25gmds06510.3205/25gmds065urn:nbn:de:0183-25gmds0653Meeting AbstractIdentifizierung von Sepsis-Subtypen mittels maschinellen Lernens auf Basis des Plasma-ProteomsKapplerKapplerKerstinKKnappschaft Kliniken Universitätsklinikum Bochum, Zentrum für Künstliche Intelligenz, Medizininformatik und Datenwissenschaften, Bochum, GermanyKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorBrachtBrachtThiloTKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyRuhr-Universität Bochum, Medizinisches Proteom-Center, Bochum, GermanyauthorBayerBayerMalteMKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyRuhr-Universität Bochum, Medizinisches Proteom-Center, Bochum, GermanyauthorGrellGrellFranziskaFKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, AfghanistanauthorSchorkSchorkKarinKRuhr-Universität Bochum, Medizinisches Proteom-Center, Bochum, GermanyRuhr University Bochum, Medizinische Fakultät, Core Unit Bioinformatics - CUBiMed.RUB, Bochum, GermanyauthorEisenacherEisenacherMartinMRuhr-Universität Bochum, Medizinisches Proteom-Center, Bochum, GermanyRuhr University Bochum, Medizinische Fakultät, Core Unit Bioinformatics - CUBiMed.RUB, Bochum, GermanyauthorRahmelRahmelTimTKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorUnterbergUnterbergMatthiasMKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorBroeckerBroeckerMartinaMKnappschaft Kliniken Universitätsklinikum Bochum, Department of Medicine, Laboratory Medicine Section, Bochum, GermanyauthorPalmowskiPalmowskiLarsLKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorKoosKoosBjoernBKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorZieheZieheDominikDKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorRumpRumpKatharinaKKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorLimperLimperUlrichUUniversität Witten/Herdecke, Köln Merheim Medical School, 7 Klinik für Anästhesiologie und operative Intensivmedizin, Köln, GermanyauthorHenzlerHenzlerDietrichDKlinikum Herford-Bünde, Ruhr-University Bochum, Anästhesiologie, operative Intensiv-, Rettungsmedizin und Schmerztherapie, Herford, GermanyauthorEhrentrautEhrentrautStefanSUniversitätsklinikum Bonn, Klinik für Anästhesiologie und Operative Intensivmedizin, Bonn, Germanyauthorvon Grootevon GrooteThiloTUniversitätsklinikum Münster, Klinik für Anästhesiologie, operative Intensivmedizin und Schmerztherapie, Münster, GermanyauthorSitekSitekBarbaraBKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyRuhr-Universität Bochum, Medizinisches Proteom-Center, Bochum, GermanyauthorAdamzikAdamzikMichaelMKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorNowakNowakHartmuthHKnappschaft Kliniken Universitätsklinikum Bochum, Zentrum für Künstliche Intelligenz, Medizininformatik und Datenwissenschaften, Bochum, GermanyKnappschaft Kliniken Universitätsklinikum Bochum, Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie, Bochum, GermanyauthorGerman Medical Science GMS Publishing House
Düsseldorf
610maschinelles LernenSepsisPlasma-Proteomik20251103germThis is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License.Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung).M0631065Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie70. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)V: Machine learning and AI applications 1Jena2025090720250911Abstr. 237TextEinleitung: Jährlich treten in Deutschland rund 280.000 Fälle von Sepsis auf , einem lebensbedrohlichen, infektionsgetriebenen systemischen Multiorganversagen. Die Behandlung ist meist auf Antiinfektiva und unterstützende medizinische Maßnahmen limitiert. Spezifische Therapieoptionen, die individuelle molekulare Stoffwechselveränderungen adressieren, stehen aktuell nicht zur Verfügung. Bisher scheiterten molekular-mechanistische Ansätze in klinischen Studien, möglicherweise aufgrund der Komplexität des Syndroms und der heterogenen Kohorten , . Mittlerweile ermöglichen Hochdurchsatztechnologien die molekulare Charakterisierung von Patienten. Die DigiSep-Studie z.B. untersucht, ob Diagnostik und Therapie durch Next-Generation Sequencing präzisiert und optimiert werden können . Um die molekulare Grundlage für eine zukünftige personalisierte Behandlung von Patienten mit Sepsis zu schaffen, haben wir eine multizentrische Patientenkohorte mittels Plasma-Proteomics analysiert und molekulare Subtypen in dieser Kohorte mittels maschinellem Lernen identifiziert.Methoden: Im Rahmen der Studien SepsisDataNet.NRW und CovidDataNet.NRW wurde eine umfangreiche Biobank mit Proben und klinischen Daten kritisch kranker Sepsis-Patienten aufgebaut. Für 333 Patienten wurden Plasmaproben zu zwei Zeitpunkten in der frühen Sepsisphase (Tag 1 und 4) mittels Flüssigchromatographie-gekoppelter Massenspektrometrie analysiert. Eine Hauptkomponentenanalyse (PCA) und anschließendes k-Means-Clustering ermöglichten die Identifikation molekularer Subtypen. Zeitliche Verläufe der Patienten wurde analysiert, indem die Daten des zweiten in den ermittelten Raum der PCA des ersten Zeitpunkts projiziert und den Clustern basierend auf den Abständen zu den Clustermittelpunkten zugeordnet wurden. Ein Random-Forest-Modell mit geschachtelter Monte Carlo Kreuzvalidierung und SHAP-Werte (Shapley Additive Explanations) diente zur Identifikation relevanter Proteine und klinischer Parameter für die Subtypen-Vorhersage. Der Datensatz wurde hierfür stratifiziert in 80/20 Trainings- und Testdaten und das Trainingsset erneut stratifiziert im Verhältnis 80/20 zur Validierung aufgeteilt. Die Performance des Modells wurde mittels Genauigkeit, AUC, Sensitivität, Matthews Korrelation Koefficient, F1-Maß und Präzision bewertet.Ergebnisse: Es wurden vier Sepsis-Subtypen und deren zeitlicher Verlauf an Tag 1 und 4 der Sepsis identifiziert (Abbildung 1a ). Die Subtypen unterschieden sich in der Schwere der Erkrankung wobei Cluster 0 die höchste Mortalität (100%) und die höchsten SOFA-Scores aufwies. Cluster 1 war durch eine umfassende Immunreaktion gekennzeichnet, was durch hohe Immunglobulin-Spiegel angezeigt wurde. Die Überschneidung mit unseren Beobachtungen mit deutet auf eine Generalisierbarkeit dieses Subtyps hin. Durch iterative Hinzugabe von Merkmalen in das Modell wurde bestimmt, dass ab 10 Proteine die Steigung der Sensitivität abnimmt (Abbildung 1b ) und eine begrenzte Anzahl an Proteinen mit hoher prädiktiver Relevanz identifiziert werden (Abbildung 1c ). Allerdings deutet eine Differenz >0,1 zwischen Trainings- und Testmetriken (z.B. in der Sensitivität 0.167 ± 0.060) auf ein mögliches Overfitting hin.Schlussfolgerung: Die auf Proteom-Ebene identifizierten Subtypen lassen sich nicht allein durch klinische Routineparameter erfassen. Wenige Proteine erlauben jedoch eine Vorhersage der identifizierten Subtypen. Durch das Overfitting des Modells sind die Ergebnisse noch mit Vorsicht zu betrachten und eine weitere Entwicklung des Modells durch eine größere Kohorte bzw. externe Validierung dieser Ergebnisse ist notwendig. Die proteombasierten Unterschiede liefern neue Einblicke in die molekularen Mechanismen der Sepsis und schaffen die Grundlage für eine Integration klinischer und molekularer Patientendaten. Dieser Ansatz kann die Grundlage für die zukünftige Entwicklung personalisierter, zielgerichteter Therapien gegen Sepsis ermöglichen.Die Autoren geben an, dass kein Interessenkonflikt besteht.Die Autoren geben an, dass ein positives Ethikvotum vorliegt.Fleischmann-Struzek CSchwarzkopf DReinhart KInzidenz der Sepsis in Deutschland und weltweit: Aktueller Wissensstand und Limitationen der Erhebung in Abrechnungsdaten2022Med Klin Intensivmed Notfmed264–8Fleischmann-Struzek C, Schwarzkopf D, Reinhart K. Inzidenz der Sepsis in Deutschland und weltweit: Aktueller Wissensstand und Limitationen der Erhebung in Abrechnungsdaten. Med Klin Intensivmed Notfmed. 2022;117(4):264–8. DOI: 10.1007/s00063-021-00777-5https://doi.org/10.1007/s00063-021-00777-5Hotchkiss RSMoldawer LLOpal SMReinhart KTurnbull IRVincent JLSepsis and septic shock2016Nat Rev Dis Primers16045Hotchkiss RS, Moldawer LL, Opal SM, Reinhart K, Turnbull IR, Vincent JL. Sepsis and septic shock. Nat Rev Dis Primers. 2016;2(1): 16045. DOI: 10.1038/nrdp.2016.45https://doi.org/10.1038/nrdp.2016.45Boomer JSGreen JMHotchkiss RSThe changing immune system in sepsis: Is individualized immuno-modulatory therapy the answer?2014Virulence45–56Boomer JS, Green JM, Hotchkiss RS. The changing immune system in sepsis: Is individualized immuno-modulatory therapy the answer? Virulence. 2014;5(1):45–56. DOI: 10.4161/viru.26516https://doi.org/10.4161/viru.26516Brenner TSkarabis AStevens PAxnick JHaug PGrumaz SBruckner TLuntz SWitzke OPletz MWRuprecht TMMarschall UAltin SGreiner WBerger MM TIFOnet Critical Care Trials GroupOptimization of sepsis therapy based on patient-specific digital precision diagnostics using next generation sequencing (DigiSep-Trial) — study protocol for a randomized, controlled, interventional, open-label, multicenter trial2021Trials714Brenner T, Skarabis A, Stevens P, Axnick J, Haug P, Grumaz S, Bruckner T, Luntz S, Witzke O, Pletz MW, Ruprecht TM, Marschall U, Altin S, Greiner W, Berger MM; TIFOnet Critical Care Trials Group. Optimization of sepsis therapy based on patient-specific digital precision diagnostics using next generation sequencing (DigiSep-Trial) — study protocol for a randomized, controlled, interventional, open-label, multicenter trial. Trials. 2021;22:714. DOI: 10.1186/s13063-021-05654-4https://doi.org/10.1186/s13063-021-05654-4Mi YBurnham KLCharles PDHeilig RVendrell IWhalley JTorrance HDAntcliffe DBMay SMNeville MJBerridge GGeoghegan CGRadhakrishnan JNesvizhskii AIYu FInvestigators GDavenport EEMcKechnie SDavies RO’Callaghan DJPPatel Pdel Arroyo AGKarpe FGordon ACAckland GLHinds CJFischer RKnight JC High-throughput mass spectrometry maps the sepsis plasma proteome and differences in patient responseScience translational medicine2024Mi Y, Burnham KL, Charles PD, Heilig R, Vendrell I, Whalley J, Torrance HD, Antcliffe DB, May SM, Neville MJ, Berridge G, Geoghegan CG, Radhakrishnan J, Nesvizhskii AI, Yu F, Investigators G, Davenport EE, McKechnie S, Davies R, O’Callaghan DJP, Patel P, del Arroyo AG, Karpe F, Gordon AC, Ackland GL, Hinds CJ, Fischer R, Knight JC High-throughput mass spectrometry maps the sepsis plasma proteome and differences in patient response. Science translational medicine. 2024;16(750):eadh0185. DOI: 10.1126/scitranslmed.adh0185https://doi.org/10.1126/scitranslmed.adh0185011
Abbildung 1: (a) Sankey-Diagramm zur Patientenzuordnung zu Proteom-Subtypen (Tag 1/4) und 30-Tage-Überleben. (b) Streudiagramm: mittlere Sensitivität vs. Anzahl klinischer Merkmale; lila Linie=Protein-only, rote Linie=Knickpunkt. (c) Balkendiagramm: Häufigkeit der Merkmalsauswahl in MCCV mit zehn Proteinen.