LC-SRM Combined With Machine Learning Enables Fast Identification and Quantification of Bacterial Pathogens in Urinary Tract Infections
Notice bibliographique
Résumé
Urinary tract infections (UTIs) are a worldwide health problem. Fast and accurate detection of bacterial infection is essential to provide appropriate antibiotherapy to patients and to avoid the emergence of drug-resistant pathogens. While the gold standard requires 24 h to 48 h of bacteria culture prior to MALDI-TOF species identification, we propose a culture-free workflow, enabling bacterial identification and quantification in less than 4 h using 1 ml of urine. After rapid and automatable sample preparation, a signature of 82 bacterial peptides, defined by machine learning, was monitored in LC-MS, to distinguish the 15 species causing 84% of the UTIs. The combination of the sensitivity of the SRM mode on a triple quadrupole TSQ Altis instrument and the robustness of capillary flow enabled us to analyze up to 75 samples per day, with 99.2% accuracy on bacterial inoculations of healthy urines. We have also shown our method can be used to quantify the spread of the infection, from 8 × 10 4 to 3 × 10 7 CFU/ml. Finally, the workflow was validated on 45 inoculated urines and on 84 UTI-positive urine from patients, with respectively 93.3% and 87.1% of agreement with the culture-MALDI procedure at a level above 1 × 10 5 CFU/ml corresponding to an infection requiring antibiotherapy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».