본 연구는 패혈증 환자의 백혈구, 림프구, 호중구 간의 정량적 관계를 데이터 시각화 분석과 3차원 수치 피팅을 이용하여 건강한 대조군의 정량적 관계를 분석하여 패혈증의 면역 상태를 조사하고 수학적 모델을 수립한다.

패혈증에서는 백혈구, 림프구, 호중구 간의 상호작용을 이해하는 것이 면역 상태를 평가하고 치료 전략을 최적화하는 데 매우 중요합니다. 패혈증 진단을 받은 환자 512명과 건강한 대조군 205명, 총 717명의 샘플로부터 혈액 샘플을 수집했습니다. 백혈구, 림프구, 호중구 간의 관계를 설명하는 수학적 모델을 확립하기 위해 데이터 시각화 분석과 3차원 수치 피팅을 수행했습니다. SOFM(Self-organizing Feature Map)을 사용하여 모델이 나타내는 3차원 공간에서 패혈증 샘플 데이터를 자동으로 클러스터링하여 다양한 면역 상태를 산출했습니다.

분석 결과, 백혈구, 림프구 및 호중구 수는 WBC = 1.098 × 호중구 + 1.046 × 림프구 + 0.1645 방정식으로 설명되는 3차원 평면 내에서 제한되어 있으며, 예측 오류(RMSE)는 1%입니다. 이 방정식은 공간 분포의 차이에도 불구하고 모든 샘플에 보편적으로 적용할 수 있습니다. SOFM 클러스터링은 패혈증 환자 집단 내에서 서로 다른 수준의 면역 상태, 진동 기간 및 회복 단계를 나타내는 9개의 뚜렷한 면역 상태를 식별했습니다.

위의 방정식으로 표현된 제안된 수학적 모델은 패혈증 환자와 건강한 대조군 모두에서 면역 세포 집단에 대한 기본 제약 경계를 보여줍니다. 또한 SOFM 클러스터링 접근 방식은 패혈증 환자에서 이 제약 경계 내에서 관찰되는 고유한 면역 상태에 대한 포괄적인 개요를 제공합니다. 이 연구는 패혈증의 면역 상태를 정량화하고 분류하는 향후 연구의 토대를 마련하며, 이는 궁극적으로 보다 객관적인 진단 및 치료 전략의 개발에 기여할 수 있습니다.

패혈증은 감염에 대한 숙주 반응 조절 장애로 인해 생명을 위협하는 장기 기능 장애로, 중환자 치료 의학에서 중요한 과제로 남아 있습니다¹. 패혈증의 병태생리학에 대한 이해가 진전되었음에도 불구하고, 면역 체계와 병원체 간의 복잡한 상호 작용으로 인해 패혈증을 효과적으로 진단하고 치료하는 데 계속해서 어려움을 겪고 있습니다². 현재의 임상적 접근법은 감염 지표, 장기 기능, 사이토카인, 미생물 검출 및 장내 마이크로바이옴을 모니터링하는 데 초점을 맞추고 있는 경우가 많다³. 그러나 면역 세포, 특히 백혈구, 림프구 및 호중구가 패혈증의 진행과 해결에 중요한 역할을 한다는 인식이 높아지고 있습니다⁴.

패혈증이 진행되는 동안 면역 체계는 초기의 과염증 단계에 이어 장기간의 면역 억제 단계⁵를 특징으로 하는 일련의 복잡한 변화를 겪습니다. 초기 단계에서는 호중구 수가 급증하고 이에 수반하여 림프구 개체수가 감소하는데, 이는 선천성 면역 반응의 활성화와 적응 면역의 억제를 반영합니다⁶. 상태가 진행됨에 따라 호중구 수치가 진동하거나 소진되는 반면 림프구 수는 계속 감소하여 환자를 2차 감염에 취약하게 만드는 면역 억제 상태로 이어질 수 있습니다⁷. 이러한 면역 세포 집단 간의 역동적인 상호 작용을 이해하는 것은 패혈증 환자의 면역 상태를 정확하게 평가하고 표적 중재를 고안하는 데 중요합니다.

패혈증의 면역 세포 수를 분석하는 전통적인 접근법은 단변량 또는 이변량 분석에 의존해 왔는데, 이는 여러 면역 매개변수 간의 복잡한 관계를 포착하지 못했습니다⁸. 최근 데이터 시각화 및 머신 러닝 기술의 발전으로 고차원 면역학 데이터를 탐색할 수 있는 새로운 가능성이 열렸습니다⁹. 특히, 3차원 산점도 시각화 및 자기 조직화 기능 맵(SOFM)¹⁰ 은 다양한 질병 상황에서 숨겨진 패턴을 발견하고 뚜렷한 면역 상태를 식별하는 데 유망한 것으로 나타났습니다.

본 연구는 첨단 데이터 시각화 및 클러스터링 기법을 이용하여 백혈구, 림프구, 호중구 간의 정량적 관계를 분석하여 패혈증 환자의 면역 상태를 조사하는 것을 목표로 한다. 가설은 이러한 면역 세포 집단이 근본적인 수학적 관계에 의해 지배되는 3차원 공간 내에 제한되어 있다는 것입니다. 이 연구는 SOFM을 사용하여 이러한 관계를 밝히고 뚜렷한 면역 상태를 식별함으로써 패혈증의 면역 역학 상태를 이해하고 임상 의사 결정을 촉진하기 위한 프레임워크를 제공하고자 합니다.

이 접근 방식은 중환자실(ICU)에 입원한 512명의 패혈증 환자와 205명의 건강한 개인, 총 717개의 샘플로부터 혈액 샘플을 수집하는 것입니다. 연구 모집단에는 남성(54.3%)과 여성(45.7%)이 모두 포함되었으며, 연령은 35세에서 100세(평균 연령: 73.5세)에 이른다. 3차원 산점도 시각화 및 수치 피팅을 적용하여 패혈증 환자와 건강한 대조군 모두에서 백혈구, 림프구 및 호중구 간의 상호 작용을 설명하는 수학적 모델을 구축합니다. 그런 다음 SOFM을 사용하여 3차원 공간에서 패혈증 샘플 데이터를 자동으로 클러스터링하여 다양한 면역 상태를 생성합니다. 이 연구는 패혈증 환자의 면역 프로필과 공간 분포를 수학적 모델로 표현된 제약 경계 내에서 건강한 개인의 면역 프로필과 공간 분포와 비교함으로써 패혈증의 기저에 있는 병태생리학적 메커니즘에 대한 통찰력을 얻고 면역 조절 요법의 잠재적 대상을 식별하는 것을 목표로 합니다.

패혈증 환자의 면역 상태를 평가하기 위한 정량적 방법을 제공함으로써 이 접근 방식은 질병의 보다 정확한 병기 결정을 가능하게 하고 적절한 중재를 선택하는 데 도움이 될 수 있습니다. 또한, SOFM을 사용하여 뚜렷한 면역 상태를 확인하면 개별 환자의 특정 면역 프로필에 맞춘 맞춤형 면역 요법 접근법에 대한 향후 연구의 토대가 마련될 수 있습니다.

요약하면, 이 연구는 고급 데이터 시각화 및 기계 학습 기술을 활용하여 패혈증의 면역 상태를 이해하는 접근 방식을 제시합니다. 이 연구는 패혈증 환자의 주요 면역 세포 집단과 건강한 대조군 사이의 수학적 관계를 밝히고 패혈증 환자의 뚜렷한 면역 상태를 식별함으로써 패혈증의 복잡한 면역 역학에 대한 새로운 관점을 제공합니다. 이 접근법은 질병 상태(다양한 클러스터)를 보다 정확하게 평가하고 적절한 중재를 선택하는 데 도움이 될 수 있으며, 궁극적으로 보다 효과적인 진단 및 치료 전략을 개발하는 데 기여할 수 있습니다.

이 연구는 백혈구, 림프구 및 호중구 간의 관계를 조사하여 패혈증 환자의 면역 상태를 탐구합니다. 환자들은 중국 베이징에 있는 둥즈먼(Dongzhimen) 병원의 중환자실(ICU)에 등록되어 있었으며, 사전 동의서를 제공한 후 표준 혈액 검사를 받았다. 이 연구는 기관 인간 연구 윤리 위원회(Institutional Human Research Ethics Committee)의 지침에 따라 수행되었습니다. 데이터 그룹화 및 자세한 데이터 내용은 보충 표 1에서 확인할 수 있습니다. 이 연구에서 사용된 소프트웨어 도구는 재료 표에 열거되어 있습니다.

1. 데이터 수집 및 준비

참고: 백혈구, 호중구, 림프구가 패혈증 환자의 면역 상태의 핵심 지표로 선택되었습니다. 이 선택은 패혈증 환자에서 호중구 수가 종종 진동하는 반면, 림프구 수는 억제되고 점차 감소하는 경향이 있다는 잘 확립된 임상 관찰에 근거합니다. 이 두 가지 세포 유형은 패혈증 환자 집단에서 면역 상태의 중요한 지표로 경험적으로 인식되어 왔습니다. 그러나 이러한 매개변수 간의 정확한 정량적 관계는 문헌에 명확하게 보고되지 않았습니다. 따라서 백혈구, 호중구, 림프구를 패혈증 환자의 면역 상태를 정량화하기 위한 시작점으로 선택했습니다.

1. MATLAB Spreadsheet Link for Excel 추가 기능 설치.
   1. Microsoft Excel을 열고 리본의 삽입 탭으로 이동합니다.
   2. Add-ins 섹션에서 Get Add-ins를 클릭합니다.
   3. Office 애드인(Add-ins) 대화 상자의 검색창에서 MATLAB 스프레드시트 링크(MATLAB Spreadsheet Link)를 검색합니다.
   4. 검색 결과에서 MATLAB Spreadsheet Link for Excel 애드인을 찾아 추가 버튼을 클릭합니다.
   5. 약관을 읽고 동의한 다음 Continue 를 클릭하여 설치를 진행합니다.
   6. 메시지가 표시되면 MathWorks 계정으로 로그인하거나 새 계정을 만들어 추가 기능에 액세스합니다.
   7. 설치가 완료되면 MATLAB 스프레드시트 링크 탭이 Excel 리본에 나타납니다.
   8. MATLAB 스프레드시트 링크 탭을 클릭하여 추가 기능이 설치되어 사용할 준비가 되었는지 확인합니다.
2. MATLAB 작업 공간으로 데이터를 보냅니다.
   1. 백혈구 수, 림프구 수, 호중구 수를 포함한 패혈증 환자 데이터가 포함된 스프레드시트를 엽니다.
   2. 데이터가 각 변수(백혈구 수, 림프구 수, 호중구 수)를 별도의 열에 배치하고 각 환자를 별도의 행에 배치하는 구조화된 형식으로 구성되어 있는지 확인합니다.
   3. 백혈구 수, 림프구 수, 호중구 수를 포함하는 세포의 범위를 선택합니다.
   4. Excel 리본에서 MATLAB 스프레드시트 링크(MATLAB Spreadsheet Link ) 탭을 클릭합니다.
   5. MATLAB 스프레드시트 링크(MATLAB Spreadsheet Link) 탭에서 MATLAB으로 데이터 보내기(Send Data to MATLAB) 버튼을 클릭합니다.
   6. MATLAB으로 데이터 보내기(Send Data to MATLAB) 대화 상자의 드롭다운 메뉴에서 적절한 MATLAB 인스턴스를 선택합니다(여러 인스턴스가 실행 중인 경우).
   7. 변수 이름 필드에 데이터의 변수 이름을 지정합니다. 예를 들면 sepsis_immune_data와 같습니다.
   8. MATLAB에서 가져온 데이터에 대해 원하는 데이터형을 선택합니다(예: 숫자형 행렬).
   9. 확인(OK)을 클릭하여 데이터를 MATLAB 작업 공간으로 보냅니다.
   10. MATLAB 응용 프로그램으로 전환하고 작업 공간에서 지정된 변수 이름(예: sepsis_immune_data)을 확인하여 데이터를 성공적으로 가져왔는지 확인합니다.
3. MATLAB에서 데이터 확인하기
   1. MATLAB Spreadsheet Link 추가 기능을 사용하여 패혈증 환자 데이터(백혈구 수, 림프구 수, 호중구 수)를 MATLAB으로 전송한 후 MATLAB 응용 프로그램으로 전환합니다.
   2. 가져온 데이터의 내용을 확인하려면 MATLAB 명령 창에 변수 이름을 입력하고 Enter 키를 누르십시오.

2. 백혈구, 림프구, 호중구의 3차원 시각화

1. Immune_scatter3 함수를 사용하여 플롯 생성하기
   1. 변수 A는 패혈증 환자의 면역 데이터를 저장합니다. 함수 Immune_scatter3(A) 를 호출하여 그림 1과 같이 샘플의 3차원 산점도를 표시하는 그래픽 사용자 인터페이스(GUI)를 얻습니다.
      참고: 그림에서 3차원 평면과 표본 분포 사이의 피팅 오차는 매우 작습니다. 섹션 3은 정확한 공식을 제공합니다.
2. GUI 사용법
   1. 생성된 GUI에서 제공하는 대화형 기능을 사용하여 3차원 산점도를 탐색하고 분석할 수 있습니다.
      1. 회전: 플롯을 클릭하고 드래그하여 3D 공간에서 회전하면 다양한 각도에서 샘플 분포를 볼 수 있습니다.
      2. 이동: 마우스 오른쪽 버튼을 클릭하고 플롯을 끌어 수평 또는 수직으로 이동하여 플롯의 가시 영역을 조정합니다.
      3. 확대/축소: 마우스 휠 또는 도구 모음의 확대/축소 컨트롤을 사용하여 플롯을 확대 또는 축소하고 특정 영역 또는 샘플에 초점을 맞춥니다.
      4. 데이터 커서: 개별 샘플을 클릭하면 백혈구, 림프구 및 호중구에 대한 해당 값이 표시됩니다.
         참고: 이러한 대화형 기능을 활용함으로써 임상의는 패혈증 환자의 백혈구, 림프구 및 호중구 간의 관계와 패턴에 대한 통찰력을 얻을 수 있어 면역 데이터의 탐색 및 분석을 용이하게 할 수 있습니다.

3. 공식

1. MATLAB 작업 공간에서 호중구 수, 림프구 수, 백혈구 수를 각각 변수 X, Y, Z에 할당합니다.
2. 정확한 수학 표현식(공식 1; WBC = 1.098 × 호중구 + 1.046 × 림프구 + 0.1645 (RMSE: 1%)) 그림 1의 3차원 평면에서 다음 명령을 호출하십시오.
   [fitresult, gof, output] = fit ([X, Y], Z, 'poly11')
   참고: 이 공식은 패혈증 환자의 백혈구, 호중구 및 림프구 간의 관계를 정량적으로 설명하여 면역 데이터를 간결하고 정확하게 표현합니다.
3. 적합도를 평가하려면 다음 명령을 사용하여 정규화된 평균 제곱근 오차(NRMSE)를 계산합니다.
   gof.rmse / (최대(Z) - 최소(Z))
   참고: 결과 NRMSE 값 1%는 적합면(공식 1)이 3차원 공간의 실제 샘플 분포에 근접함을 나타냅니다. 이 낮은 오류 수준은 패혈증 환자의 면역 매개변수 간의 복잡한 관계를 포착하는 데 있어 얻은 수학적 표현의 신뢰성과 타당성을 강조합니다.

4. 패혈증의 면역 상태

참고: 패혈증 환자의 면역 상태를 식별하기 위해 비지도 클러스터링에 SOFM(Self-Organizing Feature Maps)이 사용되었습니다.

1. Immune_Condition 함수를 호출하여 그림 2와 같이 공식 1로 표현된 3차원 평면에 샘플 점의 클러스터를 생성합니다.
2. 단계 2.2에 설명된 대로 그림 2 의 대화형 시각화 기능을 사용합니다.
   참고: 그림 2 는 SOFM의 비지도 머신 러닝 접근 방식에서 파생된 Cluster1에서 Cluster9까지 레이블이 지정된 9개의 자동화된 클러스터를 보여줍니다. 이 클러스터링 기술은 공간적 토폴로지와 샘플의 밀도를 모두 고려하여 패혈증 환자 집단 내에서 뚜렷한 면역 상태를 식별할 수 있습니다.

5. 패혈증의 일반적인 면역 진동 궤적

1. 그림 2를 기반으로 hold on 명령을 사용하여 그림을 오버레이 가능한 상태로 유지한 후 다음 명령을 사용하여 일반적인 환자의 궤적 데이터에 대한 3차원 플롯을 생성합니다.
   잠시 기다리다
   i=1의 경우: size(p,1)-1
   일시 중지 (3); plot3 (p (i : i + 1,2), p (i : i + 1,3), p (i : i + 1,1), 'k', 'Linewidth', 3);
   끝

패혈증의 진행은 인간 면역 체계와 침입하는 병원체 사이의 복잡한 상호 작용을 포함합니다. 임상 진단 및 치료에서는 감염 지표, 장기 기능 지표, 사이토카인, 미생물 검출, 심지어 장내 마이크로바이옴에 많은 관심이 집중됩니다. 그러나 이 연구는 세 가지 일반적인 면역 지표인 백혈구, 호중구, 림프구의 중요성을 강조하는데, 이는 근거가 없는 것이 아닙니다. 연구에 따르면 패혈증의 병리학적 과정은 림프구 개체군의 억제 및 고갈을 동반하는 반면, 호중구 수치는 반복적인 변동 후에 소진되거나 병원체를 극복합니다⁵. 그럼에도 불구하고 이 과정의 기저에 있는 수학적 제약과 역학은 더 정량화되고 설명되어야 합니다.

3차원 공간에서 512개의 샘플(파란색 점으로 표시)과 205개의 건강한 대조군(녹색 더하기 기호로 표시)의 분포를 탐색할 때(그림 1) 백혈구, 호중구 및 림프구의 샘플 포인트가 매우 작은 오차로 평면에 놓여 있음을 쉽게 알 수 있습니다. 산점도에 사용된 고유한 색상과 마커는 제약 조건 경계 내에서 패혈증과 정상 대조군 간의 유의미한 차이를 명확하게 보여줍니다. 이 관찰은 이러한 면역 세포 집단이 건강 상태에 관계없이 객관적인 법칙 또는 제약을 따른다는 것을 시사합니다. 추가 분석을 통해 WBC = 1.098 × 호중구 + 1.046 × 림프구 + 0.1645(공식 1)가 밝혀졌으며 평균 제곱근 오차(RMSE)는 1%입니다. 이 방정식은 호중구의 평면 기울기가 림프구의 평면 기울기보다 크다는 것을 나타내며, 이는 호중구 수의 변화가 림프구 수의 변화에 비해 백혈구 수에 더 뚜렷한 영향을 미친다는 것을 의미합니다. 비록 간단하지만, 이 공식은 백혈구, 호중구 및 림프구 간의 상호 작용을 제어하는 객관적으로 존재하는 메커니즘 또는 제약을 개별 변이에 관계없이 밝히는 새로운 발견을 나타냅니다. 중요한 것은 이 제약 경계가 패혈증 환자와 건강한 개인 모두에게 적용되어 면역 체계의 근본적인 특성을 반영하는 반면, 이 경계 내의 뚜렷한 공간 분포는 패혈증과 건강 간의 면역학적 차이를 드러낸다는 것입니다.

다양한 면역 상태를 더욱 구별하기 위해 그림 2 는 자동 샘플 포인트 클러스터링을 위해 SOFM을 사용합니다. SOFM은 샘플 간의 거리와 밀도 분포를 모두 고려하면서 토폴로지 관계를 보존하는 데 탁월한 잘 정립된 비지도 클러스터링 알고리즘이기 때문에 이 분석을 위해 특별히 선택되었습니다. 알고리즘의 이웃 제어 매개변수는 1로 설정되어 명확한 경계 정의를 유지하면서 인접 클러스터 간의 중복을 최소화했습니다. 9개 범주의 선택은 신중한 매개변수 최적화를 통해 결정되었으며, 세부적인 상태 세분화의 필요성과 임상적으로 의미 있는 구별을 유지하기 위한 실질적인 고려 사항의 균형을 맞추었습니다. 이 접근법은 세분화된 면역 상태 구별과 생물학적으로 적절할 때 인접 상태를 병합할 수 있는 가능성을 모두 허용하여 과도한 세분화와 상태 누락을 모두 방지합니다.

그림 2에서 SOFM 클러스터링은 면역 환경의 포괄적인 특성을 제공하고 중요한 범주를 간과할 위험을 최소화하기 위해 패혈증 환자의 뚜렷한 면역 상태를 자동으로 식별하는 데 사용되었습니다. Cluster1, Cluster2 및 Cluster4는 더 높은 수준의 면역 활성을 나타내며, 림프구와 호중구의 수가 상대적으로 높은 것이 특징입니다. Cluster3, Cluster5, Cluster6 및 Cluster9는 면역 진동 기간을 나타내며, 이 기간 동안 림프구 개체군은 이미 억제를 겪었고 호중구 수치는 변동할 수 있습니다. 클러스터 8은 면역 활동이 감소한 상태를 나타내며, 이는 면역 억제 또는 감염 해결 후 면역 회복 기간을 반영할 수 있습니다. 클러스터7은 점차 회복되고 면역 상태가 호전되는 징후를 보이는 환자 중 소수를 나타내는 것으로 보입니다.

여러 SOFM 클러스터를 사용하면 패혈증 환자에서 관찰되는 다양한 면역 상태를 보다 세밀하게 표현할 수 있다는 점에 주목할 가치가 있습니다. 이 접근 방식은 면역 프로필의 전체 스펙트럼을 포착하고 중요한 범주를 놓칠 가능성을 최소화하는 것을 목표로 합니다. 그러나 실질적인 검증과 추가 분석을 통해 유사한 면역 상태를 나타내는 클러스터를 병합할 수 있어 포괄성을 유지하면서 분류 체계를 간소화할 수 있습니다. 이러한 개선 과정은 식별된 면역 상태가 생물학적으로 의미 있고 임상적으로 관련성이 있음을 보장하며, 패혈증의 복잡한 면역 역학을 이해하기 위한 강력한 프레임워크를 제공합니다.

그림 3은 복잡한 면역 조절 장애를 경험한 전형적인 패혈증 환자의 면역 상태 궤적을 보여줍니다. 환자의 여정은 면역 활동이 고조된 상태를 나타내는 클러스터 2에서 시작하여 클러스터 5, 7, 9 및 8을 포함한 다양한 면역 상태로 진행되었습니다. 이러한 전이는 환자의 면역 체계와 침입하는 병원체 사이의 역동적인 상호 작용을 반영하며, 진동 기간과 명백한 면역 억제 기간을 반영합니다.

특히, 환자의 순차적 장기 부전 평가(SOFA) 점수는 환자가 클러스터 7에 진입하기 전에 초기 값 7에서 2로 감소하여 이미 개선되기 시작했습니다. 이는 환자의 면역 체계가 감염을 제거하는 데 상당한 진전을 이루었으며 이후 클러스터 7로의 전환은 완전한 면역 소진이 아닌 면역 회복 기간을 나타낼 수 있음을 시사합니다.

클러스터 8을 통과한 후 환자의 면역 상태는 점차 클러스터 7로 진행되었으며, 이는 더 건강한 면역 프로필과 관련이 있습니다. 이 회복 단계는 호중구와 림프구 수가 모두 증가하는 것이 특징이며, 건강한 사람에서 관찰된 수치에 근접한 수치입니다.

임상 실습에서 환자는 일반적으로 그림 3에 표시된 일반적인 빨간색 선과 유사한 면역 진동 궤적을 보입니다. 건강한 샘플의 중심에서 멀리 떨어진 클러스터 3, 5, 6 및 9에서 궤적이 진동하면 환자의 상태가 악화됩니다. 환자의 궤적이 건강한 샘플의 중심에 더 가까운 클러스터 7 및 8로 돌아오면 상태가 호전되고 일부 환자는 정상 상태를 회복하기도 합니다. 클러스터 1, 2, 4는 일반적으로 질병의 초기 단계에서 관찰되며 면역 활성이 높아지는 것이 특징입니다. 이러한 상태 전이 패턴은 패혈증의 조기 인식 및 질병 경과 관리를 위한 면역 기반 관점을 제공합니다. 환자 상태 관리 관점에서 볼 때, 환자가 클러스터 6으로 향함에 따라 상태가 악화되는 반면, 건강한 상태로 진행되면 임상적 개선이 나타나는 것이 분명합니다.

이 프로토콜은 수학적 모델 및 클러스터링 분석을 통해 패혈증 환자의 면역 상태를 평가하기 위한 정량적 접근 방식을 제공하여 뚜렷한 면역 상태 시각화를 통한 패혈증의 조기 인식과 면역 궤적 추적을 통한 질병 진행의 정확한 모니터링을 모두 가능하게 하여 임상 의사 결정 및 개인화된 치료 전략을 안내할 수 있습니다.

그림 1: 패혈증 환자 샘플에서 백혈구, 림프구 및 호중구의 3차원 산점도. 이 그림은 패혈증 환자의 주요 면역 지표의 공간적 분포를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2: 패혈증의 다양한 면역 상태. 이 그림은 화학식 1로 표시되는 3차원 평면 내에서 패혈증의 면역 상태를 정확하게 정량화한 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3: 임상적 개선을 겪고 있는 패혈증 환자의 면역 상태 궤적 시각화. 이 그림은 복잡한 면역 조절 장애를 경험한 전형적인 패혈증 환자의 면역 상태 궤적을 보여주며, 결국 호전되기 전입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 연구는 고급 데이터 시각화 및 기계 학습 기술을 활용하여 패혈증의 면역 상태를 이해하는 접근 방식을 제시합니다. 이 연구는 주요 면역 세포 집단 간의 수학적 관계를 밝히고 뚜렷한 면역 상태를 확인함으로써 패혈증의 복잡한 면역 역학에 대한 새로운 관점을 제공하고 보다 효과적인 진단 및 치료 전략 개발에 기여합니다^11,12. 주요 연구 결과로는 3차원 공간 내에서 이러한 면역 세포 집단을 제한하는 수학적 관계(섹션 3)의 발견(섹션 3)과 3차원 공간(WBC = 1.098 × 호중구 + 1.046 × 림프구 + 0.1645)과 자기 조직화 기능 맵(SOFM)을 사용하여 9개의 고유한 면역 상태(섹션 4)를 식별하는 것이 포함됩니다. 이러한 결과는 패혈증 환자의 면역 상태를 평가하기 위한 정량적 틀을 제공하고 조기 패혈증 환자를 분류할 수 있는 잠재적인 방법을 제공합니다¹³.

여기에 제시된 이 연구는 데이터 시각화와 기계 학습 기술을 결합하여 패혈증의 고차원 면역학적 데이터에 숨겨진 패턴과 관계를 밝혔습니다. 이 연구는 기존의 단변량 및 이변량 분석을 뛰어넘어 여러 면역 매개변수 간의 복잡한 상호 작용을 포착하고 패혈증의 면역 반응( 그림 2의 다양한 클러스터)에 대한 보다 포괄적인 이해를 제공합니다. SOFM¹⁰ 을 사용하여 뚜렷한 면역 상태를 식별하면 개별 환자의 특정 면역 프로필에 맞춘 맞춤형 면역 요법 접근법에 대한 향후 연구의 토대가 마련될 수 있습니다.

여기에 제시된 결과를 추가로 검증하고 개선하기 위해 훨씬 더 크고 다양한 코호트를 사용한 향후 연구가 필요할 것입니다. 또한, 확인된 면역 상태와 프로칼시토닌(PCT), C-반응성 단백질(CRP) 및 인터루킨-6(IL-6)과 같은 임상적으로 관련된 다른 생화학적 마커 간의 관계는 여전히 깊이 탐구되어야 합니다^14,15. 이러한 마커를 분석에 통합하면 패혈증의 면역 염증 반응 및 임상 결과와의 연관성에 대한 보다 포괄적인 이해를 제공할 수 있으며, 제안된 접근 방식의 예측력과 임상적 유용성을 잠재적으로 향상시킬 수 있습니다. 또한, 개별 환자에서 시간 경과에 따른 면역 상태의 역학을 추적하는 종단 연구는 패혈증의 궤적에 대한 귀중한 통찰력을 제공하고 개인화된 치료 전략을 알릴 수 있습니다.

한편으로, 그림 1 에 제시된 3차원 시각화 방법은 패혈증 환자의 면역 상태와 건강한 대조군 사이의 현저한 차이를 보여주며, 패혈증을 신속하게 조기에 인식할 수 있는 새로운 정량적 면역학적 관점을 제공합니다. 한편, 그림 3 에 나타난 전형적인 환자 면역 궤적에 대한 논의는 환자 상태 관리에 대한 새로운 접근 방식을 제시하여 질병 진행을 모니터링하고 관리하기 위한 정량적 방법을 제공합니다.

이 연구에서 제안된 방법의 중요성과 잠재적 응용은 패혈증의 특정 맥락을 훨씬 뛰어넘습니다. 데이터 기반 접근법을 사용하여 질병 상태를 정확하게 정량화할 수 있는 능력은 임상 연구의 패러다임 전환이 될 수 있는 잠재력을 가지고 있으며, 개인 맞춤형 의학에 심오한 영향을 미칠 수 있습니다¹⁶. 예를 들어, 패혈증 환자의 면역 상태를 추적하면 감염에 대한 환자의 전투 단계를 명확하게 평가할 수 있으며, 이는 예후를 평가하고 치료 계획을 개선하는 데 매우 중요합니다. 연구자들은 데이터 시각화 및 머신 러닝의 힘을 활용하여 복잡한 질병의 병태생리학에 대한 새로운 통찰력을 발견하고 보다 표적화된 진단 및 치료 전략을 개발할 수 있습니다¹⁷.

이 연구의 결과를 바탕으로 몇 가지 향후 방향을 구상할 수 있습니다. 첫째, 패혈증 환자 집단의 표본 크기와 다양성을 늘리는 것은 여기에서 확인된 수학적 관계와 면역 상태를 검증하고 개선하는 데 매우 중요합니다. 이를 위해서는 여러 센터 간의 협력과 데이터 수집 및 분석을 위한 표준화된 프로토콜의 수립이 필요합니다. 둘째, 확인된 면역 상태와 PCT, CRP 및 IL-6와 같은 다른 생화학적 마커 간의 관계를 조사하면 패혈증의 면역 염증 반응에 대한 보다 포괄적인 이해를 제공할 수 있습니다¹⁸. 또한 면역 상태, 장기 기능 장애(SOFA 점수로 측정) 및 감염 중증도 마커 간의 복잡하고 비선형적인 관계를 조사하면 다양한 환자가 감염에서 장기 부전으로 진행되는 다양한 경로를 설명하는 데 도움이 될 수 있습니다. 이러한 감염 중증도 지표를 면역 상태 정량화 접근 방식과 통합함으로써 향후 연구는 질병 진행 패턴에 대한 이해를 높일 수 있으며, 잠재적으로 개별 환자의 감염 중증도와 면역 상태를 모두 고려하는 보다 정확하고 개인화된 치료 전략으로 이어질 수 있습니다. 마지막으로, 이 연구에서 제안된 연구 접근 방식은 질병 상태의 정확한 정량화가 상당한 임상적 영향을 미칠 수 있는 자가면역 질환, 암 및 이식과 같은 다른 의료 시나리오로 확장될 수 있습니다.

결론적으로 본 연구는 고급 데이터 시각화 및 기계 학습 기술을 활용하여 패혈증의 면역 상태를 이해하는 접근 방식을 제시합니다. 이 연구는 주요 면역 세포 집단 간의 수학적 관계를 밝히고 뚜렷한 면역 상태를 확인함으로써 패혈증의 복잡한 면역 상태에 대한 새로운 관점을 제공합니다. 표본 크기 및 면역 상태와 다른 생화학적 지표 간의 관계에 대한 추가 탐구의 필요성과 같은 연구의 한계는 향후 연구에서 다루어져야 합니다. 개인 맞춤형 의학과 같은 특정 연구 분야에서의 이 방법의 잠재적 응용 프로그램과 표본 크기 증가 및 다른 의료 시나리오로의 접근 방식 확장을 포함한 향후 방향은 이 연구 라인의 중요성과 약속을 강조합니다.

면역 상태 V1.0에 대한 확률론적 산란 플롯을 위한 소프트웨어 도구는 Beijing Intelligent Entropy Science & Technology Co., Ltd.에서 개발 및 소유하고 있습니다. 이 소프트웨어의 모든 지적 재산권은 회사에 있습니다. 저자는 이해 상충이 없음을 선언합니다.

이 연구는 중국 국가한의과국이 주관하는 석사-견습 상속 프로젝트의 7차 배치(프로젝트 번호: [2021] No. 272)와 산시성 한의학국의 시급급 중의약 병원 2024 한의학 연구 역량 강화 프로젝트(SZY-NLTL-2024-003)의 두 가지 출처로부터 지원을 받았습니다.