سپسیس، واکنش بیش از حد سیستم ایمنی در پاسخ به عفونت، باعث حدود ۲۰ درصد مرگ و میر در سراسر جهان و ۲۰ تا ۵۰ درصد از مرگ و میرهای بیمارستانی در ایالات متحده در هر سال می شود. با وجود شیوع و شدت آن، تشخیص و درمان موثر این بیماری دشوار است.
این بیماری می تواند باعث کاهش جریان خون به اندام های حیاتی، التهاب در سراسر بدن و لخته شدن غیر طبیعی خون شود. بنابراین، اگر سپسیس به سرعت شناسایی و درمان نشود، می تواند منجر به شوک، نارسایی اندام ها و مرگ شود. اما تشخیص اینکه کدام پاتوژن باعث سپسیس می شود یا اینکه آیا عفونت در جریان خون است یا در جای دیگری از بدن می تواند دشوار باشد.
اکنون، محققان کالیفرنیا یک روش تشخیصی جدید ایجاد کرده‌اند که یادگیری ماشینی را برای داده‌های ژنومیک پیشرفته از میکروب و میزبان – برای شناسایی استفاده می‌کند و موارد سپسیس را پیش بینی کند. همانطور که در ۲۰ اکتبر ۲۰۲۲ در Nature Microbiology گزارش شد، این رویکرد به طرز شگفت آوری دقیق است و پتانسیل آن را دارد که بسیار فراتر از قابلیت های تشخیصی فعلی باشد.
به گفته محققان روش جدید، تشخیص‌های سپسیس کنونی بر شناسایی باکتری‌ها از طریق رشد آنها در کشت متمرکز است، فرآیندی که برای درمان آنتی‌بیوتیکی مناسب، که برای بقای سپسیس حیاتی است، ضروری است. اما کشت این پاتوژن ها زمان بر است و همیشه باکتری عامل عفونت را به درستی شناسایی نمی کند. به طور مشابه برای ویروس‌ها، آزمایش‌های PCR می‌توانند تشخیص دهند که ویروس‌ها بیمار را آلوده می‌کنند، اما همیشه ویروس خاصی را که باعث سپسیس می‌شود شناسایی نمی‌کند.
در فقدان یک روش تشخیصی قطعی، پزشکان اغلب آمیزه‌ای از آنتی‌بیوتیک‌ها را تجویز می‌کنند تا بلکه بتوانند عفونت را متوقف کنند، اما مصرف بیش از حد آنتی‌بیوتیک‌ها به مقاومت در برابر این داروها در سطح جهانی منجر شده است.
محققان در این روش جدید بجای کشت باکتری برای شناسایی پاتوژن‌ها، از روش زنجیره‌بندی متاژنومیک نسل بعدی (mNGS) استفاده کردند. این روش تمام اسیدهای هسته‌ای (nucleic ) یا داده‌های ژنتیکی حاضر در یک نمونه را شناسایی می‌کند و سپس آن داده‌ها را با ژنوم‌های مرجع مقایسه می‌کند تا از این طریق ارگانیسم‌های میکروبی حاضر شناسایی شوند. این تکنیک به دانشمندان اجازه می‌دهد مواد ژنتیکی از قلمروهای کاملا متفاوتی از ارگانیسم‌ها – اعم از باکتری، ویروس یا قارچ را شناسایی کنند.
اما شناسایی پاتوژن‌ها به تنهایی برای تشخیص درست عفونت خون کافی نیست. دانشمندان همچنین روش «نمایه‌برداری رونویسی» (transcriptional profiling ) را اجرا کردند. این روش که کمیت بیان ژن را مشخص می‌کند به تعیین پاسخ بیمار به عفونت کمک می‌کند. آنها سپس با کاربرد یادگیری ماشینی برای تمایز بین عفونت خون و سایر بیماری‌ها و تایید تشخیص خود استفاده کردند.
این محققان دریافتند که شیوه mNGS و مدل بعدی آن عملکردی بهتر از حد انتظار داشته و قادر به تشخیص ۹۹ درصد از موارد عفونت خون باکتریایی است. این تیم امیدوار است با این تکنیک تشخیصی موفقیت‌آمیز همچنین به مدلی دست پیدا کند که بتواند مقاومت آنتی‌بیوتیکی را نیز پیش‌بینی کند.
این بیماری می تواند باعث کاهش جریان خون به اندام های حیاتی، التهاب در سراسر بدن و لخته شدن غیر طبیعی خون شود. بنابراین، اگر سپسیس به سرعت شناسایی و درمان نشود، می تواند منجر به شوک، نارسایی اندام ها و مرگ شود. اما تشخیص اینکه کدام پاتوژن باعث سپسیس می شود یا اینکه آیا عفونت در جریان خون است یا در جای دیگری از بدن می تواند دشوار باشد.
اکنون، محققان کالیفرنیا یک روش تشخیصی جدید ایجاد کرده‌اند که یادگیری ماشینی را برای داده‌های ژنومیک پیشرفته از میکروب و میزبان – برای شناسایی استفاده می‌کند و موارد سپسیس را پیش بینی کند. همانطور که در ۲۰ اکتبر ۲۰۲۲ در Nature Microbiology گزارش شد، این رویکرد به طرز شگفت آوری دقیق است و پتانسیل آن را دارد که بسیار فراتر از قابلیت های تشخیصی فعلی باشد.
به گفته محققان روش جدید، تشخیص‌های سپسیس کنونی بر شناسایی باکتری‌ها از طریق رشد آنها در کشت متمرکز است، فرآیندی که برای درمان آنتی‌بیوتیکی مناسب، که برای بقای سپسیس حیاتی است، ضروری است. اما کشت این پاتوژن ها زمان بر است و همیشه باکتری عامل عفونت را به درستی شناسایی نمی کند. به طور مشابه برای ویروس‌ها، آزمایش‌های PCR می‌توانند تشخیص دهند که ویروس‌ها بیمار را آلوده می‌کنند، اما همیشه ویروس خاصی را که باعث سپسیس می‌شود شناسایی نمی‌کند.
در فقدان یک روش تشخیصی قطعی، پزشکان اغلب آمیزه‌ای از آنتی‌بیوتیک‌ها را تجویز می‌کنند تا بلکه بتوانند عفونت را متوقف کنند، اما مصرف بیش از حد آنتی‌بیوتیک‌ها به مقاومت در برابر این داروها در سطح جهانی منجر شده است.
محققان در این روش جدید بجای کشت باکتری برای شناسایی پاتوژن‌ها، از روش زنجیره‌بندی متاژنومیک نسل بعدی (mNGS) استفاده کردند. این روش تمام اسیدهای هسته‌ای (nucleic ) یا داده‌های ژنتیکی حاضر در یک نمونه را شناسایی می‌کند و سپس آن داده‌ها را با ژنوم‌های مرجع مقایسه می‌کند تا از این طریق ارگانیسم‌های میکروبی حاضر شناسایی شوند. این تکنیک به دانشمندان اجازه می‌دهد مواد ژنتیکی از قلمروهای کاملا متفاوتی از ارگانیسم‌ها – اعم از باکتری، ویروس یا قارچ را شناسایی کنند.
اما شناسایی پاتوژن‌ها به تنهایی برای تشخیص درست عفونت خون کافی نیست. دانشمندان همچنین روش «نمایه‌برداری رونویسی» (transcriptional profiling ) را اجرا کردند. این روش که کمیت بیان ژن را مشخص می‌کند به تعیین پاسخ بیمار به عفونت کمک می‌کند. آنها سپس با کاربرد یادگیری ماشینی برای تمایز بین عفونت خون و سایر بیماری‌ها و تایید تشخیص خود استفاده کردند.
این محققان دریافتند که شیوه mNGS و مدل بعدی آن عملکردی بهتر از حد انتظار داشته و قادر به تشخیص ۹۹ درصد از موارد عفونت خون باکتریایی است. این تیم امیدوار است با این تکنیک تشخیصی موفقیت‌آمیز همچنین به مدلی دست پیدا کند که بتواند مقاومت آنتی‌بیوتیکی را نیز پیش‌بینی کند.
کد خبر ۲۰۱۰۱۰۹۰۵.۰۴۷
