Modello di machine learning basato sulla proteomica per prevedere le infezioni secondarie nella insufficienza epatica correlata a HBV

Perché le infezioni nosocomiali sono importanti per i pazienti epatici

Le persone con malattia epatica grave causata dal virus dell'epatite B spesso trascorrono lunghi periodi in ospedale, dove il loro organismo indebolito può facilmente essere colpito da nuove infezioni. Queste “infezioni secondarie” non sono presenti al momento dell’ingresso del paziente, ma si sviluppano giorni dopo e aumentano drasticamente il rischio di insufficienza d’organo e di morte. Il problema è che oggi i medici non hanno un modo affidabile per sapere, al momento dell’ammissione, quali pazienti correranno maggior rischio di contrarre tali infezioni. Questo studio pone una domanda semplice ma potente: le proteine già circolanti nel sangue di un paziente possono rivelare, abbastanza presto da intervenire, chi è in pericolo?

Esplorare il sangue per individuare un rischio nascosto

I ricercatori hanno seguito 234 adulti con insufficienza epatica correlata all’epatite B trattati in tre grandi ospedali in Cina. Nessuno presentava segni di infezione attiva al momento dell’ammissione, eppure circa un terzo ha sviluppato infezioni gravi dell’addome, dei polmoni, delle vie urinarie o del sangue entro una settimana. Dai campioni di sangue prelevati entro 48 ore dall’ingresso, il team ha usato strumenti avanzati di “proteomica” per misurare migliaia di diverse proteine nel plasma dei pazienti. Confrontando i pazienti che poi si sono infettati con quelli che non si sono infettati, hanno cercato pattern proteici che potessero fungere da segnali d’allarme precoci.

Infiammazione e coagulazione intrappolate in un circolo vizioso

Le mappe proteiche hanno rivelato ampie alterazioni in due sistemi strettamente collegati: l’infiammazione e la coagulazione del sangue. Nei pazienti che successivamente hanno sviluppato infezioni, molte proteine coinvolte nella formazione dei coaguli, nell’attività piastrinica e nelle risposte infiammatorie dell’organismo risultavano aumentate o diminuite rispetto ai pazienti più sicuri. Analisi di rete e di via biologica hanno mostrato che queste proteine della coagulazione e del sistema immunitario non agivano isolatamente, ma formavano fitte reti di interazione, a supporto dell’idea che una coagulazione difettosa possa alimentare l’infiammazione e, a sua volta, l’infiammazione continua possa danneggiare ulteriormente il sistema della coagulazione. Questo feedback dannoso potrebbe rendere l’organismo meno capace di contenere i microbi invasori, predisponendo i pazienti ad alto rischio a repentini peggioramenti.

Insegnare a un computer a leggere i segnali proteici

Per trasformare questi complessi cambiamenti proteici in uno strumento utile al letto del paziente, il team ha addestrato diversi modelli di machine learning, tra cui regressione logistica e altri algoritmi diffusi. Partendo da quasi 5.000 proteine, hanno usato un metodo di selezione delle caratteristiche per scegliere quelle più fortemente legate all’infezione successiva, quindi hanno testato ripetutamente quanto bene diverse combinazioni distinguevano i casi futuri di infezione dai controlli. Il modello più performante e pratico, chiamato Modello 1, ha finito per utilizzare soltanto quattro proteine—lisozima (LYZ), calmodulina 1 (CALM1), SERPIND1 e dermatopontina (DPT)—insieme a due misure di laboratorio standard di danno epatico e ittero (AST e bilirubina totale). Alimentato con i dati ematici di ammissione dei pazienti, questo modello ha distinto correttamente chi avrebbe sviluppato infezione da chi non l’avrebbe fatto con un’accuratezza notevole nel gruppo iniziale e mantenendo comunque buone prestazioni in un gruppo di test indipendente.

Trasformare test complessi in strumenti ospedalieri semplici

Poiché le apparecchiature proteomiche di alto livello non sono ancora di routine nella maggior parte degli ospedali, i ricercatori hanno valutato se kit di laboratorio più semplici potessero misurare le proteine chiave. In un terzo gruppo di pazienti hanno utilizzato test ELISA comuni—del tipo che molti laboratori clinici già eseguono—to quantificare le stesse quattro proteine. Anche con questa tecnologia più elementare, un modello informatico basato sulle letture ELISA ha comunque svolto un ottimo lavoro nel distinguere i casi futuri di infezione dai non casi. È importante sottolineare che il modello principale non solo prevedeva le infezioni secondarie meglio dei marker classici come la proteina C-reattiva o il conteggio dei globuli bianchi; prevedeva anche chi sarebbe morto entro 28 giorni con maggiore accuratezza rispetto ai sistemi di punteggio per l’insufficienza epatica ampiamente utilizzati.

Cosa significa per pazienti e medici

In termini chiari, questo lavoro mostra che una piccola “impronta” di proteine nel sangue, interpretata da un modello di machine learning, può avvertire i medici—entro i primi due giorni di degenza—su quali pazienti con insufficienza epatica correlata a epatite B hanno maggior probabilità di sviluppare infezioni pericolose o di morire a breve. Piuttosto che reagire solo quando compaiono febbre o pressione bassa, i clinici potrebbero usare tale test per sorvegliare più attentamente i pazienti ad alto rischio, adeguare le strategie antibiotiche o considerare un ricovero intensivo più precoce. Pur richiedendo ulteriori convalide e saggi più semplici prima che l’approccio diventi di routine, lo studio indica un futuro in cui un unico prelievo di sangue potrebbe contribuire a personalizzare la prevenzione delle infezioni e potenzialmente a salvare vite in una delle popolazioni di pazienti epatici più critiche.

Citazione: Xiong, F., Zheng, J., Chen, J. et al. Proteomics-based machine learning model for predicting secondary infection in HBV-related liver failure. Nat Commun 17, 3667 (2026). https://doi.org/10.1038/s41467-026-69075-y

Parole chiave: insufficienza epatica da epatite B, rischio di infezione secondaria, proteomica plasmatica, predizione tramite machine learning, biomarcatori di infezione