Este estudo investiga a condição imunológica na sepse analisando as relações quantitativas entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse e controles saudáveis usando análise de visualização de dados e ajuste numérico tridimensional para estabelecer um modelo matemático.

Na sepse, entender a interação entre glóbulos brancos, linfócitos e neutrófilos é crucial para avaliar a condição imunológica e otimizar as estratégias de tratamento. Foram coletadas amostras de sangue de 512 pacientes com diagnóstico de sepse e 205 controles saudáveis, totalizando 717 amostras. A análise de visualização de dados e o ajuste numérico tridimensional foram realizados para estabelecer um modelo matemático que descreve as relações entre leucócitos, linfócitos e neutrófilos. O mapa de características auto-organizável (SOFM) foi empregado para agrupar automaticamente os dados da amostra de sepse no espaço tridimensional representado pelo modelo, produzindo diferentes estados imunológicos.

A análise revelou que as contagens de glóbulos brancos, linfócitos e neutrófilos são restritas dentro de um plano tridimensional, conforme descrito pela equação: leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645, resultando em um erro de predição (RMSE) de 1%. Esta equação é universalmente aplicável a todas as amostras, apesar das diferenças em suas distribuições espaciais. O agrupamento de SOFM identificou nove estados imunológicos distintos na população de pacientes com sepse, representando diferentes níveis de estado imunológico, períodos de oscilação e estágios de recuperação.

O modelo matemático proposto, representado pela equação acima, revela um limite básico de restrição nas populações de células imunes em pacientes com sepse e controles saudáveis. Além disso, a abordagem de agrupamento SOFM fornece uma visão abrangente dos distintos estados imunológicos observados dentro desse limite de restrição em pacientes com sepse. Este estudo estabelece as bases para trabalhos futuros sobre a quantificação e categorização da condição imunológica na sepse, o que pode, em última análise, contribuir para o desenvolvimento de estratégias de diagnóstico e tratamento mais objetivas.

A sepse, uma disfunção orgânica com risco de vida causada por uma resposta desregulada do hospedeiro à infecção, continua sendo um desafio significativo na medicina intensiva¹. Apesar dos avanços na compreensão da fisiopatologia da sepse, a complexa interação entre o sistema imunológico e os patógenos continua a representar dificuldades no diagnóstico e tratamento eficaz dessa condição². As abordagens clínicas atuais geralmente se concentram no monitoramento de indicadores de infecção, função de órgãos, citocinas, detecção microbiana e microbioma intestinal³. No entanto, há um reconhecimento crescente do papel crucial desempenhado pelas células imunes, particularmente os glóbulos brancos, linfócitos e neutrófilos, na progressão e resolução da sepse⁴.

Durante o curso da sepse, o sistema imunológico sofre uma série complexa de alterações, caracterizadas por uma fase hiperinflamatória inicial seguida por uma fase imunossupressora prolongada⁵. A fase inicial é marcada por um aumento na contagem de neutrófilos e uma diminuição concomitante nas populações de linfócitos, refletindo a ativação das respostas imunes inatas e a supressão da imunidade adaptativa⁶. À medida que a condição progride, os níveis de neutrófilos podem oscilar ou se esgotar, enquanto a contagem de linfócitos continua a diminuir, levando a um estado de imunossupressão que torna os pacientes vulneráveis a infecções secundárias⁷. Compreender a interação dinâmica entre essas populações de células imunes é crucial para avaliar com precisão o estado imunológico de pacientes com sepse e elaborar intervenções direcionadas.

As abordagens tradicionais para analisar a contagem de células imunes na sepse têm se baseado em análises univariadas ou bivariadas, que não conseguem capturar as relações complexas entre vários parâmetros imunológicos⁸. Avanços recentes nas técnicas de visualização de dados e aprendizado de máquina abriram novas possibilidades para explorar dados imunológicos de alta dimensão⁹. Em particular, a visualização tridimensional do gráfico de dispersão e os mapas de recursos auto-organizados (SOFM)¹⁰ mostraram-se promissores na descoberta de padrões ocultos e na identificação de estados imunológicos distintos em vários contextos de doenças.

Este estudo tem como objetivo investigar a condição imunológica em pacientes com sepse, analisando as relações quantitativas entre glóbulos brancos, linfócitos e neutrófilos usando técnicas avançadas de visualização de dados e agrupamento. A hipótese é que essas populações de células imunes são restritas a um espaço tridimensional governado por uma relação matemática subjacente. Ao descobrir essa relação e identificar estados imunológicos distintos usando SOFM, o estudo busca fornecer uma estrutura para entender os estados dinâmicos imunológicos na sepse e facilitar a tomada de decisões clínicas.

A abordagem envolve a coleta de amostras de sangue de 512 pacientes com sepse internados na unidade de terapia intensiva (UTI) e 205 indivíduos saudáveis, totalizando 717 amostras. A população do estudo incluiu participantes do sexo masculino (54,3%) e feminino (45,7%), com idades variando de 35 a 100 anos (média de idade: 73,5 anos). A visualização do gráfico de dispersão tridimensional e o ajuste numérico são aplicados para estabelecer um modelo matemático que descreve a interação entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse e controles saudáveis. O SOFM é então empregado para agrupar automaticamente os dados da amostra de sepse no espaço tridimensional, produzindo diferentes estados imunológicos. Ao comparar os perfis imunológicos e as distribuições espaciais de pacientes com sepse com os de indivíduos saudáveis dentro do limite de restrição representado pelo modelo matemático, o estudo visa obter informações sobre os mecanismos fisiopatológicos subjacentes à sepse e identificar alvos potenciais para terapias imunomoduladoras.

Ao fornecer um método quantitativo para avaliar a condição imunológica de pacientes com sepse, a abordagem pode permitir um estadiamento mais preciso da doença e orientar a seleção de intervenções apropriadas. Além disso, a identificação de estados imunológicos distintos usando SOFM pode lançar as bases para pesquisas futuras sobre abordagens de imunoterapia personalizadas adaptadas aos perfis imunológicos específicos de pacientes individuais.

Em resumo, este estudo apresenta uma abordagem para entender a condição imunológica na sepse, aproveitando técnicas avançadas de visualização de dados e aprendizado de máquina. Ao descobrir a relação matemática entre as principais populações de células imunes em pacientes com sepse e controles saudáveis e identificar estados imunológicos distintos em pacientes com sepse, o estudo fornece uma nova perspectiva sobre a complexa dinâmica imunológica na sepse. Esta abordagem permite uma avaliação mais precisa do estado da doença (Diferentes Clusters) e pode orientar a seleção de intervenções adequadas, contribuindo para o desenvolvimento de estratégias diagnósticas e terapêuticas mais eficazes.

Este estudo explora a condição imunológica em pacientes com sepse, investigando as relações entre glóbulos brancos, linfócitos e neutrófilos. Os pacientes foram inscritos na unidade de terapia intensiva (UTI) do Hospital Dongzhimen em Pequim, China, e foram submetidos a exames de sangue padrão após o consentimento informado. O estudo foi conduzido de acordo com as diretrizes do comitê de ética em pesquisa com seres humanos da instituição. O agrupamento de dados e o conteúdo detalhado dos dados podem ser encontrados na Tabela Suplementar 1. As ferramentas de software utilizadas neste estudo estão enumeradas na Tabela de Materiais.

1. Coleta e preparação de dados

NOTA: Glóbulos brancos, neutrófilos e linfócitos foram selecionados como indicadores-chave da condição imunológica em pacientes com sepse. Essa escolha é baseada nas observações clínicas bem estabelecidas de que a contagem de linfócitos tende a ser suprimida e diminuir gradualmente, enquanto a contagem de neutrófilos frequentemente oscila em pacientes com sepse. Esses dois tipos de células foram empiricamente reconhecidos como importantes marcadores do estado imunológico em populações de pacientes com sepse. No entanto, a relação quantitativa precisa entre esses parâmetros não foi claramente relatada na literatura. Portanto, glóbulos brancos, neutrófilos e linfócitos foram escolhidos como ponto de partida para quantificar a condição imunológica em pacientes com sepse.

1. Instalando o link de planilha do MATLAB para o suplemento do Excel.
   1. Abra o Microsoft Excel e navegue até a guia Inserir na faixa de opções.
   2. Clique em Obter suplementos na seção Suplementos .
   3. Na caixa de diálogo Suplementos do Office , procure por Link de Planilha do MATLAB na barra de pesquisa.
   4. Localize o suplemento MATLAB Spreadsheet Link for Excel nos resultados da pesquisa e clique no botão Adicionar .
   5. Leia e aceite os termos e condições e clique em Continuar para prosseguir com a instalação.
   6. Se solicitado, faça login com uma conta do MathWorks ou crie uma nova conta para acessar o suplemento.
   7. Quando a instalação estiver concluída, a guia Link da planilha do MATLAB aparecerá na faixa de opções do Excel.
   8. Clique na guia Link da planilha do MATLAB para verificar se o suplemento está instalado e pronto para uso.
2. Envie dados para o espaço de trabalho do MATLAB.
   1. Abra a planilha que contém os dados do paciente com sepse, incluindo contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos.
   2. Certifique-se de que os dados sejam organizados em um formato estruturado, com cada variável (contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos) em uma coluna separada e cada paciente em uma linha separada.
   3. Selecione o intervalo de células que contém as contagens de glóbulos brancos, linfócitos e neutrófilos.
   4. Clique na guia Link da planilha MATLAB na faixa de opções do Excel.
   5. Na guia Link da planilha do MATLAB , clique no botão Enviar dados para o MATLAB .
   6. Na caixa de diálogo Enviar dados para o MATLAB , escolha a instância apropriada do MATLAB no menu suspenso se várias instâncias estiverem em execução.
   7. Especifique o nome da variável para os dados no campo Nome da variável . Por exemplo, sepsis_immune_data.
   8. Selecione o tipo de dados desejado para os dados importados no MATLAB (por exemplo, matriz numérica).
   9. Clique em OK para enviar os dados para o espaço de trabalho do MATLAB.
   10. Alterne para o aplicativo MATLAB e verifique se os dados foram importados com êxito, verificando o espaço de trabalho para o nome da variável especificada (por exemplo, sepsis_immune_data).
3. Verificando os dados no MATLAB
   1. Depois de enviar os dados do paciente com sepse (contagem de glóbulos brancos, contagem de linfócitos e contagem de neutrófilos) para o MATLAB usando o suplemento MATLAB Spreadsheet Link, mude para o aplicativo MATLAB.
   2. Para verificar o conteúdo dos dados importados, digite o nome da variável na janela de comando do MATLAB e pressione Enter.

2. Visualização tridimensional de glóbulos brancos, linfócitos e neutrófilos

1. Gerando o gráfico usando a função Immune_scatter3
   1. A variável A armazena os dados imunológicos de pacientes com sepse. Chame a função Immune_scatter3(A) para obter uma interface gráfica do usuário (GUI) exibindo o gráfico de dispersão tridimensional das amostras, conforme mostrado na Figura 1.
      NOTA: O erro de ajuste entre o plano tridimensional e a distribuição da amostra no gráfico é muito pequeno. A Seção 3 fornecerá a fórmula exata.
2. O uso da GUI
   1. Explore e analise o gráfico de dispersão tridimensional usando os recursos interativos fornecidos pela GUI gerada.
      1. Girar: Clique e arraste o gráfico para girá-lo no espaço 3D, permitindo visualizar a distribuição da amostra de diferentes ângulos.
      2. Panorâmica: clique com o botão direito do mouse e arraste a plotagem para movê-la horizontal ou verticalmente, ajustando a área visível da plotagem.
      3. Zoom: use a roda do mouse ou os controles de zoom na barra de ferramentas para aumentar ou diminuir o zoom da plotagem, concentrando-se em regiões ou amostras específicas.
      4. Cursor de dados: Clique em amostras individuais para exibir seus valores correspondentes para glóbulos brancos, linfócitos e neutrófilos.
         NOTA: Ao utilizar esses recursos interativos, os médicos podem obter informações sobre as relações e padrões entre glóbulos brancos, linfócitos e neutrófilos em pacientes com sepse, facilitando a exploração e análise dos dados imunológicos.

3. A fórmula

1. Na área de trabalho do MATLAB, atribua a contagem de neutrófilos, a contagem de linfócitos e a contagem de glóbulos brancos às variáveis X, Y e Z, respectivamente.
2. Para obter a expressão matemática precisa (fórmula 1; leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645 (RMSE: 1%)) do plano tridimensional na Figura 1, chame o seguinte comando:
   [fitresult, gof, saída] = fit ([X, Y], Z, 'poly11')
   NOTA: Esta fórmula descreve quantitativamente a relação entre glóbulos brancos, neutrófilos e linfócitos em pacientes com sepse, fornecendo uma representação concisa e precisa dos dados imunológicos.
3. Para avaliar a qualidade do ajuste, calcule o erro quadrático médio normalizado (NRMSE) usando o seguinte comando:
   gof.rmse / (max(Z) - min(Z))
   NOTA: O valor NRMSE resultante de 1% indica que o plano ajustado (fórmula 1) se aproxima da distribuição real da amostra no espaço tridimensional. Esse baixo nível de erro ressalta a confiabilidade e a validade da expressão matemática obtida na captura das intrincadas relações entre os parâmetros imunológicos em pacientes com sepse.

4. Condição imunológica na sepse

NOTA: Mapas de recursos auto-organizados (SOFM) foram empregados para agrupamento não supervisionado para identificar condições imunológicas em pacientes com sepse.

1. Ao invocar a função Immune_Condition , gere agrupamentos de pontos de amostra no plano tridimensional representado pela fórmula 1, conforme ilustrado na Figura 2.
2. Use os recursos de visualização interativa para a Figura 2 , conforme descrito na Etapa 2.2.
   NOTA: A Figura 2 mostra nove clusters automatizados, rotulados de Cluster1 a Cluster9, derivados da abordagem de aprendizado de máquina não supervisionada do SOFM. Essa técnica de agrupamento leva em consideração tanto a topologia espacial quanto a densidade das amostras, permitindo a identificação de condições imunológicas distintas dentro da população de pacientes com sepse.

5. Trajetórias típicas de oscilação imunológica na sepse

1. Com base na Figura 2, use o comando hold on para manter a figura em um estado sobreposto e, em seguida, use os comandos a seguir para criar um gráfico tridimensional dos dados de trajetória do paciente típico.
   Esperar
   para i=1: tamanho(p,1)-1
   pausa (3); plot3(p (i: i+1,2), p (i: i+1,3), p (i: i+1,1),'k','Largura de linha',3);
   fim

A progressão da sepse envolve uma interação complexa entre o sistema imunológico humano e patógenos invasores. No diagnóstico e tratamento clínico, muita atenção é focada em indicadores de infecção, marcadores de função de órgãos, citocinas, detecção microbiana e até mesmo no microbioma intestinal. No entanto, este estudo enfatiza a importância de três indicadores imunológicos comuns: glóbulos brancos, neutrófilos e linfócitos, que não são sem base. A pesquisa demonstrou que o processo patológico da sepse é acompanhado pela supressão e depleção das populações de linfócitos, enquanto os níveis de neutrófilos se esgotam ou superam os patógenos após repetidas flutuações⁵. No entanto, as restrições matemáticas e dinâmicas subjacentes a esse processo ainda precisam ser quantificadas e elucidados.

Ao explorar a distribuição de 512 amostras (representadas por pontos azuis) e 205 controles saudáveis (representados por sinais de mais verdes) no espaço tridimensional (Figura 1), é facilmente aparente que os pontos de amostra de glóbulos brancos, neutrófilos e linfócitos estão em um plano com um erro muito pequeno. As cores e marcadores distintos usados no gráfico de dispersão demonstram claramente as diferenças significativas entre os grupos de sepse e controle saudável dentro do limite de restrição. Essa observação sugere que essas populações de células imunes seguem uma lei ou restrição objetiva, independentemente do estado de saúde. Uma análise mais aprofundada revela a seguinte fórmula: leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645 (fórmula 1), com uma raiz quadrada média do erro (RMSE) de 1%. Essa equação indica que a inclinação plana dos neutrófilos é maior do que a dos linfócitos, o que implica que as alterações na contagem de neutrófilos têm um efeito mais pronunciado na contagem de glóbulos brancos em comparação com as alterações na contagem de linfócitos. Embora simples, esta fórmula representa uma nova descoberta que revela um mecanismo ou restrição objetivamente existente que governa a interação entre glóbulos brancos, neutrófilos e linfócitos, independentemente de suas variações individuais. É importante ressaltar que esse limite de restrição se aplica tanto a pacientes com sepse quanto a indivíduos saudáveis, sugerindo que reflete uma propriedade fundamental do sistema imunológico, enquanto as distintas distribuições espaciais dentro desse limite revelam as diferenças imunológicas entre sepse e saúde.

Para distinguir ainda mais as diferentes condições imunológicas, a Figura 2 emprega SOFM para agrupamento automático de pontos de amostragem. O SOFM foi escolhido especificamente para esta análise porque é um algoritmo de agrupamento não supervisionado bem estabelecido que se destaca na preservação de relações topológicas, considerando tanto a distância entre as amostras quanto suas distribuições de densidade. O parâmetro de controle de vizinhança do algoritmo foi definido como 1, garantindo sobreposição mínima entre clusters adjacentes, mantendo definições de limite claras. A escolha de nove categorias foi determinada por meio de otimização cuidadosa de parâmetros, equilibrando a necessidade de subdivisão detalhada do estado com a consideração prática de manter distinções clinicamente significativas. Essa abordagem permite tanto a discriminação refinada do estado imunológico quanto o potencial de mesclar estados adjacentes quando biologicamente apropriado, evitando assim a segmentação excessiva e as omissões de estado.

Na Figura 2, o agrupamento de SOFM foi empregado para identificar automaticamente estados imunológicos distintos entre pacientes com sepse, com o objetivo de fornecer uma caracterização abrangente do cenário imunológico e minimizar o risco de ignorar quaisquer categorias importantes. Cluster1, Cluster2 e Cluster4 representam níveis mais altos de atividade imunológica, caracterizados por contagens relativamente altas de linfócitos e neutrófilos. Cluster3, Cluster5, Cluster6 e Cluster9 retratam o período de oscilação imunológica, durante o qual as populações de linfócitos já sofreram supressão, enquanto os níveis de neutrófilos podem flutuar. O cluster 8 representa um estado de atividade imunológica reduzida, que pode refletir imunossupressão ou um período de recuperação imunológica após a resolução da infecção. O Cluster7 provavelmente representa uma pequena proporção de pacientes que estão se recuperando gradualmente e mostrando sinais de melhora em seu estado imunológico.

Vale ressaltar que o uso de múltiplos clusters de SOFM permite uma representação mais granular dos diversos estados imunológicos observados em pacientes com sepse. Essa abordagem visa capturar todo o espectro de perfis imunológicos e minimizar as chances de perder quaisquer categorias críticas. No entanto, por meio de validação prática e análise posterior, é possível mesclar clusters que representam estados imunológicos semelhantes, simplificando o esquema de classificação e mantendo sua abrangência. Esse processo de refinamento garante que os estados imunológicos identificados sejam biologicamente significativos e clinicamente relevantes, fornecendo uma estrutura robusta para a compreensão da complexa dinâmica imunológica na sepse.

A Figura 3 ilustra a trajetória dos estados imunológicos de um paciente típico com sepse que experimentou um curso complexo de desregulação imunológica antes de finalmente melhorar. A jornada do paciente começou no Cluster 2, que representa um estado de atividade imunológica aumentada, e depois progrediu através de vários estados imunológicos, incluindo os Clusters 5, 7, 9 e 8. Essas transições refletem a interação dinâmica entre o sistema imunológico do paciente e os patógenos invasores, com períodos de oscilação e aparente imunossupressão.

Notavelmente, o escore de avaliação sequencial de falência de órgãos (SOFA) do paciente já havia começado a melhorar, diminuindo de um valor inicial de 7 para 2, antes de o paciente entrar no Cluster 7. Isso sugere que o sistema imunológico do paciente fez progressos significativos na eliminação da infecção, e a transição subsequente para o Cluster 7 pode representar um período de recuperação imunológica em vez de exaustão imunológica completa.

Após a passagem pelo Cluster 8, o estado imunológico do paciente progrediu gradualmente para o Cluster 7, que está associado a um perfil imunológico mais saudável. Essa fase de recuperação foi caracterizada por um aumento na contagem de neutrófilos e linfócitos, com valores próximos aos observados em indivíduos saudáveis.

Na prática clínica, os pacientes geralmente apresentam trajetórias de oscilação imunológica semelhantes à linha vermelha típica mostrada na Figura 3. Quando a trajetória oscila nos Clusters 3, 5, 6 e 9, que estão longe do centro das amostras saudáveis, a condição do paciente se deteriora. Quando a trajetória do paciente retorna aos Clusters 7 e 8, que estão mais próximos do centro de amostras saudáveis, a condição melhora e alguns pacientes até recuperam o status saudável. Os clusters 1, 2 e 4 são comumente observados nos estágios iniciais da doença, caracterizados por atividade imunológica aumentada. Esses padrões de transições de estado fornecem uma perspectiva imunológica para o reconhecimento precoce e o manejo do curso da doença na sepse. Do ponto de vista do gerenciamento do estado do paciente, é evidente que, à medida que os pacientes tendem para o Cluster 6, sua condição piora, enquanto a progressão para o estado saudável indica melhora clínica.

Este protocolo fornece uma abordagem quantitativa para avaliar os estados imunológicos em pacientes com sepse por meio de um modelo matemático e análise de agrupamento, permitindo o reconhecimento precoce da sepse por meio da visualização distinta do estado imunológico e o monitoramento preciso da progressão da doença por meio do rastreamento da trajetória imunológica, que pode orientar a tomada de decisões clínicas e estratégias de tratamento personalizadas.

Figura 1: Gráfico de dispersão tridimensional de glóbulos brancos, linfócitos e neutrófilos em amostras de pacientes com sepse. A figura mostra a distribuição espacial dos principais indicadores imunológicos em pacientes com sepse. Clique aqui para ver uma versão maior desta figura.

Figura 2: Diferentes condições imunológicas na sepse. Esta figura fornece uma quantificação precisa dos estados imunes na sepse dentro do plano tridimensional representado pela fórmula 1. Clique aqui para ver uma versão maior desta figura.

Figura 3: Visualização da trajetória do estado imunológico de um paciente com sepse em melhora clínica. A figura ilustra a trajetória dos estados imunológicos de um paciente típico com sepse que experimentou um curso complexo de desregulação imunológica antes de finalmente melhorar. Clique aqui para ver uma versão maior desta figura.

Este estudo apresenta uma abordagem para entender a condição imunológica na sepse, aproveitando técnicas avançadas de visualização de dados e aprendizado de máquina. Ao descobrir a relação matemática entre as principais populações de células imunes e identificar estados imunológicos distintos, o estudo fornece uma nova perspectiva sobre a complexa dinâmica imunológica na sepse e contribui para o desenvolvimento de estratégias diagnósticas e terapêuticas mais eficazes^11,12. As principais descobertas incluem a descoberta de uma relação matemática (seção 3) restringindo essas populações de células imunes dentro de um espaço tridimensional (leucócitos = 1,098 × neutrófilos + 1,046 × linfócitos + 0,1645) e a identificação de nove estados imunológicos distintos (seção 4) usando mapas de características auto-organizáveis (SOFM). Esses resultados fornecem uma estrutura quantitativa para avaliar o estado imunológico de pacientes com sepse e oferecem um método potencial para triagem precoce de pacientes com sepse¹³.

Esta pesquisa apresentada aqui combinou técnicas de visualização de dados e aprendizado de máquina para descobrir padrões e relacionamentos ocultos em dados imunológicos de alta dimensão na sepse. Ao ir além das análises univariadas e bivariadas tradicionais, este estudo captura a interação complexa entre vários parâmetros imunológicos e fornece uma compreensão mais abrangente da resposta imune (diferentes clusters na Figura 2) na sepse. A identificação de estados imunológicos distintos usando SOFM¹⁰ pode lançar as bases para pesquisas futuras sobre abordagens de imunoterapia personalizadas adaptadas aos perfis imunológicos específicos de pacientes individuais.

Estudos futuros com coortes ainda maiores e mais diversificadas serão necessários para validar e refinar ainda mais os achados aqui apresentados. Além disso, a relação entre os estados imunológicos identificados e outros marcadores bioquímicos clinicamente relevantes, como procalcitonina (PCT), proteína C reativa (PCR) e interleucina-6 (IL-6), ainda precisa ser explorada em profundidade^14,15. A integração desses marcadores na análise pode fornecer uma compreensão mais abrangente da resposta imunoinflamatória na sepse e sua associação com os resultados clínicos, aumentando potencialmente o poder preditivo e a utilidade clínica da abordagem proposta. Além disso, estudos longitudinais que rastreiam a dinâmica dos estados imunológicos ao longo do tempo em pacientes individuais podem oferecer informações valiosas sobre a trajetória da sepse e informar estratégias de tratamento personalizadas.

Por um lado, o método de visualização tridimensional apresentado na Figura 1 demonstra uma distinção marcante entre os estados imunológicos de pacientes com sepse e controles saudáveis, fornecendo uma nova perspectiva imunológica quantitativa para o rápido reconhecimento precoce da sepse. Por outro lado, a discussão das trajetórias imunológicas típicas do paciente mostrada na Figura 3 apresenta uma nova abordagem para o gerenciamento do estado do paciente, oferecendo um método quantitativo para monitorar e gerenciar a progressão da doença.

A importância e as potenciais aplicações do método proposto neste estudo vão muito além do contexto específico da sepse. A capacidade de quantificar com precisão os estados de doença usando abordagens baseadas em dados tem o potencial de se tornar uma mudança de paradigma na pesquisa clínica, com profundas implicações para a medicina personalizada¹⁶. Por exemplo, rastrear os estados imunológicos de pacientes com sepse pode fornecer uma avaliação clara dos estágios da batalha do paciente contra a infecção, o que é crucial para avaliar o prognóstico e melhorar os planos de tratamento. Ao alavancar o poder da visualização de dados e do aprendizado de máquina, os pesquisadores podem descobrir novos insights sobre a fisiopatologia de doenças complexas e desenvolver estratégias diagnósticas e terapêuticas mais direcionadas¹⁷.

Para desenvolver as descobertas deste estudo, várias direções futuras podem ser vislumbradas. Primeiro, aumentar o tamanho da amostra e a diversidade da população de pacientes com sepse será crucial para validar e refinar a relação matemática e os estados imunológicos identificados aqui. Isso exigirá a colaboração entre vários centros e o estabelecimento de protocolos padronizados para coleta e análise de dados. Em segundo lugar, explorar a relação entre os estados imunológicos identificados e outros marcadores bioquímicos, como PCT, PCR e IL-6, poderia fornecer uma compreensão mais abrangente da resposta imunoinflamatória na sepse¹⁸. Além disso, investigar as relações complexas e não lineares entre estados imunológicos, disfunção orgânica (medida pelos escores SOFA) e marcadores de gravidade da infecção pode ajudar a elucidar as várias vias pelas quais diferentes pacientes progridem da infecção para a falência de órgãos. Ao integrar esses indicadores de gravidade da infecção com nossa abordagem de quantificação do estado imunológico, pesquisas futuras podem melhorar nossa compreensão dos padrões de progressão da doença, potencialmente levando a estratégias de tratamento mais precisas e personalizadas que consideram a gravidade da infecção e o estado imunológico de pacientes individuais. Finalmente, a abordagem de pesquisa proposta neste estudo pode ser estendida a outros cenários médicos, como doenças autoimunes, câncer e transplante, onde a quantificação precisa dos estados de doença pode ter implicações clínicas significativas.

Em conclusão, este estudo apresenta uma abordagem para entender a condição imunológica na sepse, aproveitando técnicas avançadas de visualização de dados e aprendizado de máquina. Ao descobrir a relação matemática entre as principais populações de células imunes e identificar estados imunológicos distintos, este estudo fornece uma nova perspectiva sobre a complexa condição imunológica na sepse. As limitações do estudo, como o tamanho da amostra e a necessidade de uma exploração mais aprofundada da relação entre estados imunológicos e outros marcadores bioquímicos, devem ser abordadas em pesquisas futuras. As potenciais aplicações do método em áreas específicas de pesquisa, como a medicina personalizada, e as direções futuras, incluindo o aumento do tamanho da amostra e a extensão da abordagem a outros cenários médicos, destacam a importância e a promessa dessa linha de pesquisa.

A ferramenta de software para Gráficos de Dispersão Probabilística para Estados Imunológicos V1.0 é desenvolvida e de propriedade da Beijing Intelligent Entropy Science & Technology Co., Ltd. Todos os direitos de propriedade intelectual deste software são detidos pela empresa. Os autores declaram não haver conflitos de interesse.

Este estudo recebeu apoio de duas fontes: o sétimo lote do Projeto de Herança Mestre-Aprendiz organizado pela Administração Nacional de Medicina Tradicional Chinesa da China (Número do projeto: [2021] No. 272) e o Projeto de Aprimoramento da Capacidade de Pesquisa em Medicina Chinesa de 2024 do Hospital de Medicina Chinesa de nível municipal (SZY-NLTL-2024-003) da Administração Provincial de Medicina Tradicional Chinesa de Shaanxi.