Μηχανική Μάθηση: Η σήψη, η υπερβολική αντίδραση του ανοσοποιητικού συστήματος ως απάντηση σε μια λοίμωξη, προκαλεί περίπου το 20% των θανάτων παγκοσμίως και το 20-50% των θανάτων στα νοσοκομεία των ΗΠΑ κάθε χρόνο. Παρά τη συχνότητα και τη σοβαρότητά της, ωστόσο, η πάθηση είναι δύσκολο να διαγνωστεί και να αντιμετωπιστεί αποτελεσματικά. Η νόσος μπορεί να προκαλέσει μειωμένη ροή αίματος σε ζωτικά όργανα, φλεγμονή σε όλο το σώμα και μη φυσιολογική πήξη του αίματος. Ως εκ τούτου, εάν η σήψη δεν αναγνωριστεί και δεν αντιμετωπιστεί γρήγορα, μπορεί να οδηγήσει σε σοκ, ανεπάρκεια οργάνων και θάνατο. Ωστόσο, μπορεί να είναι δύσκολο να προσδιοριστεί ποιο παθογόνο προκαλεί τη σήψη ή αν η λοίμωξη βρίσκεται στην κυκλοφορία του αίματος ή σε άλλο σημείο του σώματος. Και σε πολλούς ασθενείς με συμπτώματα που μοιάζουν με σηψαιμία, μπορεί να είναι δύσκολο να προσδιοριστεί αν έχουν πραγματικά κάποια λοίμωξη.
Τώρα, ερευνητές του Chan Zuckerberg Biohub (CZ Biohub), του Chan Zuckerberg Initiative (CZI) και του UC San Francisco (UCSF) ανέπτυξαν μια νέα διαγνωστική μέθοδο που εφαρμόζει μηχανική μάθηση σε προηγμένα δεδομένα γονιδιωματικής τόσο από το μικρόβιο όσο και από τον ξενιστή – για τον εντοπισμό και την πρόβλεψη περιπτώσεων σήψης. Όπως αναφέρθηκε στις 20 Οκτωβρίου 2022 στο Nature Microbiology, η προσέγγιση είναι εκπληκτικά ακριβής και έχει τη δυνατότητα να ξεπεράσει κατά πολύ τις τρέχουσες διαγνωστικές δυνατότητες. “Η σήψη είναι ένα από τα 10 κορυφαία προβλήματα δημόσιας υγείας που αντιμετωπίζει η ανθρωπότητα”, δήλωσε ο επικεφαλής συγγραφέας Chaz Langelier, M.D., Ph.D., αναπληρωτής καθηγητής ιατρικής στο Τμήμα Λοιμωδών Νοσημάτων του Πανεπιστημίου της Καλιφόρνια, Σαν Φρανσίσκο (UCSF) και ερευνητής του CZ Biohub. “Μία από τις βασικές προκλήσεις της σήψης είναι η διάγνωση. Τα υπάρχοντα διαγνωστικά τεστ δεν είναι σε θέση να συλλάβουν τη διττή φύση της νόσου – την ίδια τη λοίμωξη και την ανοσολογική απόκριση του ξενιστή στη λοίμωξη”.
Τα τρέχοντα διαγνωστικά της σήψης επικεντρώνονται στην ανίχνευση βακτηρίων με την καλλιέργειά τους σε καλλιέργεια, μια διαδικασία που είναι “απαραίτητη για την κατάλληλη αντιβιοτική θεραπεία, η οποία είναι κρίσιμη για την επιβίωση της σήψης”, σύμφωνα με τους ερευνητές που βρίσκονται πίσω από τη νέα μέθοδο. Αλλά η καλλιέργεια αυτών των παθογόνων είναι χρονοβόρα και δεν προσδιορίζει πάντα σωστά το βακτήριο που προκαλεί τη λοίμωξη. Ομοίως, για τους ιούς, οι δοκιμές PCR μπορούν να ανιχνεύσουν ότι οι ιοί μολύνουν έναν ασθενή, αλλά δεν εντοπίζουν πάντα τον συγκεκριμένο ιό που προκαλεί σήψη. “Αυτό έχει ως αποτέλεσμα οι κλινικοί γιατροί να μην είναι σε θέση να προσδιορίσουν την αιτία της σήψης σε περίπου 30 έως 50% των περιπτώσεων”, δήλωσε ο Langelier. “Αυτό οδηγεί επίσης σε αναντιστοιχία όσον αφορά τη θεραπεία με αντιβιοτικά και το παθογόνο που προκαλεί το πρόβλημα”.
Ελλείψει οριστικής διάγνωσης, οι γιατροί συχνά συνταγογραφούν ένα κοκτέιλ αντιβιοτικών σε μια προσπάθεια να σταματήσουν τη λοίμωξη, αλλά η υπερβολική χρήση αντιβιοτικών έχει οδηγήσει σε αύξηση της αντοχής στα αντιβιοτικά παγκοσμίως. “Ως γιατροί, δεν θέλουμε ποτέ να χάσουμε μια περίπτωση λοίμωξης”, δήλωσε η Carolyn Calfee, M.D., M.A.S., καθηγήτρια ιατρικής και αναισθησίας στο Πανεπιστήμιο της Καλιφόρνια, Σαν Φρανσίσκο (UCSF) και συν-συγγραφέας της νέας μελέτης. “Αλλά αν είχαμε ένα τεστ που θα μας βοηθούσε να προσδιορίσουμε με ακρίβεια ποιοι δεν έχουν λοίμωξη, τότε αυτό θα μπορούσε να μας βοηθήσει να περιορίσουμε τη χρήση αντιβιοτικών σε αυτές τις περιπτώσεις, κάτι που θα ήταν πραγματικά καλό για όλους μας”.
Εξάλειψη της ασάφειας
Οι ερευνητές ανέλυσαν δείγματα ολικού αίματος και πλάσματος από περισσότερους από 350 βαρέως πάσχοντες ασθενείς που είχαν εισαχθεί στο Ιατρικό Κέντρο του Πανεπιστημίου της Καλιφόρνια, Σαν Φρανσίσκο (UCSF) ή στο Γενικό Νοσοκομείο Zuckerberg του Σαν Φρανσίσκο μεταξύ 2010 και 2018. Αλλά αντί να βασιστούν σε καλλιέργειες για τον εντοπισμό παθογόνων μικροοργανισμών σε αυτά τα δείγματα, η ομάδα με επικεφαλής τους επιστήμονες του CZ Biohub Norma Neff, Ph.D., και Angela Pisco, Ph.D., χρησιμοποίησαν μεταγονιδιωματική αλληλουχία επόμενης γενιάς (mNGS). Η μέθοδος αυτή προσδιορίζει όλα τα νουκλεϊκά οξέα ή τα γενετικά δεδομένα που υπάρχουν σε ένα δείγμα, και στη συνέχεια συγκρίνει τα δεδομένα αυτά με γονιδιώματα αναφοράς για τον προσδιορισμό των μικροβιακών οργανισμών που υπάρχουν. Η τεχνική αυτή επιτρέπει στους επιστήμονες να ταυτοποιούν γενετικό υλικό από εντελώς διαφορετικά βασίλεια οργανισμών – είτε πρόκειται για βακτήρια, ιούς είτε μύκητες – που υπάρχουν στο ίδιο δείγμα.
Ωστόσο, η ανίχνευση και η ταυτοποίηση της παρουσίας ενός παθογόνου από μόνη της δεν είναι αρκετή για την ακριβή διάγνωση της σήψης, οπότε οι ερευνητές του Biohub πραγματοποίησαν επίσης μεταγραφικό προφίλ -το οποίο ποσοτικοποιεί την έκφραση γονιδίων- για να καταγράψουν την αντίδραση του ασθενούς στη μόλυνση. Στη συνέχεια εφάρμοσαν μηχανική μάθηση στα δεδομένα mNGS και μεταγραφής για να διακρίνουν μεταξύ σήψης και άλλων κρίσιμων ασθενειών και έτσι να επιβεβαιώσουν τη διάγνωση. Η Katrina Kalantar, Ph.D., επικεφαλής υπολογιστική βιολόγος στο CZI και πρώτη συνσυγγραφέας της μελέτης, δημιούργησε ένα ολοκληρωμένο μοντέλο ξενιστή-μικροβίου που εκπαιδεύτηκε σε δεδομένα από ασθενείς στους οποίους είχε διαπιστωθεί είτε σήψη είτε μη μολυσματικές συστηματικές φλεγμονώδεις ασθένειες, το οποίο επέτρεψε τη διάγνωση της σήψης με πολύ υψηλή ακρίβεια. “Αναπτύξαμε το μοντέλο εξετάζοντας μια δέσμη δεδομένων μεταγονιδιωματικής παράλληλα με αποτελέσματα από παραδοσιακές κλινικές εξετάσεις”, εξήγησε η Kalantar. Αρχικά, οι ερευνητές εντόπισαν αλλαγές στη γονιδιακή έκφραση μεταξύ ασθενών με επιβεβαιωμένη σήψη και μη μολυσματικών συστηματικών φλεγμονωδών παθήσεων που εμφανίζονται κλινικά παρόμοιες, και στη συνέχεια χρησιμοποίησαν μηχανική μάθηση για να εντοπίσουν τα γονίδια που θα μπορούσαν να προβλέψουν καλύτερα αυτές τις αλλαγές.
Οι ερευνητές διαπίστωσαν ότι όταν η παραδοσιακή βακτηριακή καλλιέργεια αναγνώριζε ένα παθογόνο που προκαλεί σήψη, υπήρχε συνήθως υπεραφθονία γενετικού υλικού από το εν λόγω παθογόνο στο αντίστοιχο δείγμα πλάσματος που αναλύθηκε με το mNGS. Έχοντας αυτό κατά νου, ο Kalantar προγραμμάτισε το μοντέλο ώστε να εντοπίζει οργανισμούς που υπάρχουν σε δυσανάλογα υψηλή αφθονία σε σύγκριση με άλλα μικρόβια στο δείγμα και στη συνέχεια να τους συγκρίνει με έναν δείκτη αναφοράς γνωστών μικροβίων που προκαλούν σήψη. “Εκτός από αυτό, σημειώσαμε επίσης τυχόν ιούς που ανιχνεύθηκαν, ακόμη και αν ήταν σε χαμηλότερα επίπεδα, επειδή αυτοί πραγματικά δεν θα έπρεπε να υπάρχουν”, εξήγησε η Kalantar. “Με αυτό το σχετικά απλό σύνολο κανόνων, καταφέραμε να τα πάμε αρκετά καλά”.
“Σχεδόν τέλεια” απόδοση
Οι ερευνητές διαπίστωσαν ότι η μέθοδος mNGS και το αντίστοιχο μοντέλο τους λειτούργησαν καλύτερα από το αναμενόμενο: Ήταν σε θέση να αναγνωρίσουν το 99% των επιβεβαιωμένων περιπτώσεων βακτηριακής σήψης, το 92% των επιβεβαιωμένων περιπτώσεων ιογενούς σήψης και ήταν σε θέση να προβλέψουν τη σήψη στο 74% των κλινικά ύποπτων περιπτώσεων που δεν είχαν διαγνωστεί οριστικά. “Περιμέναμε καλές επιδόσεις ή ακόμη και μεγάλες επιδόσεις, αλλά αυτή ήταν σχεδόν τέλεια”, δήλωσε η Lucile Neyton, Ph.D., μεταδιδακτορική ερευνήτρια στο εργαστήριο Calfee και πρώτη συνσυγγραφέας της μελέτης. “Με τη χρήση αυτής της προσέγγισης, έχουμε μια αρκετά καλή ιδέα για το τι προκαλεί τη νόσο και γνωρίζουμε με σχετικά μεγάλη εμπιστοσύνη αν ένας ασθενής έχει σήψη ή όχι”.
Η ομάδα ήταν επίσης ενθουσιασμένη όταν ανακάλυψε ότι μπορούσε να χρησιμοποιήσει αυτή τη συνδυασμένη μέθοδο ανίχνευσης της αντίδρασης του ξενιστή και του μικροβίου για τη διάγνωση της σήψης χρησιμοποιώντας δείγματα πλάσματος, τα οποία συλλέγονται συνήθως από τους περισσότερους ασθενείς στο πλαίσιο της συνήθους κλινικής περίθαλψης. “Το γεγονός ότι μπορείτε πραγματικά να αναγνωρίσετε ασθενείς με σήψη από αυτόν τον ευρέως διαθέσιμο, εύκολο στη συλλογή τύπο δείγματος έχει μεγάλες επιπτώσεις όσον αφορά την πρακτική χρησιμότητα”, δήλωσε ο Langelier. Η ιδέα για το έργο προήλθε από προηγούμενη έρευνα των Langelier, Kalantar, Calfee, του ερευνητή του Πανεπιστημίου της Καλιφόρνια, Σαν Φρανσίσκο (UCSF) και προέδρου του CZ Biohub Joe DeRisi, Ph.D., και των συνεργατών τους, στην οποία χρησιμοποίησαν το mNGS για την αποτελεσματική διάγνωση λοιμώξεων του κατώτερου αναπνευστικού συστήματος σε ασθενείς σε κρίσιμη κατάσταση. Επειδή η μέθοδος λειτούργησε τόσο καλά, “θέλαμε να δούμε αν ο ίδιος τύπος προσέγγισης θα μπορούσε να λειτουργήσει στο πλαίσιο της σήψης”, δήλωσε ο Kalantar.
Ευρύτερες επιπτώσεις
Η ομάδα ελπίζει να βασιστεί σε αυτή την επιτυχημένη διαγνωστική τεχνική αναπτύσσοντας ένα μοντέλο που μπορεί επίσης να προβλέψει την αντοχή στα αντιβιοτικά από παθογόνα που ανιχνεύονται με αυτή τη μέθοδο. “Είχαμε κάποια επιτυχία να το κάνουμε αυτό για τις αναπνευστικές λοιμώξεις, αλλά κανείς δεν έχει καταλήξει σε μια καλή προσέγγιση για τη σήψη”, δήλωσε ο Langelier. Επιπλέον, οι ερευνητές ελπίζουν ότι τελικά θα είναι σε θέση να προβλέψουν τα αποτελέσματα των ασθενών με σήψη, “όπως η θνησιμότητα ή η διάρκεια παραμονής στο νοσοκομείο, γεγονός που θα παρέχει βασικές πληροφορίες που θα επιτρέψουν στους κλινικούς γιατρούς να φροντίζουν καλύτερα τους ασθενείς τους και να συνδυάζουν τους πόρους με τους ασθενείς που τους χρειάζονται περισσότερο”, δήλωσε ο Langelier. “Υπάρχουν πολλές δυνατότητες για νέες προσεγγίσεις αλληλουχίας όπως αυτή που θα μας βοηθήσουν να προσδιορίσουμε με μεγαλύτερη ακρίβεια τα αίτια της κρίσιμης ασθένειας ενός ασθενούς”, πρόσθεσε ο Calfee. “Αν μπορούμε να το κάνουμε αυτό, είναι το πρώτο βήμα προς την ιατρική ακριβείας και την κατανόηση του τι συμβαίνει σε ατομικό επίπεδο ασθενούς”.