據估計，敗血症- 一種免疫系統對感染作出過度反應的情況每年在全世界造成20%的死亡，在美國造成大約20%到50%的醫院死亡。其頻率和嚴重性對於生命而言是相當大的威脅，但這種情況在識別和有效治療方面卻一直很有挑戰性。

加州大學舊金山分校傳染病科醫學副教授、CZ生物中心研究員Chaz Langelier博士是一項研究的資深作者，他描述了一種非常準確的敗血症診斷工具。資料來源：CZ生物孵化器

這種疾病可能導致基本器官的血流減少，廣泛的炎症和不規則的血液凝結。因此，如果不及時診斷和治療，膿毒症可能導致休克、器官衰竭和死亡。然而，確定哪種病原體導致敗血症，或者確定血液中或身體其他地方是否存在感染，可能是一個挑戰。此外，在許多症狀類似於敗血症的情況下，要評估病人是否真的有感染可能很困難。

來自陳·扎克伯格生物中心、陳·扎克伯格倡議和加州大學舊金山分校的研究人員現在創造了一種新的診斷方法，採用機器學習來分析來自宿主和病原體的高級基因組學數據，以識別和預測膿毒症病例。據報導，該方法出乎意料地準確，有可能遠遠超過目前的診斷技能。研究人員的發現最近發表在《自然-微生物學》雜誌上。

“敗血症是人類面臨的十大公共衛生問題之一，”高級作者Chaz Langelier醫學博士說，他是加州大學舊金山分校傳染病科的醫學副教授和CZ生物中心研究員。”關鍵挑戰之一是診斷。現有的診斷測試無法捕捉到該疾病的兩面性–感染本身和宿主對感染的免疫反應”。

據新方法背後的研究人員稱，目前的敗血症診斷側重於通過培養細菌來檢測細菌，這一過程”對於適當的抗生素治療至關重要，而抗生素治療對於敗血症的存活也至關重要”。但是培養這些病原體很耗時，而且並不總是能正確識別導致感染的細菌。這就類似於對於病毒感染而言，PCR測試可以檢測到病毒正在感染病人，但並不總是能識別導致疾病的特定病毒。

Langelier說：”這導致臨床醫生在估計30-50%的病例中無法確定敗血症的原因。這也導致了抗生素治療和造成問題的病原體的不匹配”。

在沒有明確診斷的情況下，醫生往往開出雞尾酒式的抗生素，以努力阻止感染，但過度使用抗生素已導致全球範圍內抗生素耐藥性增加。加州大學舊金山分校醫學和麻醉學教授、這項新研究的共同第一作者卡羅琳-卡爾菲（Carolyn Calfee）說：”作為醫生，我們永遠不想錯過一個感染病例。但是如果我們有一個測試可以幫助我們準確地確定誰沒有感染，那麼這可以幫助我們在這些情況下限制抗生素的使用，這對我們所有人來說都是非常好的結果。”

消除模糊性

研究人員分析了2010年至2018年期間在加州大學舊金山分校醫療中心或扎克伯格舊金山綜合醫院住院的350多名重症患者的全血和血漿樣本。由CZ Biohub科學家Norma Neff博士和Angela Pisco博士領導的團隊沒有依靠培養物來識別這些樣本中的病原體，而是採用了元基因組下一代測序（mNGS）。這種方法可以識別樣品中存在的所有核酸或遺傳數據，然後將這些數據與參考基因組進行比較，以確定存在的微生物生物。這種技術使科學家能夠識別存在於同一樣品中的完全不同生物界的遺傳物質–無論是細菌、病毒還是真菌。

然而，僅僅檢測和識別病原體的存在還不足以進行準確的敗血症診斷，因此Biohub的研究人員還進行了轉錄分析–對基因表達進行量化以捕捉病人對感染的反應。

接下來，他們將機器學習應用於mNGS和轉錄數據，以區分膿毒症和其他危重疾病從而確認診斷。CZI的首席計算生物學家、該研究的共同第一作者Katrina Kalantar博士創建了一個綜合的宿主-微生物模型，該模型是根據已確定為敗血症或非感染性系統性炎症疾病的患者的數據進行訓練的，這使得敗血症的診斷具有極高的準確性。

Kalantar解釋說：”我們通過查看一堆元基因組學數據和傳統臨床測試的結果來開發這個模型。首先，研究人員確定了確診的敗血症患者和非感染性系統性炎症患者之間的基因表達變化，這些變化在臨床上看起來很相似，然後使用機器學習來確定能夠最好地預測這些變化的基因。”

研究人員發現，當傳統的細菌培養確定了導致敗血症的病原體時，在用mNGS分析的相應血漿樣本中通常會有過多的來自該病原體的遺傳物質。考慮到這一點，Kalantar對模型進行了編程，以確定與樣本中的其他微生物相比，存在著不成比例的高豐度的生物體，然後將這些生物體與知名的敗血症致病微生物的參考指數進行比較。

“除此之外，我們還注意到檢測到的任何病毒，即使它們的水平較低，因為這些病毒確實不應該出現，”Kalantar解釋說。”有了這套相對簡單的規則，我們能夠做得很好。”

幾乎完美”的表現

研究人員發現，mNGS方法和他們相應的模型比預期的效果更好。他們能夠識別99%的確診細菌性敗血症病例，92%的確診病毒性敗血症病例，並且能夠預測74%尚未明確診斷的臨床懷疑病例的敗血症。

Calfee實驗室的博士後研究員、該研究的共同第一作者Lucile Neyton博士說：”我們期待著良好的表現，甚至是偉大的表現，但這幾乎是完美的，通過使用這種方法，我們對導致疾病的原因有了相當好的了解，而且我們以相對較高的信心知道一個病人是否患有敗血症。”

該團隊還興奮地發現，他們可以使用這種結合了宿主反應和微生物檢測的方法來診斷敗血症，而血漿樣本是作為標準臨床護理的一部分從大多數病人那裡例行收集的。Langelier說：”實際上可以從這種廣泛可用的、易於收集的樣本類型中識別敗血症患者，這在實際效用方面具有重大意義。”

這項工作的想法源於Langelier、Kalantar、Calfee、加州大學舊金山分校研究員和CZ生物中心主席Joe DeRisi博士及其同事之前的《國家科學院院刊》研究，在該研究中，他們使用mNGS有效地診斷危重病人的下呼吸道感染。由於該方法效果很好，”我們想看看同樣類型的方法是否能在敗血症的情況下發揮作用，”Kalantar說。

更廣泛的影響

該團隊希望在這一成功的診斷技術的基礎上，開發一個模型，該模型也可以預測用這種方法檢測到的病原體的抗生素抗性。”我們已經在呼吸道感染方面取得了一些成功，但沒有人想出一個好的方法來治療敗血症，”Langelier說。此外，研究人員希望最終能夠預測敗血症患者的結果，”如死亡率或住院時間，這將提供關鍵信息，使臨床醫生能夠更好地照顧他們的病人，並將資源匹配給最需要的病人。”

“像這樣的新型測序方法有很大的潛力，可以幫助我們更精確地確定病人的危急疾病的原因，”Calfee補充說。”如果我們能做到這一點，這是邁向精準醫療和了解個別病人情況的第一步”。