Una nueva arma para el diagnóstico de tuberculosis y la detección de resistencia a los medicamentos: una secuenciación dirigida a la nueva generación (TNG) combinada con el aprendizaje automático para el diagnóstico de hipersensibilidad de tuberculosis
Informe de literatura: CCA: un modelo de diagnóstico basado en TNG y aprendizaje automático, que es adecuado para personas con menos tuberculosis bacteriana y meningitis tuberculosa.
Título de la tesis: secuenciación y aprendizaje automático de la próxima generación dirigida a tuberculos: una estrategia de diagnóstico ultra sensible para tubularios pulmonares y meningitis tubular.
Periódico: 《clínica chimica acta》
Si : 6.5
Fecha de publicación: enero de 2024
Combinado con la Universidad de la Academia de Ciencias de China y el Hospital Beijing Chest del Capital Medical University, Macro & Micro-Test estableció un modelo de diagnóstico de tuberculosis basado en la nueva generación de tecnología de secuenciación específica (TNG) y un método de aprendizaje automático, que proporcionó un ultra alto contenido. La sensibilidad a la detección de la tuberculosis con pocas bacterias y meningitis tuberculosa proporcionó un nuevo método de diagnóstico de hipersensibilidad para la clínica Diagnóstico de dos tipos de tuberculosis y ayudó al diagnóstico preciso, la detección de resistencia a los medicamentos y el tratamiento de la tuberculosis. Al mismo tiempo, se encuentra que el ADNc en plasma del paciente puede usarse como un tipo de muestra adecuado para el muestreo clínico en el diagnóstico de TBM.
En este estudio, se utilizaron 227 muestras plasmáticas y muestras de líquido cefalorraquídeo para establecer dos cohortes clínicas, en las que se usaron muestras de cohorte de diagnóstico de laboratorio para establecer el modelo de aprendizaje automático del diagnóstico de tuberculosis, y las muestras de cohorte de diagnóstico clínico para verificar el establecido modelo de diagnóstico. Todas las muestras fueron atacadas primero por un grupo de sondas de captura dirigido especialmente diseñado para Mycobacterium tuberculosis. Luego, según los datos de secuenciación de TB-TNGS, el modelo de árbol de decisión se utiliza para realizar una validación transversal 5 veces en los conjuntos de entrenamiento y validación de la cola de diagnóstico de laboratorio, y se obtienen los umbrales de diagnóstico de muestras plasmáticas y muestras de líquidos cerebroespinales. El umbral obtenido se lleva a dos conjuntos de pruebas de la cola de diagnóstico clínico para la detección, y el rendimiento diagnóstico del alumno es evaluado por ROC Curve. Finalmente, se obtuvo el modelo de diagnóstico de tuberculosis.
Fig. 1 Diagrama esquemático de diseño de investigación
Resultados: De acuerdo con los umbrales específicos de la muestra de ADN de LCR (AUC = 0.974) y la muestra de ADNc en plasma (AUC = 0.908) determinado en este estudio, entre 227 muestras, la sensibilidad de la muestra de LCR fue del 97.01%, la especificidad fue del 95.65%, y La sensibilidad y la especificidad de la muestra de plasma fueron 82.61% y 86.36%. En el análisis de 44 muestras emparejadas de ADN en plasma y ADN de líquido cefalorraquídeo de pacientes con TBM, la estrategia de diagnóstico de este estudio tiene una alta consistencia de 90.91% (40/44) en ADN en plasma y ADN de líquido cefalorraquídeo, y la sensibilidad es 95.45% (42/44). En niños con tuberculosis pulmonar, la estrategia de diagnóstico de este estudio es más sensible a las muestras de plasma que los resultados de detección de Xpert de muestras de jugo gástrico de los mismos pacientes (28.57% frente a 15.38%).
Fig. 2 Análisis rendimiento del modelo de diagnóstico de tuberculosis para muestras de población