Plasma lipidomic signatures reveal age-associated patterns of septic shock risk and immune dysregulation in sepsis
Notice bibliographique
Résumé
Background: Sepsis is associated with significant lipidomic disturbances, but age-associated lipidomic patterns remain poorly characterized. Given the links between aging, immune dysfunction, and metabolic dysregulation, defining age-specific lipid profiles could improve sepsis risk assessment. This study investigates age-stratified lipidomic signatures in sepsis and identifies biomarkers for clinical severity. Methods: We prospectively enrolled 62 sepsis patients (21 <65 years, 41 ≥65 years) and 40 healthy controls. Plasma lipidomics was performed via untargeted LC-MS/MS, identifying 1,277 lipid species across 38 subclasses. Principal component analysis (PCA) and consensus clustering were used to assess lipidomic differences and define patient subtypes. Correlations between lipid subclasses, clinical severity (SOFA scores), and immune cell subsets were analyzed. An age-adjusted risk stratification model was developed to assess septic shock and mortality risk (AUC analysis). Results: Sepsis patients exhibited reduced phosphatidylcholine (PC), cholesteryl ester (CE), and lysophosphatidylcholine (LPC) levels (all P<0.05). Clustering revealed four lipidomic patterns, with Cluster 4 distinguishing two sepsis subtypes (C1, C2). Subtype C2 had higher septic shock incidence (57.1% vs. 14.8%, P = 0.0013) and downregulation of 92 lipids, 35 of which strongly correlated with SOFA scores. A risk stratification model incorporating six key lipids (LPC(19:0), PC(P-19:0), SM 32:3;2O(FA 16:3), PC(P-20:0), PC(O-18:1/20:3), CE(15:0)) and age accurately predicted septic shock (AUC: 0.87 training, 0.82 validation) and mortality risk in elderly patients. PC levels correlated with monocytes, while CE and LPC associated with complement proteins and CD8+ T cells. Conclusions: Our lipid-based model effectively predicts septic shock and mortality, particularly in elderly sepsis patients. Age-associated lipid alterations (PC, LPC, CE reduction) correlate with disease severity and immune dysregulation, suggesting distinct lipid-immune mechanisms in younger vs. elderly patients. These findings support lipidomics as a tool for sepsis risk stratification and personalized therapy.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».