O aprendizado de máquina permite um diagnóstico ‘quase perfeito’ de um assassino global indescritível

A sepse, a reação exagerada do sistema imunológico em resposta a uma infecção, causa cerca de 20% das mortes em todo o mundo e até 20 a 50% das mortes hospitalares nos EUA a cada ano. Apesar de sua prevalência e gravidade, no entanto, a condição é difícil de diagnosticar e tratar de forma eficaz.

A doença pode causar diminuição do fluxo sanguíneo para órgãos vitais, inflamação em todo o corpo e coagulação sanguínea anormal. Portanto, se sepse não for reconhecida e tratada rapidamente, pode levar a choque, falência de órgãos e morte. Mas pode ser difícil identificar qual patógeno está causando sepse ou se uma infecção está no corrente sanguínea ou em qualquer outra parte do corpo. E em muitos pacientes com sintomas que se assemelham à sepse, pode ser um desafio determinar se eles realmente têm uma infecção.

Agora, pesquisadores do Chan Zuckerberg Biohub (CZ Biohub), da Chan Zuckerberg Initiative (CZI) e da UC San Francisco (UCSF) desenvolveram um novo método de diagnóstico que aplica aprendizado de máquina a dados genômicos avançados de micróbios e hospedeiros – para identificar e prever casos de sepse. Conforme relatado em 20 de outubro de 2022 em Microbiologia da Naturezaa abordagem é surpreendentemente precisa e tem o potencial de exceder em muito as capacidades de diagnóstico atuais.

“A sepse é um dos 10 principais problemas de saúde pública enfrentados pela humanidade”, disse o autor sênior Chaz Langelier, MD, Ph.D., professor associado de medicina na Divisão de Doenças Infecciosas da UCSF e investigador CZ Biohub. “Um dos principais desafios da sepse é o diagnóstico. testes de diagnóstico não são capazes de capturar a natureza bilateral da doença – a própria infecção e a resposta imune do hospedeiro à infecção.”

Os diagnósticos atuais de sepse se concentram na detecção de bactérias ao cultivá-las, um processo que é “essencial para a antibioticoterapia adequada, que é fundamental para a sobrevivência da sepse”, de acordo com os pesquisadores por trás do novo método. Mas cultivar esses patógenos é demorado e nem sempre identifica corretamente a bactéria que está causando a infecção. Da mesma forma para os vírus, os testes de PCR podem detectar que os vírus estão infectando um paciente, mas nem sempre identificam o vírus específico que está causando a sepse.

“Isso resulta em médicos incapazes de identificar a causa da sepse em cerca de 30 a 50% dos casos”, disse Langelier. “Isso também leva a uma incompatibilidade em termos de tratamento com antibióticos e o patógeno que causa o problema”.

Na ausência de um diagnóstico definitivo, os médicos geralmente prescrevem um coquetel de antibióticos em um esforço para interromper a infecção, mas o uso excessivo de antibióticos levou ao aumento da resistência aos antibióticos em todo o mundo. “Como médicos, nunca queremos perder um caso de infecção”, disse Carolyn Calfee, MD, MAS, professora de medicina e anestesia da UCSF e co-autora sênior do novo estudo. “Mas se tivéssemos um teste que pudesse nos ajudar a determinar com precisão quem não tem uma infecção, isso poderia nos ajudar a limitar uso de antibióticos nesses casos, o que seria muito bom para todos nós.”

Eliminando a ambiguidade

Os pesquisadores analisaram sangue total e amostras de plasma de mais de 350 pacientes graves que foram internados no UCSF Medical Center ou no Zuckerberg San Francisco General Hospital entre 2010 e 2018.

Mas, em vez de depender de culturas para identificar patógenos nessas amostras, uma equipe liderada pelos cientistas da CZ Biohub Norma Neff, Ph.D., e Angela Pisco, Ph.D., usou o sequenciamento metagenômico de próxima geração (mNGS). Este método identifica todos os ácidos nucleicos ou dados genéticos presentes em uma amostra e, em seguida, compara esses dados com genomas de referência para identificar os organismos microbianos presentes. Essa técnica permite que os cientistas identifiquem material genético de reinos inteiramente diferentes de organismos – sejam bactérias, vírus ou fungos – presentes na mesma amostra.

No entanto, detectar e identificar a presença de um patógeno por si só não é suficiente para um diagnóstico preciso da sepse, então os pesquisadores do Biohub também realizaram perfis transcricionais – que quantificam a expressão gênica – para capturar a resposta do paciente à infecção.

Em seguida, eles aplicaram o aprendizado de máquina ao mNGS e aos dados transcricionais para distinguir entre sepse e outras doenças críticas e, assim, confirmar o diagnóstico. Katrina Kalantar, Ph.D., bióloga computacional líder do CZI e co-primeira autora do estudo, criou um modelo integrado de hospedeiro-micróbio treinado em dados de pacientes nos quais sepse ou doenças inflamatórias sistêmicas não infecciosas foram estabelecidas, que possibilitou o diagnóstico de sepse com altíssima acurácia.

“Desenvolvemos o modelo analisando vários dados metagenômicos juntamente com os resultados de testes clínicos tradicionais”, explicou Kalantar. Para começar, os pesquisadores identificaram alterações na expressão gênica entre pacientes com sepse confirmada e condições inflamatórias sistêmicas não infecciosas que parecem clinicamente semelhantes e, em seguida, usaram o aprendizado de máquina para identificar os genes que poderiam melhor prever essas alterações.

Os pesquisadores descobriram que quando a cultura bacteriana tradicional identificava um patógeno causador de sepse, geralmente havia uma superabundância de material genético desse patógeno na amostra de plasma correspondente analisada por mNGS. Com isso em mente, Kalantar programou o modelo para identificar organismos presentes em abundância desproporcionalmente alta em comparação com outros micróbios na amostra e, em seguida, compará-los com um índice de referência de micróbios causadores de sepse bem conhecidos.

“Além disso, também observamos todos os vírus que foram detectados, mesmo que estivessem em níveis mais baixos, porque eles realmente não deveriam estar lá”, explicou Kalantar. “Com este conjunto de regras relativamente simples, fomos capazes de fazer muito bem.”

Desempenho ‘quase perfeito’

Os pesquisadores descobriram que o método mNGS e seu modelo correspondente funcionaram melhor do que o esperado: eles foram capazes de identificar 99% dos casos confirmados de sepse bacteriana, 92% dos casos confirmados de sepse viral e foram capazes de prever sepse em 74% dos casos clinicamente suspeitos que não tinha sido definitivamente diagnosticado.

“Estávamos esperando um bom desempenho, ou mesmo um grande desempenho, mas isso foi quase perfeito”, disse Lucile Neyton, Ph.D., pesquisadora de pós-doutorado no laboratório Calfee e co-autora do estudo. “Ao usar essa abordagem, temos uma boa ideia do que está causando a doença e sabemos com confiança relativamente alta se um paciente tem sepse ou não”.

A equipe também ficou empolgada ao descobrir que poderia usar esse método combinado de resposta do hospedeiro e detecção de micróbios para diagnosticar sepse usando amostras de plasma, que são coletadas rotineiramente da maioria dos pacientes como parte do atendimento clínico padrão. “O fato de que você pode realmente identificar pacientes com sepse a partir deste tipo de amostra amplamente disponível e fácil de coletar tem grandes implicações em termos de utilidade prática”, disse Langelier.

A ideia para o trabalho surgiu de pesquisas anteriores de Langelier, Kalantar, Calfee, pesquisador da UCSF e presidente da CZ Biohub, Joe DeRisi, Ph.D., e seus colegas, na qual eles usaram mNGS para diagnosticar efetivamente infecções do trato respiratório inferior em pacientes criticamente doentes. . Como o método funcionou tão bem, “queríamos ver se o mesmo tipo de abordagem poderia funcionar no contexto da sepse”, disse Kalantar.

Implicações mais amplas

A equipe espera aproveitar esse sucesso técnica de diagnóstico desenvolvendo um modelo que também pode prever a resistência a antibióticos de patógenos detectados com este método. “Tivemos algum sucesso fazendo isso para infecções respiratórias, mas ninguém apresentou uma boa abordagem para a sepse”, disse Langelier.

Além disso, os pesquisadores esperam poder prever os resultados de pacientes com sepse, “como mortalidade ou tempo de permanência no hospital, o que forneceria informações importantes que permitiriam aos médicos cuidar melhor de seus pacientes e combinar recursos com os pacientes. quem mais precisa deles”, disse Langelier.

“Há muito potencial para novas abordagens de sequenciamento como essa para nos ajudar a identificar com mais precisão as causas da doença crítica de um paciente”, acrescentou Calfee. “Se pudermos fazer isso, é o primeiro passo para a medicina de precisão e para entender o que está acontecendo no nível de cada paciente”.

Fornecido por Chan Zuckerberg Biohub