به گزارش پایگاه اطلاع‌رسانی بنیان، مطالعه‌ای نوآورانه با ترکیب تحلیل ترکیبات آلی فرار (VOCs) بازدمی و نشانگرهای زیستی سرمی، مدل‌هایی با دقت بالا برای پیش‌بینی شدت عفونت‌های تنفسی ارائه کرده است. این پژوهش با بررسی ۸۶ بیمار کووید-۱۹، ۷۵ بیمار با عفونت‌های غیرکوویدی و ۷۲ فرد سالم، نشان داد که مدل‌های یادگیری ماشینی مبتنی بر Random Forest می‌توانند شدت بیماری را با دقت ۹۳ درصد برای کووید-۱۹ و ۸۹ درصد برای عفونت‌های غیرکوویدی پیش‌بینی کنند. این روش غیرتهاجمی می‌تواند به تشخیص زودهنگام و مدیریت بهتر بیماران کمک کند. 

اهمیت پیش‌بینی شدت عفونت‌های تنفسی
عفونت‌های تنفسی، از جمله کووید-۱۹ و سایر بیماری‌های مشابه، به دلیل تنوع علائم و شدت غیرقابل‌پیش‌بینی، چالش‌های بزرگی برای سیستم‌های بهداشتی ایجاد می‌کنند. التهاب بیش‌ازحد در پاسخ به عفونت‌ها یکی از عوامل اصلی مرگ‌ومیر در موارد شدید است. شناسایی زودهنگام بیمارانی که در معرض خطر شدت بیماری هستند، می‌تواند به بهینه‌سازی درمان و تخصیص منابع کمک کند. در این راستا، مطالعه‌ای جدید با استفاده از ترکیبات آلی فرار (VOCs) بازدمی و نشانگرهای زیستی سرمی، رویکردی نوین برای پیش‌بینی شدت بیماری ارائه کرده است.

روش‌شناسی پیشرفته مطالعه
این پژوهش آینده‌نگر از نوامبر ۲۰۲۱ تا ژوئیه ۲۰۲۳ در بیمارستان کلینیکو یونیورسیتاریو لوزانو بلسا در اسپانیا انجام شد. نمونه‌ها از ۸۶ بیمار کووید-۱۹، ۷۵ بیمار با عفونت‌های تنفسی غیرکوویدی و ۷۲ فرد سالم جمع‌آوری شد. بیماران بر اساس نیاز به حمایت اکسیژنی به گروه‌های خفیف و شدید تقسیم شدند. برای تحلیل VOCs از روش میکرواستخراج فاز جامد همراه با کروماتوگرافی گازی-طیف‌سنجی جرمی (SPME/GC-MS) و برای اندازه‌گیری نشانگرهای سرمی از آرایه چندگانه مهره‌ای استفاده شد. داده‌ها با الگوریتم‌های یادگیری ماشینی تحلیل شدند.

تفاوت‌های پروفایل VOCs بین گروه‌ها
تحلیل اجزای اصلی (PCA) نشان داد که پروفایل VOCs در بیماران کووید-۱۹، غیرکوویدی و افراد سالم تفاوت‌های قابل‌توجهی دارد. متیل‌ایزوبوتیل‌کتون (MIBK) و m,p-زایлен به‌عنوان متغیرهای کلیدی شناسایی شدند. سطح هگزان، اتیل‌بنزن و لیمونن در بیماران کووید-۱۹ نسبت به افراد سالم بالاتر بود، درحالی‌که تولوئن و اسید پروپانوئیک کاهش یافتند. در بیماران غیرکوویدی، MIBK و ایزوپروپانول کمتر از گروه سالم بودند. این تفاوت‌ها نشان‌دهنده الگوهای متابولیکی متمایز در هر گروه است که می‌تواند برای تشخیص استفاده شود.

نقش نشانگرهای زیستی سرمی در تمایز گروه‌ها
سطوح سیتوکین‌هایی مانند IL-2، IL-8، IL-17، TNF-α، E-سلکتین و گرانزیم A در بیماران غیرکوویدی به‌طور معنی‌داری بالاتر از بیماران کووید-۱۹ بود، درحالی‌که VCAM-1 در کووید-۱۹ افزایش یافت. CXCL10، فاکتور بافت (TF) و ترومبومدولین (TM) در برخی خوشه‌های کووید-۱۹ بالا بودند، اما در بیماران غیرکوویدی کاهش یافتند. این تفاوت‌ها نشان‌دهنده پاسخ‌های ایمنی متفاوتی در این دو گروه است که می‌تواند به‌عنوان مبنایی برای پیش‌بینی شدت بیماری استفاده شود.

عملکرد مدل‌های یادگیری ماشینی
مدل‌های یادگیری ماشینی شامل Random Forest، SVM، KNN، شبکه‌های عصبی مصنوعی و رگرسیون لجستیک آزمایش شدند. مدل Random Forest بهترین عملکرد را داشت. برای کووید-۱۹، این مدل با دقت ۹۳ درصد، حساسیت ۱۰۰ درصد و ویژگی ۸۹ درصد عمل کرد و IL-6، IL-8، ترومبومدولین و تولوئن را به‌عنوان پیش‌بینی‌کننده‌های کلیدی شناسایی کرد. برای عفونت‌های غیرکوویدی، دقت ۸۹ درصد، حساسیت ۱۰۰ درصد و ویژگی ۶۷ درصد بود، با CXCL10 و MIBK به‌عنوان نشانگرهای اصلی. این نتایج نشان‌دهنده پتانسیل بالای این مدل‌ها برای کاربرد بالینی است.

تحلیل ویژگی‌های کلیدی مدل‌ها
تحلیل Mean Decrease Gini (MDG) نشان داد که در بیماران کووید-۱۹، IL-6، IL-8 و تولوئن مهم‌ترین متغیرها هستند، درحالی‌که در بیماران غیرکوویدی، CXCL10 و MIBK نقش کلیدی دارند. تحلیل SHAP تأیید کرد که سطوح بالاتر IL-6، IL-8 و تولوئن با احتمال بیشتر شدت بیماری در کووید-۱۹ مرتبط است. در مقابل، سطوح پایین‌تر MIBK و CXCL10 در بیماران غیرکوویدی با شدت بیماری ارتباط داشت. این یافته‌ها نقش متفاوت متابولیت‌ها و سیتوکین‌ها را در هر گروه برجسته می‌کند.

توضیح‌پذیری مدل با SHAP و LIME
برای رفع ماهیت جعبه سیاه مدل‌های یادگیری ماشینی، از روش‌های SHAP و LIME برای توضیح پیش‌بینی‌ها استفاده شد. در بیماران کووید-۱۹، LIME نشان داد که سطوح پایین 1-بوتانول و o-زایлен احتمال خفیف بودن بیماری را افزایش می‌دهد، درحالی‌که اتیل‌بنزن و تولوئن از شدت بیماری حمایت می‌کنند. در بیماران غیرکوویدی، اسید پروپانوئیک و ICAM-1 برای پیش‌بینی خفیف بودن و vWF A2 برای شدت بیماری کلیدی بودند. این تحلیل‌ها اعتماد به پیش‌بینی‌های مدل را افزایش می‌دهند.

تأیید یافته‌های قبلی و کشف‌های جدید
نتایج این مطالعه با تحقیقات قبلی همخوانی دارد، مانند افزایش هگزان و اتیل‌بنزن در کووید-۱۹ و کاهش تولوئن نسبت به افراد سالم. کشف تفاوت‌هایی در سطوح ترپن‌ها (مانند α-پینن و لیمونن) و MIBK که قبلاً گزارش نشده بودند، ارزش این پژوهش را افزایش می‌دهد. همچنین، نقش برجسته IL-6 و IL-8 در پیش‌بینی شدت کووید-۱۹ با مطالعات پیشین تأیید شد، اما شناسایی MIBK به‌عنوان نشانگر کلیدی در عفونت‌های غیرکوویدی یک یافته جدید است.

مزایای رویکرد غیرتهاجمی
تحلیل VOCs از بازدم به دلیل غیرتهاجمی بودن، سرعت بالا و هزینه پایین، گزینه‌ای ایده‌آل برای غربالگری و پیش‌بینی است. ترکیب این داده‌ها با نشانگرهای سرمی، دقت تشخیص را بهبود می‌بخشد و امکان تمایز بین عفونت‌های مشابه را فراهم می‌کند. این رویکرد می‌تواند در شرایط همه‌گیری یا در محیط‌های با منابع محدود، به مدیریت بهتر بیماران کمک کند و بار سیستم‌های بهداشتی را کاهش دهد.

محدودیت‌ها و جهت‌گیری‌های آینده
این مطالعه با وجود نتایج امیدوارکننده، نیاز به اعتبارسنجی در گروه‌های بزرگ‌تر و مستقل دارد. تنوع بیماری‌ها در گروه غیرکوویدی ممکن است بر نتایج تأثیر گذاشته باشد. همچنین، عوامل محیطی و رژیم غذایی می‌توانند بر پروفایل VOCs اثر بگذارند که در این پژوهش بررسی نشدند. تحقیقات آینده باید این متغیرها را در نظر بگیرند و مدل‌ها را در تنظیمات بالینی واقعی آزمایش کنند.

جمع‌بندی و تأثیر بالینی
این پژوهش برای اولین بار نشان داد که ترکیب VOCs و نشانگرهای زیستی سرمی می‌تواند شدت عفونت‌های تنفسی را با دقت بالا پیش‌بینی کند. مدل‌های Random Forest با ارائه پیش‌بینی‌های قابل‌اعتماد و توضیح‌پذیر، پتانسیل تغییر در مدیریت بالینی را دارند. با اعتبارسنجی بیشتر، این روش می‌تواند به ابزاری استاندارد برای تشخیص زودهنگام و بهبود نتایج بیماران تبدیل شود.

پایان مطلب/.