Les chercheurs créent le modèle pour prévoir la mortalité COVID-19

La pandémie de maladie à coronavirus 2019 (COVID-19) a provoqué un pandémonium dans les hôpitaux du monde entier, de nombreux rapports signalant des unités de soins intensifs (USI) débordantes et un manque de lits.

Alors que les programmes de vaccination de masse ont réduit les hospitalisations dans les pays développés, de nombreux pays sont toujours aux prises avec la maladie.

Des chercheurs du Georgia Institute of Technology ont créé un modèle qui peut aider à déterminer l’issue de la maladie chez les patients en soins intensifs.

Une version préimprimée de l’étude est disponible sur le bioRxiv* serveur pendant que l’article est soumis à un examen par les pairs.

L’étude

Les chercheurs ont caractérisé et quantifié les anticorps sériques contre les antigènes canoniques du sang prélevé sur 21 patients atteints de COVID-19 sévère à l’aide de leur plateforme. Ces patients ont été diagnostiqués à l’aide d’un prélèvement nasopharyngé standard suivi d’une PCR et admis aux soins intensifs environ 6 jours après l’apparition des symptômes.

Les échantillons de sérum ont été prélevés dans les 24 heures suivant l’admission aux soins intensifs. Les scientifiques visaient à déterminer si les profils d’anticorps de ces échantillons prélevés au moment de l’admission aux soins intensifs pouvaient prédire l’issue de la maladie. Après avoir observé que ceux qui ont survécu et ceux qui n’avaient pas des niveaux significativement plus élevés d’anticorps spécifiques que les témoins de santé d’avant la pandémie, les chercheurs ont décidé de poursuivre une approche d’apprentissage automatique multivariée, incorporant différents aspects de la réponse des anticorps.

Une approche d’apprentissage automatique en deux étapes a été initialement utilisée, avec une sélection de fonctionnalités à l’aide de la régularisation LASSO et L1 pour éviter le surajustement, suivie d’une classification à l’aide des fonctionnalités sélectionnées. Les modèles qu’ils ont créés prédisaient les résultats mesurés dans une validation croisée k-fold avec des tests de permutation, et étaient basés sur l’IgA anti-spike, l’IgA2 anti-spike RBD et la galactosylation d’anticorps dirigée par RBD. L’analyse discriminante des moindres carrés partiels (PLS-DA) utilisant ces trois caractéristiques sélectionnées vers le bas a aidé à visualiser la stratification et a démontré avec succès qu’elles pouvaient stratifier les survivants et les non-survivants, les trois caractéristiques étant plus élevées chez les survivants.

Pour s’assurer que le modèle était fiable, ses performances ont été testées sur une cohorte de patients en soins intensifs gravement malades. Le modèle généré était toujours significativement prédictif, même si ses performances étaient légèrement moins bonnes. Cela a été expliqué en raison d’une réduction des informations disponibles sur les mesures de glycosylation d’anticorps spécifiques à l’antigène, l’un des facteurs clés sur lesquels le modèle s’est appuyé. Malgré cela, les résultats étaient encore suffisamment précis pour valider l’efficacité du modèle.

Suite à cela, les scientifiques ont tenté d’examiner les niveaux de réponses anticorps dirigées contre les antigènes non canoniques nsp3, nsp13, orf3a et orf8 chez les patients atteints de COVID-19 sévère pour découvrir s’ils étaient indépendamment prédictifs des résultats. Ils ont détecté des réponses d’anticorps à ceux-ci chez les survivants et les non-survivants, mais n’ont pu identifier aucune différence significative entre eux, ils ont donc construit un modèle similaire à celui décrit ci-dessus.

De manière inattendue, ce modèle était aussi efficace pour prédire les résultats que le modèle précédent. Il a sélectionné quatre caractéristiques à analyser : l’IgA anti-orf8, l’IgG3 anti-nsp13, la liaison FcR3A de l’anticorps anti-M et la galactosylation de l’anticorps anti-M. L’analyse PLS-DA a révélé que ces quatre caractéristiques pouvaient différencier les survivants des non survivants – montrant généralement des résultats plus élevés chez les survivants.

Les résultats indiquent que des titres d’anticorps plus élevés pour les isotopes dirigés contre les antigènes canoniques et non canoniques peuvent être associés à la survie. Le modèle a également permis de découvrir qu’une galactosylation accrue des anticorps spécifiques de RBD et M est associée à des résultats favorables, ce qui a été corroboré par la construction d’un modèle prédictif combinant les deux. Pour examiner si les ratios d’anticorps dirigés contre certains résultats étaient prédictifs de la survie, les chercheurs ont mené une analyse post-hoc axée sur les ratios d’anticorps IgA/IgG pour les caractéristiques identifiées dans les deux modèles précédents. La visualisation multivariée PLS-DA a montré que ceux-ci pouvaient réussir à faire la distinction entre les survivants et les non-survivants.

Au cours des analyses préalables, les scientifiques ont remarqué des niveaux de réactivités à nsp13 et nsp3, entre autres, chez les patients témoins de santé, et que ceux-ci étaient différents des anticorps dirigés contre les antigènes canoniques. Comme des études précédentes ont montré que des anticorps peuvent être générés contre les antigènes du SRAS-CoV-2 par infection avec différentes espèces de coronavirus, ils ont décidé de tester si c’était le cas ici. Ils ont analysé la similitude de séquence de la protéine de pointe et de nsp13 par rapport aux antigènes correspondants dans les coronavirus qui ont circulé avant le SRAS-CoV-2, et ont découvert que nsp13 avait une similitude élevée, contrairement à la protéine de pointe.

Suite à cela, ils ont créé un modèle d’apprentissage automatique multivarié à 3 voies pour répondre à la possibilité d’anticorps préexistants à réaction croisée réactifs contre le SRAS-CoV-2. Cela a donné des résultats nettement meilleurs que les modèles construits précédemment et comprenait cinq caractéristiques tirées de toutes les analyses précédentes.

Conclusion

Les auteurs soulignent qu’ils ont créé avec succès un modèle qui peut prédire avec une grande fiabilité l’issue d’une infection grave au COVID-19 chez les patients à partir d’échantillons acquis peu de temps après leur entrée aux soins intensifs.

Ce modèle pourrait être extrêmement utile pour les travailleurs de la santé et pourrait potentiellement être utilisé dans le triage des épidémies graves, ainsi que pour aider à diriger l’attention là où c’est le plus nécessaire.

*Avis important

bioRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies