Возможности поверхностно-усиленной рамановской спектроскопии сыворотки крови в оценке прогноза летальности у пациентов, получающих программный гемодиализ



Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Актуальность. Прогнозирование исходов хронической болезни почек представляет собой актуальную задачу современной медицины. Решение этой задачи возможно с помощью систем стратификации, основанных на биомаркерах, к которым относятся метаболические, электролитные, воспалительные и инструментальные показатели.

Цель. Определить прогностическую значимость поверхностно-усиленной рамановской спектроскопии сыворотки крови в оценке общей смертности у пациентов с терминальной хронической болезнью почек, находящихся на программном гемодиализе.

Материал и методы. В проспективное наблюдение включены 58 пациентов обоего пола в возрасте 33–73 лет (средний возраст — 57,0±12,9 года), находящиеся на программном гемодиализе. В течение 3 лет наблюдения зарегистрировано 13 летальных исходов. Для идентификации спектральных характеристик, имеющих значение для выделения фенотипа, связанного с летальностью, дополнительно сформирована группа сравнения из 75 обследованных (средний возраст — 51,33±13,12 года, р <0,01) с расчётной скоростью клубочковой фильтрации, соответствующей стадиям хронической болезни почек от I до IIIа включительно. Согласно современным критериям, диагноз хронической болезни почек устанавливается при наличии признаков почечной дисфункции, включая ту или иную расчётную скорость клубочковой фильтрации, сохраняющихся в течение 3 мес и более. Однако точную продолжительность бессимптомных стадий хронической болезни почек определить невозможно. Статистическая зависимость спектральных характеристик сыворотки крови от выживаемости установлена для 26 пациентов на гемодиализе с использованием мультивариативного анализа. Для построения прогностической модели применён дискриминантный анализ методом наименьших квадратов — метод машинного обучения, позволяющий создавать классификации.

Результаты. Анализ данных проводили в группе пациентов, получающих программный гемодиализ: 13 пациентов, умерших в течение 3 лет после анализа крови, и пять групп по 13 пациентов, отобранных случайным образом из 45 оставшихся. Каждую группу формировали независимо. Модель тестировали в пяти итерациях, результаты усредняли. Наиболее значимыми частотами спектра для прогноза были: 731, 839, 1240, 1391 и 1578 см−1. Чувствительность модели прогноза составила 83%; специфичность — 79%, точность — 81%, площадь под кривой ROC (AUC) — 0,86. Во 2-й части исследования установлено, что только две из пяти частот, значимых для прогноза выживаемости, совпадают с частотами, характерными для креатинина и мочевины (637, 724, 1001, 1095, 1238, 1393 см−1), которые позволяют различать пациентов с хронической болезнью почек стадий I–IIIа от терминальной стадией с чувствительностью 71%, специфичностью 95% и точностью 83%.

Заключение. Поверхностно-усиленная рамановская спектроскопия сыворотки крови в сочетании с математическим моделированием обладает высокой точностью при минимальных трудозатратах.

Об авторах

Дарья Юрьевна Коновалова

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: snowflake0605@mail.ru
ORCID iD: 0009-0002-2964-2675
SPIN-код: 2059-9769

аспирант, каф. терапии Института профессионального образования с курсом функциональной диагностики

Россия, г. Самара

Мария Алексеевна Скуратова

Самарский государственный медицинский университет

Email: skuratova_m@mail.ru
ORCID iD: 0000-0002-0703-2764
SPIN-код: 6774-6215

ассистент, каф. терапии Института профессионального образования с курсом функциональной диагностики

Россия, г. Самара

Петр Алексеевич Лебедев

Самарский государственный медицинский университет

Email: palebedev@yahoo.com
ORCID iD: 0000-0003-3501-2354
SPIN-код: 8085-3904

д-р мед. наук, профессор, заведующий, каф. терапии Института профессионального образования c курсом функциональной диагностики

Россия, г. Самара

Ирина Александровна Пименова

Самарский национальный исследовательский университет им. акад. С.П. Королёва

Email: pimenova.0312@list.ru
ORCID iD: 0009-0007-5185-0186

магистрант, каф. лазерных и биотехнических систем

Россия, г. Самара

Регина Ильдусовна Биктогирова

Институт клинической медицины им. Н.В. Склифосовского — Первый Московский государственный медицинский университет им. И.М. Сеченова

Email: biktogirovaregina@gmail.com
ORCID iD: 0009-0001-3768-9775
SPIN-код: 5945-6660

студент

Россия, г. Москва

Список литературы

  1. Foreman KJ, Marquez N, Dolgert A, et al. Forecasting life expectancy, years of life lost, and all-cause and cause-specific mortality for 250 causes of death: reference and alternative scenarios for 2016-40 for 195 countries and territories. Lancet. 2018;392(10159):2052–2090. doi: 10.1016/S0140-6736(18)31694-5 EDN: RMCGZN
  2. GBD Chronic Kidney Disease Collaboration. Global, regional, and national burden of chronic kidney disease, 1990–2017: a systematic analysis for the Global Burden of Disease Study 2017. Lancet. 2020;395(10225):709–733. doi: 10.1016/S0140-6736(20)30045-3 EDN: ORCYWT
  3. Kovesdy CP. Epidemiology of chronic kidney disease: an update 2022. Kidney Int Suppl (2011). 2022;12(1):7–11. doi: 10.1016/j.kisu.2021.11.003 EDN: EPJEES
  4. Feldreich T, Nowak C, Fall T, et al. Circulating proteins as predictors of cardiovascular mortality in end-stage renal disease. J Nephrol. 2019;32(1):111–119. doi: 10.1007/s40620-018-0556-5 EDN: IFRXVH
  5. Shilov EM, Shilova MM, Rumyantseva EI, et al. Nephrological service of the Russian federation 2023: part I. Renal replacement therapy. Clinical Nephrology. 2024;16(1):5–14. doi: 10.18565/nephrology.2024.1.5-14 EDN: DAZGYH
  6. Smirnov AV, Dobronravov VA, Bodur-Oorzhak ASh, et al. Epidemiology and risk factors of chronic renal diseases: a regional level of the problem. Terapevticheskii Arkhiv. 2005;77(6):20–27. EDN: HSHUMP
  7. Devine PA, Courtney AE, Maxwell AP. Cardiovascular risk in renal transplant recipients. J Nephrol. 2019;32(3):389–399. doi: 10.1007/s40620-018-0549-4 EDN: WBLAZH
  8. Duranton F, Cohen G, De Smet R, et al; European Uremic Toxin Work Group. Normal and pathologic concentrations of uremic toxins. J Am Soc Nephrol. 2012;23(7):1258–1270. doi: 10.1681/ASN.2011121175
  9. Khristoforova Y, Bratchenko L, Bratchenko I. Raman-Based Techniques in Medical Applications for Diagnostic Tasks: A Review. Int J Mol Sci. 2023;24(21):15605. doi: 10.3390/ijms242115605 EDN: TRIXAO
  10. Khristoforova YA, Bratchenko LA, Skuratova MA, et al. Raman spectroscopy in chronic heart failure diagnosis based on human skin analysis. J Biophotonics. 2023;16(7):e202300016. doi: 10.1002/jbio.202300016 EDN: MJLYIO
  11. Wang P, Guo L, Tian Y, et al Discrimination of blood species using Raman spectroscopy combined with a recurrent neural network. OSA Continuum. 2021;4(2):672–687. doi: 10.1364/OSAC.416351 EDN: VQVFSY
  12. Liu J, Osadchy M, Ashton L, et al. Deep convolutional neural networks for Raman spectrum recognition: a unified solution. Analyst. 2017;142(21):4067–4074. doi: 10.1039/c7an01371j
  13. Zhang Y, Zhu L, Wang Y, et al. Classification of skin autofluorescence spectrum using support vector machine in type 2 diabetes screening. Journal of Innovative Optical Health Sciences. 2013;6(04). doi: 10.1142/S1793545813500363
  14. Al-Sammarraie SZ, Bratchenko LA, Typikova EN, et al. Silver nanoparticles-based substrate for blood serum analysis under 785 nm laser excitation. J of Biomed Phot & Eng. 2022;8(1):010301. doi: 10.18287/JBPE22.08.010301 EDN: UHRZWG
  15. Al-Sammarraie SZ, Bratchenko LA, Tupikova EN, et al. Human blood plasma SERS analysis using silver nanoparticles for cardiovascular diseases detection. J of Biomed Phot & Eng. 2024;10(1). doi: 10.18287/JBPE24.10.010301 EDN: CVOJRT
  16. Zhao J, Lui H, McLean DI, Zeng H. Automated autofluorescence background subtraction algorithm for biomedical Raman spectroscopy. Appl Spectrosc. 2007;61(11):1225–1232. doi: 10.1366/000370207782597003
  17. Kucheryavskiy S. Mdatools — R package for chemometrics. Chemom Intell Lab Syst. 2020;198:103937. doi: 10.1016/j.chemolab.2020.103937 EDN: SMNQXA
  18. Bratchenko LA, Bratchenko IA. Avoiding Overestimation and the ‘Black Box' Problem in Biofluids Multivariate Analysis by Raman Spectroscopy: Interpretation and Transparency With the SP-LIME Algorithm. Journal of Raman Spectroscopy. 2024;56(4). doi: 10.1002/jrs.6764(2024)
  19. Kvalheim OM, Arneberg R, Bleie O, et al. Variable importance in latent variable regression models. J Chemometrics. 2014;28(8):615–622. doi: 10.1002/cem.2626
  20. Hedegaard MAB, Cloyd KL, Horejsa CM, Stevens MM. Model based variable selection as a tool to highlight biological differences in Raman spectra of cells. Analyst (Cambridge, U. K.). 2014;139:4629–4633. doi: 10.1364/BOE.455549
  21. Thompson S, James M, Wiebe N, et al; Alberta Kidney Disease Network. Cause of Death in Patients with Reduced Kidney Function. J Am Soc Nephrol. 2015;26(10):2504–2511. doi: 10.1681/asn.2014070714 EDN: VFHDFN
  22. Collins AJ, Foley RN, Gilbertson DT, Chen SC. United States Renal Data System public health surveillance of chronic kidney disease and end-stage renal disease. Kidney Int Suppl. 2015;5(1):2–7. doi: 10.1038/kisup.2015.2
  23. Xie H, Zhang B, Xie M, Li T. Circulating metabolic signatures of heart failure in precision cardiology. Precis Clin Med. 2023;6(1):pbad005. doi: 10.1093/pcmedi/pbad005 EDN: RMUNAD
  24. Guo J, Rong Z, Li Y, et al. Diagnosis of chronic kidney diseases based on surface-enhanced Raman spectroscopy and multivariate analysis. Laser Phys. 2018;28(7):075603. doi: 10.1088/1555-6611/aabec5 EDN: YILQBV
  25. de Almeida ML, Saatkamp CJ, Fernandes AB, et al. Estimating the Concentration of Urea and Creatinine in the Human Serum of Normal and Dialysis Patients through Raman Spectroscopy. Lasers Med Sci. 2016;31:1415–1423. doi: 10.1117/1.jbo.21.3.037001 EDN: XZEUHF
  26. Bratchenko LA, Al-Sammarraie SZ, Tupikova EN, Konovalova DY. Analyzing the serum of hemodialysis patients with end-stage chronic kidney disease by means of the combination of SERS and machine learning. Biomedical Optics Express. 2022;13(9):4926–4938. doi: 10.1364/BOE.455549 EDN: VWIPXC
  27. Huang Z, Feng S, Guan Q, et al. Correlation of surface-enhanced Raman spectroscopic fingerprints of kidney transplant recipient urine with kidney function parameters. Sci Rep. 2021;11(1):2463. doi: 10.1038/s41598-021-82113-7 EDN: TRLXMD
  28. Su X, Xu Y, Zhao H, et al. Design and preparation of centrifugal microfluidic chip integrated with SERS detection for rapid diagnostics. Talanta. 2019;194:903–909. doi: 10.1016/j.talanta.2018.11.014
  29. Zong M, Zhou L, Guan Q, et al. Comparison of Surface-Enhanced Raman Scattering Properties of Serum and Urine for the Detection of Chronic Kidney Disease in Patients. Appl Spectrosc. 2021;75(4):412–421. doi: 10.1177/0003702820966322 EDN: ZKKJUA

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Эко-Вектор, 2025


СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: ЭЛ № ФС 77 - 75008 от 01.02.2019.