CN113671078B - 一种基于代谢组学的脓毒症预后模型建立方法 - Google Patents
一种基于代谢组学的脓毒症预后模型建立方法 Download PDFInfo
- Publication number
- CN113671078B CN113671078B CN202110946421.3A CN202110946421A CN113671078B CN 113671078 B CN113671078 B CN 113671078B CN 202110946421 A CN202110946421 A CN 202110946421A CN 113671078 B CN113671078 B CN 113671078B
- Authority
- CN
- China
- Prior art keywords
- data
- group
- sepsis
- day
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
- G01N30/8679—Target compound analysis, i.e. whereby a limited number of peaks is analysed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
- G01N2030/065—Preparation using different phases to separate parts of sample
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于代谢组学的脓毒症预后模型建立方法,属于医疗大数据技术领域,包括通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化,然后,使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模,建立脓毒症预后模型,解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化,使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题,本发明将血浆代谢物作为重要因素构建预后模型,使预后模型对数据的灵敏度提高,从而提高了预后模型的数据价值。
Description
技术领域
本发明属于医疗大数据技术领域,涉及一种基于代谢组学的脓毒症预后模型建立方法。
背景技术
脓毒症(Sepsis)是宿主对感染的反应失调而导致危及生命的器官功能障碍的综合征,一旦发病,进展十分迅速。尽管过去几年关于脓毒症的诊断和治疗已取得巨大进步,但脓毒症的发病率和病死率仍居高不下。此外,与脓毒症相关医疗及护理的费用也在逐年上升,例如,在美国每年治疗脓毒症花费超过240亿美元。大量研究表明,及时判断脓毒症患者预后并精准治疗能够显著降低患者的病死率,改善患者的预后。因此,对于脓毒症患者的预后做出及时准确的判断变得尤为重要。目前在临床上,有一些生物标志物,如降钙素原(procalcitonin,PCT)、C反应蛋白(Creactive protein,CRP)、白介素-6(interleukin-6,IL-6)等,可用于脓毒症患者的预后监测,但由于其特异性不强或敏感性不高而受到限制。因此,迫切需要找到一种可用于监测脓毒症患者预后的新方法。
代谢组学是一个快速发展的生命科学领域,它使用先进的分析化学技术结合复杂的统计方法来全面表征代谢组。代谢组是指在给定的细胞、器官、生物流体或生物体中发现的代谢物或小分子化学物质的完整集合。代谢物包括脂类、氨基酸、核酸、糖、有机酸等内源性化合物,它们对生长、发育和许多关键生理功能至关重要。与其他组学技术不同的是,代谢组学可以直接反映出某一时间段内生物体内细胞的状态和生化活动。近些年来,代谢组学在生物医学的应用也越来越多,例如鉴定生物标志物、鉴定新型药物活性或药物毒性中代谢途径的变化。当周边环境改变或机体遗传修饰改变,则机体代谢物质也会随之变化,这种特性为寻找疾病的生物标志物、探索病理生理机制和研究相关代谢通路提供新思路。
发明内容
本发明为解决上述技术问题,本发明的目的是提供一种基于代谢组学的脓毒症预后模型建立方法,解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化,使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题。
为实现上述目的,本发明采用如下技术方案:
一种基于代谢组学的脓毒症预后模型建立方法,包括通过LC/MS方法对数名脓毒症患者诊断后的24小时内的血浆样本分别进行检测和分析,通过数据采集服务器采集血浆样本的分析结果;分析结果包括血浆样本的VIP值、FC值和P值;
数据采集服务器对分析结果进行筛选,根据患者的状况将分析结果分为存活组和死亡组,并筛选得到存活组和死亡组之间的差异代谢物数据;
数据采集服务器获取患者的电子临床数据,对电子临床数据进行单因素分析,筛选出存活组和死亡组之间差异具有统计学意义的临床指标数据;
数据采集服务器将临床指标数据和差异代谢物数据均发送给数据中心进行处理,数据中心形成历史数据集,并将历史数据集中的数据划分为28天结局指标、院内结局指标和90天结局指标,28天数据包括存活组28天数据28ds和死亡组28天数据28dD,院内数据包括存活组院内数据数据HOS-survival和死亡组院内数据HOS-death,90天数据包括存活组90天数据数据90dS和死亡组90天数据90dD;
数据中心根据历史数据集中的临床指标数据和差异代谢物数据,根据28天数据、院内数据和90天数据分别构建预后模型:
以28天结局指标为因变量,选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleaceticacid、3-Methylene-indolenine、HR、Respiratory support和Application of pressordrugs为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-10.44+0.605×Indoleacetic acid+0.615×3-Methylene-indolenine+0.03×HR+1.88×Respiratory support+1.835×Application of pressordrugs)));
以院内结局指标为因变量,选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#、ALP、SOFA和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-3.424+1.307×Lymph#-0.01×ALP+0.182×SOFA+0.551×L-alpha-Amino-1H-pyrrole-1-hexanoic-acid)));
以90d结局指标为因变量,选择90d的27种差异代谢物和单因素分析中差异具有统计学意义的9种临床指标为自变量进行多因素Logistic回归分析,筛选出Pyrrolidine、Dopamine、HR、Respiratory support和Appl ication of pressor drugs为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-11.403-3.983×Pyrrol idine+5.613×Dopamine+0.025×HR+2.499×Respiratory support+1.72×Application of pressor drugs)))。
优选的,数据采集服务器采集血浆样本的分析结果包含了收集纳入临床研究的脓毒症患者的28天、院内和90天的结局数据,共分为三个数据集,即28天结局指标、院内结局指标和90天结局指标,每组根据脓毒症患者在观察时间点的存活状态分为存活组和死亡组。
优选的,中心服务器还对数据进行提取、保留时间矫正、峰识别、峰提取、峰积分和峰对齐的预处理工作,经总面积归一化预处理后生成由保留时间RT,质荷比m/z和峰强度组成的数据矩阵,通过OPLS-DA模型中VIP识别区分存活组和死亡组之间的差异代谢物。
优选的,中心服务器采用Kolmogorov-Smirnova检验连续变量与正态分布的一致性,通过学生t检验对符合正态分布的测量数据进行了分析,采用非参数检验的MannWhitney U检验分析不符合正态分布的测量数据;并对分类数据进行卡方检验;
使用存活组和死亡组之间的统计学显著性变量分别构建28d,院内和90d的二分类Logistic回归模型,绘制ROC曲线。
优选的,中心服务器所有的统计分析过程均为双侧检验,P值<0.05为差异具有统计学意义。
优选的,中心服务器采用二分类Logistic回归模型分析质谱数据,筛选出潜在的生物标志物,使用逐步二元Logistic回归模型进行多元统计分析,绘制ROC曲线,记录计算AUC的值。
本发明的有益效果:
本发明所述的一种基于代谢组学的脓毒症预后模型建立方法,解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化,使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题,本发明将血浆代谢物作为重要因素构建预后模型,使预后模型对数据的灵敏度提高,从而提高了预后模型的数据价值。
附图说明
图1为本发明的Indoleacetic acid、3-Methylene-indolenine、HR、Respiratorysupport和Appl ication of pressor drugs联合对于脓毒症患者28天预后的受试者工作特征曲线示意图;
图2是本发明的Lymph#、ALP、SOFA和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid联合对于脓毒症患者院内预后的受试者工作特征曲线示意图;
图3是本发明的Pyrrolidine、Dopamine、HR、Respiratory support和Applicationof pressor drugs联合对于脓毒症患者90天预后的受试者工作特征曲线示意图。
具体实施例方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图3中,Sensitivity为敏感度;1-specificity为1-特异度;AUC为受试者工作特征曲线;95%CI为95%可信区间。
如图1-3所示的一种基于代谢组学的脓毒症预后模型建立方法,包括通过LC/MS方法对数名脓毒症患者诊断后24小时内的血浆样本分别进行检测和分析,通过数据采集服务器采集血浆样本的分析结果;分析结果包括血浆样本的VIP值、FC值和P值;
本实施例中,根据脓毒症3.0诊断标准,共纳入了96名脓毒症患者。
数据采集服务器对分析结果进行筛选,根据患者的状况将分析结果分为存活组和死亡组,并筛选得到存活组和死亡组之间的差异代谢物数据;
存活组和死亡组的判定是根据患者在28天、院内、90天时的生存状态来划分的,这里只是根据VIP、FC、P值来筛选差异代谢物。
数据采集服务器获取患者的电子临床数据,对电子临床数据进行单因素分析,筛选出存活组和死亡组之间差异具有统计学意义的临床指标数据;
数据采集服务器将临床指标数据和差异代谢物数据均发送给数据中心进行处理,数据中心形成历史数据集,并将历史数据集中的数据划分为28天结局指标、院内结局指标和90天结局指标,28天数据包括存活组28天数据28ds和死亡组28天数据28dD,院内数据包括存活组院内数据数据HOS-survival和死亡组院内数据HOS-death,90天数据包括存活组90天数据数据90dS和死亡组90天数据90dD;
数据中心根据历史数据集中的临床指标数据和差异代谢物数据,根据28天数据、院内数据和90天数据分别构建预后模型:
以28天结局指标为因变量,选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleaceticacid(吲哚乙酸)、3-Methylene-indolenine(3-亚甲基吲哚)、HR(心率)、Respiratorysupport(呼吸支持)和Application of pressor drugs(升压药使用)为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-10.44+0.605×Indoleacetic acid+0.615×3-Methylene-indolenine+0.03×HR+1.88×Respiratory support+1.835×Application of pressordrugs)));
以院内结局指标为因变量,选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#(淋巴细胞数)、ALP(碱性磷酸酶)、SOFA(序贯器官衰竭评分)和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid(L-α-氨基-1H-吡咯-1-己酸)为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-3.424+1.307×Lymph#-0.01×ALP+0.182×SOFA+0.551×L-alpha-Amino-1H-pyrrole-1-hexanoic-acid)));
以90d结局指标为因变量,选择90d的27种差异代谢物和单因素分析中差异具有统计学意义的9种临床指标为自变量进行多因素Logistic回归分析,筛选出Pyrrol idine(吡咯烷)、Dopamine(多巴胺)、HR(心率)、Respiratory support(呼吸支持)和Application ofpressor drugs(升压药使用)为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-11.403-3.983×Pyrrol idine+5.613×Dopamine+0.025×HR+2.499×Respiratory support+1.72×Application of pressor drugs)))。
优选的,数据采集服务器采集血浆样本的分析结果包含了收集纳入临床研究的脓毒症患者的28天、院内和90天的结局数据,共分为三个数据集,即28天结局指标、院内结局指标和90天结局指标,每组根据脓毒症患者在观察时间点的存活状态分为存活组和死亡组。
本实施例中,收集纳入患者24小时内的临床指标和血浆样本,使用EDTA真空抗凝管(紫头管)收集静脉血5ml,轻轻倒置数次混匀后,立即将抗凝管置于4℃冰箱。1h内在4℃,2000g条件下离心15分钟,在保持低温(4℃)的条件下,将上清分装,每管1ml,将分装后的样本放入已编号的冻存盒,置于-80℃冰箱保存待测。
本实施例对血浆样本前处理包括将血浆样本于-80℃冰箱内取出,4℃缓慢溶解后,移取50μl血浆至EP管中,加入150μl甲醇以及10μl内标品(0.5uM/L CA-d4,0.5uM/LCDCA-d4),涡旋混匀30s,14000转/分钟离心10分钟,取150μl上清于进样瓶中进样。从每个样品中取10μl混匀作为质量控制样品(Quality control samples,QC样品),然后取200μlQC样品用于代谢组学质控分析。
在本实施例中,对血浆样本采集数据的色谱条件为:色谱柱为ChromXP C18,3μm(0.3x150mm,SCIEX,美国);柱温:30℃;流动相:正离子为0.1%甲酸水(A)-乙腈(B),负离子为水(C)-乙腈(D);正离子模式使用18分钟的梯度洗脱方法,流速为5ul/min,洗脱的线性梯度从5%B开始,在接下来的1分钟内线性增加至25%,在另外9分钟内线性增加至95%,然后在2分钟内保持95%。随后,在1分钟内将B恢复至5%并再保持5min;负离子模式使用15分钟的梯度洗脱方法,流速为5ul/min,洗脱的线性梯度从5%B开始,在接下来的1分钟内线性增加至30%,在另外8分钟内线性增加至95%,然后在3分钟内保持95%。随后,在1分钟内将B恢复至5%并再保持2min。进样量为2.0μ。
对血浆样本采集数据的质谱条件为:数据采集服务器采用Peakview 2.0软件(AB,Milford,MA)进行数据采集和处理。正负离子扫描模式,离子源为电喷雾电离离子源(ESI),离子源温度和喷雾电压分别设定为350℃,5500V和350℃,-4500V。去簇电压,雾化气1,雾化气2,气帘气分别为80V,25psi,15psi和30psi。碰撞能量为35±15eV。质量扫描范围:m/z50-1000Da。此外,动态背景扣除和数据依赖性采集方法用于触发低水平成分的LC/MS的采集。
优选的,中心服务器还对数据进行提取、保留时间矫正、峰识别、峰提取、峰积分和峰对齐的预处理工作,经总面积归一化预处理后生成由保留时间RT,质荷比m/z和峰强度组成的数据矩阵,通过OPLS-DA模型中VIP识别区分存活组和死亡组之间的差异代谢物。
优选的,中心服务器采用Kolmogorov-Smirnova检验(柯尔莫可洛夫-斯米洛夫检验)连续变量与正态分布的一致性,通过学生t检验对符合正态分布的测量数据进行了分析,采用非参数检验的Mann Whitney U检验(曼-惠特尼秩和检验)分析不符合正态分布的测量数据;并对分类数据进行卡方检验;
使用存活组和死亡组之间的统计学显著性变量分别构建28d,院内和90d的二分类Logistic回归模型,绘制ROC曲线(英文全称为receiver operatingcharacteristiccurve,中文为受试者工作特征曲线),记录计算AUC(英文全称为areaunder curve,中文为曲线下面积)的值。
优选的,中心服务器所有的统计分析过程均为双侧检验,P值<0.05为差异具有统计学意义。
在本实施例中,中心服务器使用MarkerviewTM软件(版本1.4.1,Waters Co.,Milford,MA,USA)进行数据提取和保留时间矫正、峰识别、峰提取、峰积分、峰对齐等前处理工作。经总面积归一化预处理后生成由保留时间(RT),质荷比(m/z)和峰强度组成的数据矩阵。OPLS-DA用于多维复杂数据(SIMCA 14.1软件)。OPLS-DA模型中VIP用于识别区分存活组和死亡组之间的差异代谢物。使用学生t检验(SPSS 21.0,Chicago,IL)的统计学方法,选择VIP>1.0的代谢物进行统计学分析。VIP>1.0和P<0.05的代谢物是预期的差异标志物。
Kolmogorov-Smirnova检验用于连续变量与正态分布的一致性。通过学生t检验对符合正态分布的测量数据进行了分析,而非参数检验的Mann Whitney U检验用于分析不符合正态分布的测量数据。以及对分类数据进行卡方检验。此外,使用存活组和死亡组之间的统计学显著性变量分别构建28d,院内和90d Logistic回归模型。此外,绘制ROC曲线以评估其输出值。所有的统计分析过程均为双侧检验,P值<0.05为差异具有统计学意义。
优选的,中心服务器采用二分类Logistic回归模型分析质谱数据,筛选出潜在的生物标志物,使用逐步二元Logistic回归模型进行多元统计分析,绘制ROC曲线,记录计算AUC的值。
本实施例中,采用二分类Logistic回归模型分析质谱数据,筛选出潜在的生物标志物。首先使用逐步二元Logistic回归模型进行多元统计分析;绘制ROC曲线,通过计算AUC的值来判断诊断价值。
代谢通路分析是根据鉴定结果联合人类代谢组数据库(Human metabolitedatabase,HMDB)、KEGG、MetaboAnalyst 4.0等数据库及文献报道,结合二级质谱碎片信息进行结构鉴定和通路富集分析的生物学意义解释。使用R软件(R version 3.5.3,pheatmap包实现)生成差异代谢物的热图并显示变化趋势。
在本实施例中,影响脓毒症患者28d、院内、90d预后的临床指标的单因素分析如下:
与28dD比较,28dS患者的心率(Heart rate,HR)、血清胆碱酯酶、SOFA、APACHE-II、呼吸支持、升压药的应用水平明显降低,24h尿量水平明显升高,差异具有统计学意义(P均<0.05);与HOS-death比较,HOS-survival患者的心率、单核细胞绝对值、淋巴细胞绝对值、红细胞体积分布宽度、SOFA、APACHE-I I、呼吸支持水平明显降低,红细胞比容、平均血红蛋白含量、ALP水平明显升高,差异均具有统计学意义(P均<0.05);与90dD比较,90dS患者的心率、红细胞体积分布宽度、凝血酶时间、SOFA、APACHE-II、呼吸支持、升压药的应用水平明显降低,血清胆碱酯酶、脂肪酶水平明显升高,差异均具有统计学意义(P均<0.05)。
为了使样品的分析结果更加直观化和可视化,对正负离子扫描模式所得的质谱代谢轮廓采用OPLS-DA方法对三组数据进行分析。从OPLS-DA图可以看出正负离子模式下,28天、院内、90天的存活组和死亡组之间明显区分开来,即使统计学上差异不显著,也表明28天、院内、90天的存活组和死亡组之间的代谢物谱发生了明显的变化。
本实施例中对差异代谢物的鉴定如下:
以OPLS-DA模型中VIP参数、火山图中的P值和FC值评价潜在的生物标志物,筛选对分组贡献度最大(VIP>1.0)、P值小于0.05(-log10(P值)>1.30)且FC大于1.5或小于2/3(即log2(FC)≥0.585或log2(FC)≤-0.585)作为主要差异代谢物。将以上方法发现的潜在生物标志物的匹配结果在HMDB、KEGG和Metaboanalyst代谢物数据库中检索,共鉴定出28天13个、院内4个、90天27个主要差异性代谢物。28天的主要差异性代谢物中,与28dD相比,28dS的L-天门冬氨酸、吲哚乙酸、3-甲氧基酪胺、组氨酸色氨酸、对乙酰氨基酚、多巴胺、二氢-4,6-二甲基-2-(1-甲基丙基)-4H-1,3,5-二噻嗪、±5-Hydroxy-4-octanone、3-Methylene-indolenine、Alpha-亚麻酸、二十二碳五烯酸显著升高,吲哚-3-甲醇、5-羟基奥美拉唑显著降低,发生紊乱的代谢通路主要有酪氨酸代谢、α-亚麻酸代谢、丙氨酸、天冬氨酸和谷氨酸代谢;院内的主要差异性代谢物中,与Hos-death相比,Hos-survival的L-Alpha-氨基-1H-吡咯-1-己酸、稻草素E、假尿(嘧啶核)苷显著升高,创伤酸显著降低;90天的主要差异性代谢物中,与90dD相比,90dS的DL-正缬氨酸、咖啡醛、异黄酮、油酸酰胺、酮类、2-庚硫醇、对乙酰氨基酚、萜苷、对氨基苯甲酸、四氢吡咯、多巴胺、奥美拉唑杂质A、L-精氨酸、Delta-12-前列腺素J2、己基间苯二酚显著升高,萜类内酯、3’,4’-二氢二醇、其它、3,4-二羟基苯乙基葡糖苷、6-甲基喹啉、人参醇、哈马洛尔、甲苯、特螨腈、芪类、3-巯基乳酸半胱氨酸二硫化物、6,7-二甲氧基-1(3h)-异苯并呋喃酮显著降低,发生紊乱的代谢通路主要有精氨酸和脯氨酸代谢、叶酸合成、酪氨酸代谢、花生四烯酸代谢。
热图(R version 3.5.3,pheatmap包实现)表明显著差异代谢物的变化趋势。无论是28天、院内还是90天,与死亡组相比,存活组的代谢产物都发生了变化。
本发明的预后模型包括以下三种:
以28d结局指标为因变量,选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleaceticacid、3-Methylene-indolenine、HR、Respiratory support和Application of pressordrugs为最佳变量组合。
预后模型方程为:
PRE=1÷(1+EXP(-(-10.44+0.605×Indoleacetic acid+0.615×3-Methylene-indolenine+0.03×HR+1.88×Respiratory support+1.835×Application of pressordrugs)))。
诊断曲线下面积AUC为0.881(图1),表明Indoleacetic acid、3-Methylene-indolenine、HR、Respiratory support和Application of pressor drugs与脓毒症患者28d预后具有相关性,灵敏度和特异性分别为75.51%和78.72%,是脓毒症患者短期预后的危险因素。
以院内结局指标为因变量,选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#、ALP、SOFA和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid为最佳变量组合。
预后模型方程为:
PRE=1÷(1+EXP(-(-3.424+1.307×Lymph#-0.01×ALP+0.182×SOFA+0.551×L-alpha-Amino-1H-pyrrole-1-hexanoic-acid)))。
诊断曲线下面积AUC为0.830(图2),表明Lymph#、ALP、SOFA和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid联合对脓毒症患者院内预后观测的价值较高,灵敏度和特异性分别为73.58%和72.09%。
以90d结局指标为因变量,选择90d的27种差异代谢物和单因素分析中差异具有统计学意义的9种临床指标为自变量进行多因素Logistic回归分析,筛选出Pyrrolidine、Dopamine、HR、Respiratory support和Appl ication of pressor drugs为最佳变量组合。
预后模型方程为:
PRE=1÷(1+EXP(-(-11.403-3.983×Pyrrol idine+5.613×Dopamine+0.025×HR+2.499×Respiratory support+1.72×Application of pressor drugs)))。
诊断曲线下面积AUC为0.892(图3),表明Pyrrolidine、Dopamine、HR、Respiratorysupport和Appl ication of pressor drugs联合对脓毒症患者90d预后观测的价值较高,灵敏度和特异性分别为83.33%和76.19%。
本发明所述的一种基于代谢组学的脓毒症预后模型建立方法,解决了通过液相色谱/质谱法检测所纳入患者的血浆代谢物变化,使用脓毒症诊断后24h内的差异代谢物和临床指标进行多因素logistic回归建模的技术问题,本发明将血浆代谢物作为重要因素构建预后模型,使预后模型对数据的灵敏度提高,从而提高了预后模型的数据价值。
Claims (6)
1.一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:包括通过LC/MS方法对数名脓毒症患者诊断后的24小时内的血浆样本分别进行检测和分析,通过数据采集服务器采集血浆样本的分析结果;分析结果包括血浆样本的VIP值、FC值和P值;
数据采集服务器对分析结果进行筛选,根据患者的状况将分析结果分为存活组和死亡组,并筛选得到存活组和死亡组之间的差异代谢物数据;
数据采集服务器获取患者的电子临床数据,对电子临床数据进行单因素分析,筛选出存活组和死亡组之间差异具有统计学意义的临床指标数据;
数据采集服务器将临床指标数据和差异代谢物数据均发送给数据中心进行处理,数据中心形成历史数据集,并将历史数据集中的数据划分为28天结局指标、院内结局指标和90天结局指标,28天数据包括存活组28天数据28ds和死亡组28天数据28dD,院内数据包括存活组院内数据HOS-survival和死亡组院内数据HOS-death,90天数据包括存活组90天数据90dS和死亡组90天数据90dD;
数据中心根据历史数据集中的临床指标数据和差异代谢物数据,根据28天数据、院内数据和90天数据分别构建预后模型:
以28天结局指标为因变量,选择28d的13种差异代谢物和单因素分析中差异具有统计学意义的7种临床指标为自变量进行多因素Logistic回归分析,筛选出Indoleaceticacid、3-Methylene-indolenine、HR、Respiratory support和Application of pressordrugs为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-10.44+0.605×Indoleacetic acid+0.615×3-Methylene-indolenine+0.03×HR+1.88×Respiratory support+1.835×Application of pressordrugs)));
以院内结局指标为因变量,选择院内的4种差异代谢物和单因素分析中差异具有统计学意义的10种临床指标为自变量进行多因素Logistic回归分析,筛选出Lymph#、ALP、SOFA和L-alpha-Amino-1H-pyrrole-1-hexanoic-acid为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-3.424+1.307×Lymph#-0.01×ALP+0.182×SOFA+0.551×L-alpha-Amino-1H-pyrrole-1-hexanoic-acid)));
以90d结局指标为因变量,选择90d的27种差异代谢物和单因素分析中差异具有统计学意义的9种临床指标为自变量进行多因素Logistic回归分析,筛选出Pyrrolidine、Dopamine、HR、Respiratory support和Application of pressor drugs为最佳变量组合,根据以下公式构建预后模型PRE:
PRE=1÷(1+EXP(-(-11.403-3.983×Pyrrolidine+5.613×Dopamine+0.025×HR+2.499×Respiratory support+1.72×Application of pressor drugs)))。
2.如权利要求1所述的一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:数据采集服务器采集血浆样本的分析结果包含了收集纳入临床研究的脓毒症患者的28天、院内和90天的结局数据,共分为三个数据集,即28天结局指标、院内结局指标和90天结局指标,每组根据脓毒症患者在观察时间点的存活状态分为存活组和死亡组。
3.如权利要求1所述的一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:中心服务器还对数据进行提取、保留时间矫正、峰识别、峰提取、峰积分和峰对齐的预处理工作,经总面积归一化预处理后生成由保留时间RT,质荷比m/z和峰强度组成的数据矩阵,通过OPLS-DA模型中VIP识别区分存活组和死亡组之间的差异代谢物。
4.如权利要求1所述的一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:中心服务器采用Kolmogorov-Smirnova检验连续变量与正态分布的一致性,通过学生t检验对符合正态分布的测量数据进行了分析,采用非参数检验的Mann Whitney U检验分析不符合正态分布的测量数据;并对分类数据进行卡方检验;
使用存活组和死亡组之间的统计学显著性变量分别构建28d,院内和90d的二分类Logistic回归模型,绘制ROC曲线。
5.如权利要求1所述的一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:中心服务器所有的统计分析过程均为双侧检验,P值<0.05为差异具有统计学意义。
6.如权利要求4所述的一种基于代谢组学的脓毒症预后模型建立方法,其特征在于:中心服务器采用二分类Logistic回归模型分析质谱数据,筛选出潜在的生物标志物,使用逐步二元Logistic回归模型进行多元统计分析,绘制ROC曲线,记录计算AUC的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946421.3A CN113671078B (zh) | 2021-08-18 | 2021-08-18 | 一种基于代谢组学的脓毒症预后模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110946421.3A CN113671078B (zh) | 2021-08-18 | 2021-08-18 | 一种基于代谢组学的脓毒症预后模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671078A CN113671078A (zh) | 2021-11-19 |
CN113671078B true CN113671078B (zh) | 2023-03-03 |
Family
ID=78543463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110946421.3A Active CN113671078B (zh) | 2021-08-18 | 2021-08-18 | 一种基于代谢组学的脓毒症预后模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671078B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566292B (zh) * | 2022-01-29 | 2022-11-11 | 浙江大学医学院附属第一医院 | 应用内源性物质预测肾移植药物剂量的模型的构建方法 |
CN114480554A (zh) * | 2022-02-24 | 2022-05-13 | 重庆市急救医疗中心(重庆市第四人民医院、重庆市急救医学研究所) | 一种生物标志物组在制备用于筛查脓毒症的lip评分工具中的应用和评分方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011080184A1 (en) * | 2009-12-28 | 2011-07-07 | Biocrates Life Sciences Ag | Use of endogenous metabolites for early diagnosing sepsis |
WO2013040099A2 (en) * | 2011-09-12 | 2013-03-21 | Langley Raymond | Sepsis prognosis biomarkers |
CN109119167A (zh) * | 2018-07-11 | 2019-01-01 | 山东师范大学 | 基于集成模型的脓毒症死亡率预测系统 |
CN109374904A (zh) * | 2018-10-29 | 2019-02-22 | 浙江医院 | 一种蛋白质类脓毒症标志物及其在严重脓毒症早期预警的应用及其筛选方法 |
CN112669965A (zh) * | 2019-10-16 | 2021-04-16 | 四川大学华西医院 | 一种脓毒症预后评估系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100273207A1 (en) * | 2009-04-24 | 2010-10-28 | Raymond Langley | Methods for Diagnosis of Sepsis and Risk of Death |
-
2021
- 2021-08-18 CN CN202110946421.3A patent/CN113671078B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011080184A1 (en) * | 2009-12-28 | 2011-07-07 | Biocrates Life Sciences Ag | Use of endogenous metabolites for early diagnosing sepsis |
WO2013040099A2 (en) * | 2011-09-12 | 2013-03-21 | Langley Raymond | Sepsis prognosis biomarkers |
CN109119167A (zh) * | 2018-07-11 | 2019-01-01 | 山东师范大学 | 基于集成模型的脓毒症死亡率预测系统 |
CN109374904A (zh) * | 2018-10-29 | 2019-02-22 | 浙江医院 | 一种蛋白质类脓毒症标志物及其在严重脓毒症早期预警的应用及其筛选方法 |
CN112669965A (zh) * | 2019-10-16 | 2021-04-16 | 四川大学华西医院 | 一种脓毒症预后评估系统 |
Non-Patent Citations (4)
Title |
---|
A metabonomic approach to early prognostic evaluation of experimental sepsis;Ping-bo Xu 等;《Journal of Infection》;20081231;第56卷;474-484 * |
Discrimination of sepsis stage metabolic profiles with an LC/MS-MS-based metabolomics approach;Longxiang Su 等;《BMJ Open Resp Res》;20141210;第1卷;1-9 * |
基于GC-MS代谢组学技术的脓毒症大鼠预后的初步研究;陈芳 等;《实用休克杂志》;20181031;第2卷(第5期);276-278,284 * |
基于代谢组学的脓毒症实验研究进展;马军宏等;《中国中西医结合外科杂志》;20141231(第06期);664-666 * |
Also Published As
Publication number | Publication date |
---|---|
CN113671078A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113671078B (zh) | 一种基于代谢组学的脓毒症预后模型建立方法 | |
CN108414660B (zh) | 一组与肺癌早期诊断相关的血浆代谢小分子标志物的应用 | |
CN102323351B (zh) | 膀胱癌患者尿液特异性代谢物谱、建立方法及用途 | |
JP6774925B2 (ja) | 性別に基づく疾病の識別・評価・予防及び治療を含む、肺病の識別・評価・予防及び治療のための方法並びにそのキット | |
US8541183B2 (en) | Methods of identification, assessment, prevention and therapy of lung diseases and kits thereof | |
CN101769910A (zh) | 一种从血清代谢轮廓筛选恶性卵巢肿瘤标志物的方法 | |
CN109507337A (zh) | 一种基于血尿中代谢产物预测甘地胶囊治疗糖尿病肾病机制的新方法 | |
EP2781913A2 (en) | Method for aiding in the diagnosis and therapy of asthma and lung cancer | |
CN113406226B (zh) | 一种基于非靶向代谢组学检测gist患者血浆中伊马替尼代谢物的方法 | |
CN111896641A (zh) | 结直肠癌相关雌激素血浆代谢小分子筛选方法及其应用 | |
Cao et al. | Untargeted metabolomic profiling of sepsis-induced cardiac dysfunction | |
Ciaccio et al. | Monocyte Distribution Width (MDW) as a biomarker of sepsis: An evidenced-based laboratory medicine approach | |
CN114280202B (zh) | 一种用于诊断镉中毒的生物标志物及其应用 | |
CN115714013A (zh) | 一种肺炎诊断的临床预测模型构建方法 | |
CN109187814A (zh) | 一种鉴定肾移植预后生物标记物的方法及其检测试剂盒 | |
CN112180007B (zh) | 基于代谢组学的泛发性脓疱型银屑病诊断标志物及其应用 | |
Xu et al. | Discovery of potential therapeutic targets for non-small cell lung cancer using high-throughput metabolomics analysis based on liquid chromatography coupled with tandem mass spectrometry | |
CN114674969A (zh) | 尿液中生物标志物检测试剂在制备新冠肺炎诊断试剂盒中的用途 | |
CN115327129A (zh) | 一种血浆分子标志物犬尿氨酸在早期心力衰竭检测中的应用 | |
Reisinger et al. | Diagnosis of acute intoxications in critically ill patients: focus on biomarkers–part 2: markers for specific intoxications | |
CN111413447A (zh) | 鹅去氧胆酸或/和牛磺酸鹅去氧胆酸在胆管癌诊断方面的应用 | |
Wang et al. | Study of stability and interference for catecholamines and metanephrines, 3-methoxytyramine: key point of an accurate diagnosis for pheochromocytoma and paraganglioma | |
CN1841069A (zh) | 一种用于鼻咽癌检测的血清蛋白质指纹图谱方法 | |
CN115616227B (zh) | 吲哚-3-丙烯酰甘氨酸检测试剂的用途、诊断或辅助诊断慢性阻塞性肺病的试剂盒及系统 | |
CN109374904A (zh) | 一种蛋白质类脓毒症标志物及其在严重脓毒症早期预警的应用及其筛选方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |