HBV ile ilişkili karaciğer yetmezliğinde ikincil enfeksiyonu öngörmek için proteomik tabanlı makine öğrenmesi modeli

Hastane kaynaklı enfeksiyonlar karaciğer hastaları için neden önemli

Hepatit B virüsünün neden olduğu ağır karaciğer hastalığı olan kişiler genellikle hastanede uzun süreler geçirir; zayıflamış bedenleri yeni enfeksiyonlara kolayca açıktır. Bu “ikincil enfeksiyonlar” hastayla birlikte gelmez, birkaç gün sonra gelişir ve organ yetmezliği ile ölüm riskini keskin şekilde artırır. Sorun şu ki, hekimlerin kabul sırasında hangi hastaların bu tür enfeksiyonlara en yatkın olduğunu güvenilir biçimde bilmenin bir yolu yok. Bu çalışma basit ama güçlü bir soruyu soruyor: bir hastanın kanında dolaşan proteinler, tehlikeye doğru gideni erken dönemde müdahale edilebilecek kadar önceden haber verebilir mi?

Gizli riski ortaya çıkarmak için kana bakmak

Araştırmacılar, Çin’de üç büyük hastanede tedavi gören hepatit B kaynaklı karaciğer yetmezliği olan 234 yetişkini izledi. Kabul sırasında aktif enfeksiyon belirtisi olmayanların yaklaşık üçte biri, bir hafta içinde karın, akciğer, idrar yolu veya kan dolaşımının ciddi enfeksiyonlarını geliştirdi. Kabul sonrası 48 saat içinde alınan kan örneklerinden ekip, hastaların plazmasındaki binlerce farklı proteini ölçmek için ileri düzey “proteomik” araçlar kullandı. Daha sonra enfeksiyon gelişen hastalarla gelişmeyenleri karşılaştırarak erken uyarı sinyali olabilecek protein desenleri aradılar.

İltihaplanma ve pıhtılaşmanın kısır döngüsü

Protein haritaları iki sıkı bağlantılı sistemde geniş bozulmalar gösterdi: iltihaplanma ve kan pıhtılaşması. Sonradan enfeksiyon geliştiren hastalarda, pıhtı oluşumu, platelet aktivitesi ve vücudun iltihabi tepkileriyle ilgili pek çok protein, daha güvenli hastalara kıyasla yukarı veya aşağı kaymıştı. Ağ ve yol analizleri, bu pıhtılaşma ve bağışıklık proteinlerinin izole davranmadığını ortaya koydu. Bunun yerine, yoğun etkileşim ağları oluşturuyorlardı; bu da hatalı pıhtılaşmanın iltihabı körükleyebileceği ve devam eden iltihabın pıhtılaşma sistemine daha fazla zarar verebileceği fikrini destekliyor. Bu zararlı geri bildirim döngüsü, vücudun istilacı mikroorganizmaları kontrol etme yeteneğini azaltabilir ve yüksek riskli hastaları ani kötüleşmelere hazırlayabilir.

Protein sinyallerini okumayı bir bilgisayara öğretmek

Bu karmaşık protein değişikliklerini klinikte kullanılabilir hale getirmek için ekip, lojistik regresyon ve diğer popüler algoritmalar dahil olmak üzere birkaç makine öğrenmesi modeli eğitti. Yaklaşık 5.000 proteinle başlayıp, daha sonra enfeksiyonla güçlü şekilde ilişkili olanları seçmek için bir öznitelik-seçim yöntemi kullandılar ve farklı kombinasyonların gelecekteki enfeksiyon vakalarını kontrollerden ne kadar iyi ayırdığını tekrar tekrar test ettiler. En iyi performans gösteren ve en pratik model olan Model 1, sadece dört proteini—lizozim (LYZ), kalmodulin 1 (CALM1), SERPIND1 ve dermatopontin (DPT)—ile karaciğer hasarı ve sarılığı gösteren iki standart laboratuvar ölçütünü (AST ve toplam bilirubin) kullandı. Kabul kan verileri bu modele verildiğinde, model başlangıç grubunda enfeksiyon gelişecekleri gelişmeyeceklerden çarpıcı bir doğrulukla ayırt etti ve bağımsız bir test grubunda da güçlü bir performans sergiledi.

Karmaşık testleri basit hastane araçlarına dönüştürmek

Yüksek düzey proteomik makineler çoğu hastanede henüz rutin olmadığından, araştırmacılar daha basit laboratuvar kitlerinin anahtar proteinleri ölçüp ölçemeyeceğini sordular. Üçüncü hasta grubunda, birçok klinik laboratuvarın zaten çalıştırdığı türden yaygın ELISA testleri kullanarak aynı dört proteini nicelendirdiler. Bu daha temel teknolojiyle bile, ELISA okumalarına dayanan bir bilgisayar modeli gelecekteki enfeksiyon vakalarını vakalar dışındakilerden ayırt etmede hâlâ çok iyi bir iş çıkardı. Önemli olarak, ana model klasik belirteçler olan C-reaktif protein veya beyaz kan hücresi sayımlarından daha iyi ikincil enfeksiyonu tahmin etmekle kalmadı; 28 gün içinde kimlerin öleceğini de yaygın kullanılan karaciğer yetmezliği skor sistemlerinden daha doğru öngördü.

Hastalar ve hekimler için bunun anlamı

Basitçe ifade edersek, bu çalışma, bir makine öğrenmesi modeliyle yorumlandığında küçük bir kan proteini “parmak izi”nin—hastaneye yatışın ilk iki günü içinde—hepatit B ile ilişkili karaciğer yetmezliği hastalarından hangilerinin tehlikeli enfeksiyonlar geliştirme veya kısa süre içinde ölme olasılığının yüksek olduğunu hekimlere haber verebileceğini gösteriyor. Ateş veya düşük kan basıncı ortaya çıktıktan sonra tepki vermek yerine, klinisyenler böyle bir testi yüksek riskli hastaları daha yakından izlemek, antibiyotik stratejilerini ayarlamak veya daha erken yoğun bakım olanağını değerlendirmek için kullanabilir. Bu yaklaşım rutin hale gelmeden önce daha fazla doğrulama ve daha kolay ölçüm yöntemleri gerekse de, çalışma tek bir kan örneğinin enfeksiyon önlemeyi kişiselleştirmeye yardımcı olabileceği ve en hasta karaciğer hasta gruplarında hayat kurtarabileceği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: hepatit B karaciğer yetmezliği, ikincil enfeksiyon riski, plazma proteomikleri, makine öğrenmesi tahmini, enfeksiyon biyobelirteçleri