Машинное обучение на основе протеомики для прогнозирования вторичных инфекций при печеночной недостаточности, связанной с HBV

Почему внутрибольничные инфекции важны для пациентов с заболеваниями печени

Люди с тяжелыми поражениями печени, вызванными вирусом гепатита B, часто проводят длительное время в стационаре, где их ослабленный организм легко поддается новым инфекциям. Эти «вторичные инфекции» не присутствуют при поступлении, а развиваются спустя дни и резко повышают вероятность отказа органов и смерти. Проблема в том, что врачи сегодня не имеют надежного способа заранее определить при поступлении, у каких пациентов наиболее высок риск таких инфекций. В этом исследовании поставлен простой, но мощный вопрос: могут ли белки, уже циркулирующие в крови пациента, выявить тех, кто находится в зоне риска достаточно рано, чтобы можно было вмешаться?

Заглядывая в кровь, чтобы заметить скрытый риск

Исследователи наблюдали 234 взрослых пациента с печеночной недостаточностью, связанной с гепатитом B, лечившихся в трех крупных больницах Китая. При поступлении у никого не было признаков активной инфекции, однако примерно у трети пациентов в течение недели развились серьезные инфекции брюшной полости, легких, мочевыводящих путей или кровотока. Из образцов крови, взятых в первые 48 часов после поступления, команда использовала современные методы «протеомики» для измерения тысяч различных белков в плазме пациентов. Сравнивая тех, у кого позже развилась инфекция, с теми, у кого ее не было, они искали белковые паттерны, которые могли бы служить ранними предупреждающими сигналами.

Воспаление и свертывание крови в опасной петле

Картирование белков выявило широкие нарушения в двух тесно связанных системах: воспалении и свертывании крови. У пациентов, у которых позже развились инфекции, многие белки, участвующие в образовании тромбов, активности тромбоцитов и воспалительных реакциях организма, были смещены вверх или вниз по сравнению с пациентами с более благоприятным исходом. Сетевые и путевые анализы показали, что эти белки свертывания и иммунной системы не действуют по отдельности. Они образуют плотные сети взаимодействий, что поддерживает идею о том, что нарушенное свертывание может разжигать воспаление, а продолжающееся воспаление, в свою очередь, дополнительно повреждает систему свертывания. Эта вредоносная обратная связь может уменьшать способность организма сдерживать вторжение микробов, подготавливая пациентов с высоким риском к внезапному ухудшению.

Обучение компьютера «читать» белковые сигналы

Чтобы превратить эти сложные изменения белкового состава в инструмент, пригодный для использования у постели больного, команда обучила несколько моделей машинного обучения, включая логистическую регрессию и другие популярные алгоритмы. Начиная почти с 5000 белков, они использовали метод отбора признаков, чтобы выбрать те, которые были наиболее тесно связаны с последующей инфекцией, затем многократно тестировали, насколько хорошо разные комбинации разделяют будущие случаи инфекции и контрольные пациенты. Лучшей по показателям и наиболее практичной оказалась модель, названная Модель 1, которая в итоге использовала всего четыре белка — лизоцим (LYZ), калмодулин 1 (CALM1), SERPIND1 и дерматопонтин (DPT) — вместе с двумя стандартными лабораторными показателями повреждения печени и желтухи (AST и общий билирубин). По данным крови при поступлении эта модель с высокой точностью отличала пациентов, у которых развивалась инфекция, от тех, у кого не развивалась, в исходной группе и сохраняла сильную эффективность в независимой тестовой группе.

Преобразование сложных тестов в простые больничные инструменты

Поскольку дорогие приборы для протеомики еще не стали рутинными в большинстве больниц, исследователи проверили, можно ли измерять ключевые белки более простыми лабораторными наборами. В третьей группе пациентов они использовали обычные тесты ELISA — те, которые уже применяются во многих клинических лабораториях — для количественного определения тех же четырех белков. Даже при использовании этой более простой технологии компьютерная модель на основе показаний ELISA все равно хорошо различала будущие случаи инфекций и отсутствующие случаи. Важно, что основная модель не только предсказывала вторичные инфекции точнее, чем классические маркеры вроде C‑реактивного белка или количества лейкоцитов; она также лучше прогнозировала смерть в течение 28 дней по сравнению с широко применяемыми шкалами для оценки печеночной недостаточности.

Что это значит для пациентов и врачей

Проще говоря, это исследование показывает, что небольшой «отпечаток» белков крови, интерпретируемый моделью машинного обучения, может предупредить врачей — в первые двое суток госпитализации — о том, какие пациенты с печеночной недостаточностью, связанной с гепатитом B, с наибольшей вероятностью разовьют опасные инфекции или вскоре умрут. Вместо того чтобы реагировать на появление лихорадки или падение кровяного давления, клиницисты могли бы использовать такой тест для более тщательного наблюдения за пациентами с высоким риском, корректировки антибактериальной тактики или рассмотрения более ранней интенсивной терапии. Хотя требуется дальнейшая валидация и упрощение методов до того, как подход станет рутинным, исследование указывает на будущее, в котором один забор крови может помочь персонализировать профилактику инфекций и потенциально спасти жизни в одной из наиболее тяжелых групп пациентов с заболеваниями печени.

Цитирование: 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

Ключевые слова: печеночная недостаточность при гепатите B, риск вторичных инфекций, протеомика плазмы, машинное обучение для прогнозирования, биомаркеры инфекции