Model uczenia maszynowego oparty na proteomice do przewidywania infekcji wtórnych w niewydolności wątroby związanej z HBV

Dlaczego zakażenia szpitalne są istotne u pacjentów z chorobami wątroby

Osoby z ciężkimi chorobami wątroby spowodowanymi przez wirus zapalenia wątroby B często długo przebywają w szpitalu, gdzie osłabiony organizm łatwo pada ofiarą nowych zakażeń. Te „infekcje wtórne” nie towarzyszą pacjentowi przy przyjęciu, lecz rozwijają się kilka dni później i znacząco zwiększają ryzyko niewydolności narządów oraz śmierci. Problem polega na tym, że lekarze obecnie nie mają wiarygodnego sposobu, by już przy przyjęciu rozpoznać, którzy pacjenci są najbardziej narażeni na takie zakażenia. W badaniu postawiono proste, lecz istotne pytanie: czy białka krążące we krwi pacjenta mogą ujawnić, kto zmierza ku niebezpieczeństwu na tyle wcześnie, by podjąć interwencję?

Zajrzeć we krew, by wykryć ukryte ryzyko

Naukowcy objęli obserwacją 234 dorosłych z niewydolnością wątroby związaną z HBV leczonych w trzech dużych szpitalach w Chinach. Żaden z nich nie wykazywał objawów aktywnego zakażenia przy przyjęciu, a mimo to około jedna trzecia rozwinęła w ciągu tygodnia poważne infekcje jamy brzusznej, płuc, dróg moczowych lub krwi. Z próbek krwi pobranych w ciągu 48 godzin od przyjęcia zespół zastosował zaawansowane techniki proteomiczne, aby zmierzyć tysiące różnych białek w osoczu pacjentów. Porównując pacjentów, którzy później ulegli zakażeniu, z tymi, którzy pozostali bez niego, poszukiwano wzorców białkowych mogących działać jako wczesne sygnały ostrzegawcze.

Zapalenie i krzepnięcie uwikłane w błędne koło

Mapy białkowe ujawniły szerokie zaburzenia w dwóch ściśle powiązanych układach: zapalnym i krzepnięcia krwi. U pacjentów, którzy później rozwinęli infekcje, wiele białek związanych z tworzeniem skrzepów, aktywnością płytek krwi oraz reakcjami zapalnymi było przesuniętych w górę lub w dół w porównaniu z pacjentami o lepszym rokowaniu. Analizy sieciowe i ścieżek wykazały, że te białka krzepnięcia i układu odpornościowego nie działały w izolacji. Tworzyły gęste sieci interakcji, co wspiera hipotezę, że zaburzenia krzepnięcia mogą podsycać zapalenie, a przewlekłe zapalenie z kolei może dodatkowo uszkadzać system krzepnięcia. Ten szkodliwy sprzężony mechanizm może osłabić zdolność organizmu do ograniczania drobnoustrojów, zwiększając ryzyko nagłego pogorszenia stanu u wrażliwych pacjentów.

Nauczanie komputera rozpoznawania sygnałów białkowych

Aby przekształcić te złożone zmiany białkowe w narzędzie przydatne przy łóżku chorego, zespół wytrenował kilka modeli uczenia maszynowego, w tym regresję logistyczną i inne popularne algorytmy. Z prawie 5000 białek zastosowano metodę selekcji cech, by wybrać te najsilniej powiązane z późniejszymi zakażeniami, a następnie wielokrotnie testowano, jak dobrze różne kombinacje rozdzielają przypadki przyszłych infekcji od kontrolnych. Najlepiej działający i najpraktyczniejszy model, nazwany Modelem 1, ostatecznie wykorzystał zaledwie cztery białka — lizozym (LYZ), kalmodulinę 1 (CALM1), SERPIND1 oraz dermatopontynę (DPT) — wraz z dwoma standardowymi badaniami laboratoryjnymi oceniającymi uszkodzenie wątroby i żółtaczkę (AST i bilirubina całkowita). Po wprowadzeniu danych z krwi pobranej przy przyjęciu model ten poprawnie odróżniał pacjentów, którzy rozwinęli zakażenie, od tych, którzy tego nie doświadczyli, z imponującą dokładnością w grupie początkowej i nadal wysoką skutecznością w niezależnej grupie testowej.

Przekształcenie złożonych testów w proste narzędzia szpitalne

Ponieważ zaawansowane maszyny proteomiczne nie są jeszcze standardem w większości szpitali, badacze sprawdzili, czy prostsze zestawy laboratoryjne mogą zmierzyć ich kluczowe białka. W trzeciej grupie pacjentów zastosowano powszechne testy ELISA — takie, jakie wiele laboratoriów klinicznych już wykonuje — aby ilościowo określić te same cztery białka. Nawet przy tej bardziej podstawowej technologii model komputerowy oparty na odczytach ELISA nadal bardzo dobrze rozróżniał przyszłe przypadki zakażeń od przypadków bez zakażeń. Co ważne, główny model nie tylko przewidywał infekcje wtórne lepiej niż klasyczne markery, takie jak białko C-reaktywne czy liczba białych krwinek; przewidywał także śmierć w ciągu 28 dni dokładniej niż powszechnie stosowane systemy oceny niewydolności wątroby.

Znaczenie dla pacjentów i lekarzy

Mówiąc prosto, praca ta pokazuje, że niewielki „odcisk palca” białek krwi, interpretowany przez model uczenia maszynowego, może ostrzec lekarzy — w ciągu pierwszych dwóch dni hospitalizacji — którzy pacjenci z niewydolnością wątroby związaną z HBV są najbardziej narażeni na rozwój groźnych zakażeń lub szybką śmierć. Zamiast reagować dopiero po pojawieniu się gorączki czy niskiego ciśnienia, klinicyści mogliby użyć takiego testu do intensywniejszego monitorowania pacjentów wysokiego ryzyka, modyfikacji strategii antybiotykowej lub rozważenia wcześniejszej opieki intensywnej. Choć przed wprowadzeniem tej metody do rutyny potrzebne są dalsze walidacje i prostsze testy, badanie wskazuje na przyszłość, w której jedno pobranie krwi może pomóc spersonalizować profilaktykę zakażeń i potencjalnie uratować życie w jednej z najciężej chorych populacji pacjentów z chorobami wątroby.

Cytowanie: 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

Słowa kluczowe: niewydolność wątroby wywołana wirusem zapalenia wątroby B, ryzyko infekcji wtórnej, proteomika osocza, predykcja za pomocą uczenia maszynowego, biomarkery infekcji