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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».