CI, 0.82-0.96) upon 5-fold cross-validation. We also identified 7 potential biomarkers of sepsis mortality (STAT5A, CX3CR1, LCP1, SNRPG, RPS27L, LSM5, SHCBP1) that require future validation. Pending prospective testing, our model may be used to identify sepsis patients with high risk of mortality accounting for the dynamic nature of the disease and with potential therapeutic implications.

来源:Shock,查看原文。版权归原作者所有。

参考来源

  1. Huang M, Atreya MR, Holder A, et al. A MACHINE LEARNING MODEL DERIVED FROM ANALYSIS OF TIME-COURSE GENE-EXPRESSION DATASETS REVEALS TEMPORALLY STABLE GENE MARKERS PREDICTIVE OF SEPSIS MORTALITY. Shock. 2023. PMID: 37752077. doi:10.1097/SHK.0000000000002226

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。