Sepsio polimorfiškumo problemos sprendimas – fenotipinis klasifikavimas. Sepsio fenotipinės grupės ir jų sąsajos su ligos prognoze, individualizuoto gydymo galimybėmis bei gydymo išeitimis
Recenzentas / Reviewer |
Augustina Tamošiūnaitė. SEPSIO POLIMORFIŠKUMO PROBLEMOS SPRENDIMAS – FENOTIPINIS KLASIFIKAVIMAS. SEPSIO FENOTIPINĖS GRUPĖS IR JŲ SĄSAJOS SU LIGOS PROGNOZE, INDIVIDUALIZUOTO GYDYMO GALIMYBĖMIS BEI GYDYMO IŠEITIMIS Tyrimo tikslas. Atrinkti ir išanalizuoti publikacijas apie sepsio fenotipus bei jų ryšį su gydymo strategijomis, prognoze ir išeitimis. Uždaviniai. 1. Išanalizuoti mokslinės literatūros šaltinius ir identifikuoti esminius klinikinius sepsio fenotipus. 2. Įvertinti, kaip moksliniai tyrimai apie sepsio fenotipus prisideda prie individualizuoto gydymo koncepcijos ir pasirinkimo klinikinėje praktikoje. 3. Atlikti analizę, siekiant nustatyti klinikinių sepsio fenotipų ryšį su ligos prognoze bei išeitimis. Metodai. Atlikta sisteminė literatūros apžvalga naudojant „PubMed“ duomenų bazę. Remiantis įtraukimo ir atmetimo kriterijais į tyrimą įtraukti 9 straipsniai. Rezultatai. Fenotipas – vienodą požymių (tokių kaip klinikiniai, biologiniai, molekuliniai ar genetiniai) rinkinį turinčių organizmų grupė. Nėra jokio „auksinio“ standarto, kaip klasifikuoti sepsio fenotipus. Naudojant skirtingus klinikinių požymių, biologinių, molekulinių ir (ar) genetinių charakteristikų grupavimo metodus galima aptikti vis kitus sepsio fenotipus, kurie gali užfiksuoti skirtingus pacientų heterogeniškumo aspektus. Biomarkeriams tenka vis svarbesnis vaidmuo identifikuojant fenotipus, tikimasi, kad jų įtraukimas į sepsio fenotipų klasifikavimą gali būti esminis žingsnis siekiant individualizuoto gydymo ar ieškant taikinių terapijos galimybių. Šiuo metu moksliniuose tyrimuose dominuoja šie sepsio fenotipai: α, β, γ, δ; hiperuždegiminis ir hipouždegiminis; normolipoproteininis ir hipolipoproteininis. Šių fenotipų nustatymo metodikos ir algoritmai neturi aiškių tarpusavio sąsajų, nes atskiros fenotipinės grupės pasižymi dideliu polimorfiškumu. Polimorfiškumas apsunkina individualizuoto gydymo standarto nustatymo galimybes. Perspektyvi kryptis – didelių klinikinių duomenų masyvų analizė pasitelkiant dirbtinį intelektą identifikuoti fenotipinėms grupėms, kurios turi aiškių sąsajų su rizikos veiksniais, ligos prognoze, individualizuoto gydymo pritaikymo galimybėmis ir pacientų išgyvenamumo bei gydymo rezultatais. Naudojant giluminio mokymosi metodus, atliekant įprastinius kraujo tyrimus, galima tiksliai numatyti sepsiu sergančių pacientų mirties riziką. Tačiau didžioji dalis literatūros apie mašininio mokymosi modelius ir sepsio biomarkerius apsiriboja mažomis grupėmis ir retrospektyvinėmis analizėmis, todėl siekiant geresnių rezultatų reikalingi prospektyvūs tyrimai su didelėmis grupėmis. Kol kas nėra aišku, kaip fenotipinis klasifikavimo principas bus įdiegtas į klinikinę sepsio gydymo praktiką. Išvados. 1. Remiantis išanalizuotais mokslinės literatūros šaltiniais buvo identifikuoti ir išryškinti esminiai klinikiniai sepsio fenotipai: α, β, γ, δ; hiperuždegiminis ir hipouždegiminis; normolipoproteininis ir hipolipoproteininis. 2. Stebima didelė sepsio fenotipų klasifikacijų įvairovė, tačiau tarp jų nėra aiškių tarpusavio sąsajų atsižvelgiant į pacientų klasifikaciją ir klinikines charakteristikas. 3. Moksliniai tyrimai apie sepsio fenotipus taikant mašininį mokymąsi prisideda prie individualizuoto gydymo koncepcijos, kuriant rekomendacijas ir prognostinius įrankius, identifikuojant rizikos veiksnius. 4. Suklasifikavus pacientus pagal sepsio fenotipus ir naudojant įprastinius klinikinius duomenis bei pasitelkus dirbtinį intelektą galima prognozuoti ligos eigą ir mirties riziką.
Augustina Tamošiūnaitė. SOLUTION TO SEPSIS POLYMORPHISM - PHENOTYPIC CLASSIFICATION. SEPSIS PHENOTYPIC GROUPS AND THEIR ASSOCIATION WITH DISEASE PROGNOSIS, INDIVIDUALIZED TREATMENT OPTIONS, AND OUTCOMES Aim of the study. Select and analyze publications on sepsis phenotypes and their relationship with treatment strategies, prognosis, and outcomes. Objectives. 1. Analyze scientific literature to identify the key clinical phenotypes of sepsis. 2. Evaluate how scientific research on sepsis phenotypes contributes to the concept and selection of individualized treatment in clinical practice. 3. Conduct an analysis to determine the association of clinical sepsis phenotypes with disease prognosis and outcomes. Methods. A systematic literature review was conducted using the Pubmed database. Based on the inclusion and exclusion criteria, 9 articles were included in the study. Results. A phenotype is a group of organisms that share the same set of characteristics (such as clinical, biological, molecular, or genetic). There is no gold standard for classifying sepsis phenotypes. Using different clustering methods for clinical features, biological, molecular and/or genetic characteristics, different sepsis phenotypes can be detected, which may capture different aspects of patient heterogeneity. Biomarkers - play an increasing role in the identification of phenotypes, it is expected that their inclusion in the classification of sepsis phenotypes can be a crucial step in the pursuit of individualized treatment or in the search for targeted therapy opportunities. Currently, the following sepsis phenotypes are dominant in scientific research: α, β, γ, δ; hyper-inflammatory, hypo-inflammatory; hyper-lipoproteinemic and hypo-lipoproteinemic. The methodologies and algorithms for identifying these phenotypes do not have clear associations with each other, leading to significant polymorphism within separate phenotypic groups. Polymorphism complicates the possibilities of establishing a standard for individualized treatment. A promising direction is the analysis of large clinical datasets with the assistance of artificial intelligence to identify phenotypic groups that have clear associations with risk factors, disease prognosis, possibilities of individualized treatment adaptation, and patient survival and treatment outcomes. Using deep learning methods, and conducting routine blood tests, the risk of death in patients with sepsis can be accurately predicted. However, the majority of literature on machine learning models and biomarkers in sepsis is limited to small groups and retrospective analyses, necessitating prospective studies with large cohorts for better results. Currently, it is unclear how the principle of phenotypic classification will be implemented in clinical sepsis treatment practice. Conclusions. 1. Based on the analyzed scientific literature sources, key clinical sepsis phenotypes were identified and highlighted: α, β, γ, δ; hyper-inflammatory, hypo-inflammatory; normolipoprotein and hypo-lipoprotein. 2. There is a significant diversity in sepsis phenotype classifications, but there are no clear correlations among them regarding patient classification and clinical characteristics. 3. Scientific research on sepsis phenotypes, employing machine learning, contributes to the concept of individualized treatment by creating recommendations and prognostic tools and identifying risk factors. 4. By classifying patients into phenotypes and using routine clinical data, with the assistance of artificial intelligence, disease progression and mortality risk can be predicted.