COVID-19, który pojawia się po szczepieniu, niesie ze sobą znacznie mniejsze ryzyko ciężkiego przebiegu choroby

Naukowcy opracowali kilka szczepionek zapobiegających zakażeniom koronawirusem 2 zespołu ostrej niewydolności oddechowej (SARS-CoV-2), czynnikiem sprawczym trwającej pandemii choroby koronawirusowej 2019 (COVID-19). Poprzednie badania wykazały, że chociaż odporność wywołana szczepionką zmniejsza się z czasem, skuteczność szczepionki (VE) przeciwko ciężkiej chorobie COVID-19 utrzymuje się przez dłuższy czas. W kilku badaniach wykazano, że szczepionki przeciwko COVID-19 były mniej skuteczne w zapobieganiu ciężkim chorobom u starszych dorosłych i pacjentów z obniżoną odpornością. Niemniej jednak szczepienie COVID-19 zmniejszyło ciężkość choroby wśród pacjentów hospitalizowanych z powodu zakażenia SARS-CoV-2. Osoby w pełni zaszczepione, które były hospitalizowane z powodu objawowego COVID-19, rzadziej wymagały wentylacji mechanicznej, przyjęcia na oddział intensywnej opieki medycznej (ICU) lub umierały w porównaniu z osobami nieszczepionymi. Nadal jednak brakuje badań, które oceniałyby związek między szczepieniem przypominającym COVID-19 a ciężkością choroby przy użyciu dużych prób zakażonych różnymi wariantami SARS-CoV-2. W najnowszym badaniu Journal of Infectious Diseases zbadano wpływ szczepienia COVID-19 na ciężkie infekcje, które wymagały hospitalizacji. Badacze zbadali również szczątkowe czynniki zakłócające przy użyciu kontroli COVID-19-negatywnych oraz metody difference-in-differences. Sieć VISION to współpraca systemów opieki zdrowotnej w Stanach Zjednoczonych i ośrodków badawczych, które zapewniają szczepienia, a także dokumentację medyczną i laboratoryjną. Do kohorty badawczej włączono pacjentów, którzy mieli powyżej 18 lat bez warunków immunokompromisowych i byli hospitalizowani przez ponad 24 godziny z powodu choroby podobnej do COVID-19 (CLI) między 19 sierpnia 2021 r. a 28 marca 2022 r. Wszystkie istotne informacje na temat tych pacjentów były dostępne w placówkach sieci VISION. Kohorta kontrolna test-negatywna obejmowała pacjentów z negatywnymi wynikami testów molekularnych dla COVID-19 w ciągu 14 dni przed i 72 godzin po przyjęciu do szpitala. Do badania włączono osoby w pełni zaszczepione, które otrzymały dwie dawki szczepionki COVID-19 zawierającej messenger ribonucleic acid (mRNA) oraz osoby, które otrzymały dawkę przypominającą lub trzecią. Do analizy porównawczej włączono również osoby nieszczepione. Wszystkich kwalifikujących się uczestników, którzy byli w pełni zaszczepieni dwiema szczepionkami COVID-19 mRNA, podzielono dalej na dwie grupy. Grupy te obejmowały grupę "dwóch ostatnich dawek", w której znalazły się osoby, które otrzymały drugą dawkę szczepionki mniej niż 150 dni przed datą indeksową, oraz grupę "dwóch odległych dawek" obejmującą osoby, które otrzymały drugą dawkę szczepionki 150 dni lub więcej przed datą indeksową. Łącznie 27 149 osób było hospitalizowanych z powodu COVID-19, z których 59,2% i 40,8% było hospitalizowanych odpowiednio w okresie dominacji SARS-CoV-2 Delta i Omicron. Uczestnicy ci zostali włączeni do kohorty testowo-dodatniej. Zaobserwowano, że 75% hospitalizowanych osób było nieszczepionych. W porównaniu z grupą zaszczepioną, osoby nieszczepione były znacznie młodsze. Zazwyczaj w młodszej grupie wiekowej rzadziej występują choroby współistniejące, takie jak cukrzyca i schorzenia układu sercowo-naczyniowego. U osób, które otrzymały szczepionkę uzupełniającą, obserwowano większe osłabienie nasilenia choroby niż u osób, które ukończyły dwudawkowy schemat szczepienia. Może to wynikać z osłabienia odporności wywołanej szczepieniem, która została przywrócona po podaniu dawki przypominającej. Zgodnie z wcześniejszymi badaniami, szczepionka COVID-19 mRNA wykazywała mniejszą skuteczność przeciwko ciężkim zakażeniom wywołanym przez wariant Omicron w porównaniu z wariantem Delta. W większości przypadków mniejszą ochronę przed ciężką chorobą obserwowano u osób zaszczepionych niedawno dwoma dawkami w porównaniu z pacjentami zaszczepionymi dwiema dawkami odległymi lub trzema dawkami przypominającymi. Mogło to wynikać z obecności nieznanego czynnika nieuwzględnionego podczas analizy. Negatywna grupa kontrolna pomogła zidentyfikować potencjalne szczątkowe czynniki zakłócające po kontroli współistniejących chorób medycznych i czynników demograficznych, takich jak płeć, rasa, miejskość i wiek. Wreszcie, zastosowano podejście difference-in-differences w celu dostosowania do czynników niemierzalnych, przy czym wszystkie wyniki wskazują, że szczepienie zmniejszyło ciężkość choroby.

Podejście oparte na uczeniu maszynowym we wczesnej diagnostyce choroby Parkinsona

Spośród wszystkich chorób neurologicznych znacznie wzrosła częstość występowania choroby Parkinsona (PD). PD jest zwykle diagnozowana na podstawie objawów ruchowych, takich jak drżenie spoczynkowe, sztywność i bradykinezja. Jednak wykrycie objawów niemotorycznych, takich jak zaparcia, apatia, utrata węchu i zaburzenia snu, mogłoby pomóc we wczesnym rozpoznaniu PD o kilka lat do dekad. W najnowszym badaniu ACS Central Science naukowcy z University of New South Wales (UNSW) omawiają narzędzie oparte na uczeniu maszynowym (ML), które może wykryć PD na wiele lat przed wystąpieniem pierwszych objawów. Obecnie ogólna dokładność diagnostyczna PD na podstawie objawów motorycznych wynosi 80%. Dokładność ta mogłaby wzrosnąć, gdyby PD była diagnozowana na podstawie biomarkerów, a nie głównie w oparciu o objawy ruchowe. Wiele chorób wykrywa się na podstawie biomarkerów związanych z procesami metabolicznymi. Biometabolity pochodzące z próbek osocza krwi lub surowicy są oceniane za pomocą narzędzi analitycznych, takich jak spektrometria mas (MS). Ostatnio popularność zyskały nieinwazyjne metody diagnostyczne wykorzystujące łój skórny i oddech. Poprzednie badania wykazały, że MS może przewidywać różnice w profilach metabolitów między kandydatami do pre-PD a osobami zdrowymi. Ta różnica w profilach metabolitów była obserwowana do 15 lat przed klinicznym rozpoznaniem PD. Tak więc biomarkery metabolitów mogłyby być wykorzystane do wykrywania PD znacznie wcześniej niż ostatnio stosowane podejścia. Podejścia ML są szeroko stosowane do opracowania dokładnych modeli predykcyjnych dla diagnozy choroby przy użyciu dużych danych metabolomicznych. Jednak rozwój modeli predykcyjnych opartych na całych zestawach danych metabolomicznych wiąże się z wieloma wadami, w tym przetrenowaniem, które może zmniejszyć wydajność diagnostyczną. Większość modeli jest opracowywana przy użyciu mniejszego podzbioru cech, które są wstępnie określone przez tradycyjne metody statystyczne. Niektóre podejścia ML, takie jak liniowa maszyna wektorów wspierających (SVM) i częściowa analiza dyskryminacyjna najmniejszych kwadratów (PLSDA) mogą nie uwzględniać kluczowych cech w zbiorach danych metabolomicznych. Ograniczenie to zostało jednak rozwiązane przez zaawansowane metody ML, takie jak sieci neuronowe (NN), które zostały zaprojektowane szczególnie do przetwarzania dużych danych. NN są wykorzystywane do opracowywania modeli, które mają nieliniowe działanie. Kluczową wadą modeli predykcyjnych opartych na NN jest brak informacji mechanistycznych i nieinterpretowalność modeli. Do interpretacji modeli ML opracowano ostatnio addytywne wyjaśnienia Shapleya (SHAP). Jednak technika ta nie została jeszcze wykorzystana do analizy zbiorów danych metabolomicznych. W obecnym badaniu naukowcy ocenili próbki krwi uzyskane z hiszpańskiego badania European Prospective Study on Nutrition and Cancer (EPIC) przy użyciu różnych narzędzi analitycznych, takich jak chromatografia gazowa-MS (GC-MS), elektroforeza kapilarna-MS (CE-MS) i chromatografia cieczowa-MS (LC-MS). Badanie EPIC dostarczyło danych metabolomicznych z próbek osocza krwi uzyskanych zarówno od zdrowych kandydatów, jak i tych, u których później rozwinęła się PD, aż do 15 lat po pierwotnym pobraniu ich próbki. Diane Zhang, badaczka z UNSW, opracowała narzędzie ML o nazwie Classification and Ranking Analysis using Neural Networks generates Knowledge from MS (CRANK-MS). Narzędzie to zostało zbudowane w celu interpretacji ram opartych na NN do analizy zbioru danych metabolomicznych generowanych przez narzędzia analityczne. CRANK-MS składa się z kilku funkcji, w tym zintegrowanych parametrów modelu, które oferują wysoką wymiarowość zbiorów danych metabolomicznych do analizy bez konieczności wstępnej selekcji cech chemicznych. CRANK-MS zawiera również SHAP do retrospektywnego badania i identyfikacji kluczowych cech chemicznych, które pomagają w dokładnym przewidywaniu modelu. Ponadto, SHAP umożliwia przeprowadzenie testów porównawczych z pięcioma znanymi metodami ML w celu porównania wydajności diagnostycznej i walidacji cech chemicznych. Dane metabolomiczne uzyskane od 39 pacjentów, którzy rozwinęli PD do 15 lat później, zostały zbadane za pomocą nowo opracowanego narzędzia opartego na ML. Profil metabolitów 39 pacjentów przed PD został porównany z 39 dopasowanymi pacjentami kontrolnymi, co pozwoliło na uzyskanie unikalnej kombinacji metabolitów, która może być wykorzystana jako wczesny sygnał ostrzegawczy przed wystąpieniem PD. Warto zauważyć, że to podejście ML wykazało większą dokładność w przewidywaniu PD przed diagnozą kliniczną. Pięć metabolitów uzyskało konsekwentnie wysokie wyniki we wszystkich sześciu modelach ML, wskazując tym samym na ich potencjalną przydatność w przewidywaniu przyszłego rozwoju PD. Klasy tych metabolitów obejmowały polifluorowane substancje alkilowe (PFAS), triterpenoidy, diacyloglicerole, steroidy i steroidy cholestanu. Wykryty metabolit diacylogliceroli - izomery 1,2-diacyloglicerolu (34:2) to niektóre oleje roślinne, takie jak oliwa z oliwek, która jest często spożywana w diecie śródziemnomorskiej. PFAS jest neurotoksyną środowiskową, która może zmieniać przetwarzanie, sygnalizację i funkcję komórek neuronalnych.