预测儿科脓毒症：机器学习模型在PICU中实现早期预警的突破性进展

《Pediatric Research》：Predicting pediatric sepsis: bridging the gap between diagnosis and early intervention

本刊推荐：为破解儿科脓毒症早期识别难题，Chanci团队基于Phoenix标准开发机器学习预测模型，在PICU验证显示AUROC达0.98，可提前19小时预警脓毒症发生。该研究为将预测模型整合至临床决策支持系统（如SAMURAI PICU试验）奠定基础，对降低儿科脓毒症病死率具有重要意义。

　　

在儿科重症监护领域，脓毒症始终是威胁儿童生命的重大挑战。这种由感染引发的危及生命的器官功能障碍，每年导致全球大量儿童死亡。尽管临床经验丰富的医生能够识别典型病例，但脓毒症临床表现的异质性使得早期诊断异常困难。过去三十年间，医学界不断尝试建立标准化的诊断体系，而最新发布的Phoenix共识标准通过机器学习分析全球数百万医疗记录，显著推进了儿科脓毒症的诊断标准化进程。然而，Phoenix标准本身并非为筛查脓毒症高风险患儿或早期识别疑似病例而设计，这就在诊断与干预之间形成了一道亟待弥合的时间缺口。

正是在这样的背景下，Chanci等人的研究应运而生。这项发表在《Pediatric Research》的重要工作，创新性地利用电子病历数据构建机器学习模型，旨在预测儿科重症监护室（PICU）患儿是否将在未来满足Phoenix脓毒症标准。研究的核心价值在于它成功将预测窗口提前至脓毒症发生前约19小时，为临床干预争取了宝贵时间。

研究人员采用了一种独特的设计方案：利用同一医疗系统内运营的两家高水平PICU，将其中一家作为模型开发队列，另一家作为验证队列。研究团队回顾性分析了2379例符合Phoenix脓毒症标准的病例，基于患者年龄、生命体征、实验室检查和用药记录等结构化数据，训练了四种不同的机器学习算法。值得注意的是，研究还将儿科序贯器官衰竭评估（pSOFA）评分纳入主要分析，这一评分源自成人脓毒症诊断标准Sepsis-3的儿科适应版。

在模型性能评估中，所有四种模型均表现出色，其中以Categorical Boosting模型表现最佳。模型区分度的经典指标——受试者工作特征曲线下面积（AUROC）高达0.98，显示出极佳的预测能力。考虑到脓毒症在验证队列中的发生率为8.1%，精确回忆曲线下面积（AUPRC）达到0.83，这一指标在不平衡数据集中更具参考价值，表明模型的预测效果是随机预测的10倍以上。

为增强临床实用性，研究人员还深入分析了驱动模型预测的关键特征。pSOFA评分是最强预测因子，其次是与患者主要诊断相关的要素，如哮喘和癫痫药物的使用能够可靠区分脓毒症与非脓毒症患者。其他重要特征主要反映进行性器官功能障碍和生命体征异常。这些发现不仅验证了模型的生物学合理性，也为临床医生理解模型决策提供了透明窗口。

特别值得关注的是对误分类病例的分析。研究发现，“假阳性”患者实际上是比平均水平更危重的群体，其院内死亡风险是总体研究人群的三倍。而“假阴性”患者虽然满足Phoenix脓毒症标准但未被模型预测，但这部分患者的死亡率低于模型识别出的患者。这表明模型能够有效锁定脓毒症相关死亡最高风险的患儿群体。

主要技术方法

研究利用同一医疗系统内两家PICU（一家学术性四级PICU作为开发队列，一家社区三级PICU作为验证队列）的电子病历数据，纳入2379例符合Phoenix脓毒症标准的病例。基于年龄、生命体征、实验室值、药物使用及pSOFA评分等结构化数据，训练并比较了四种机器学习算法（包括Categorical Boosting模型），通过AUROC和AUPRC评估模型性能，并分析特征重要性及误分类病例临床特征。

模型性能卓越但需外部验证

研究结果显示，所有四种机器学习模型均表现出优异的预测能力，最佳模型的AUROC值达到0.98，AUPRC值为0.83。模型能够提前约19小时预测脓毒症发生，为早期干预创造了时间窗口。pSOFA评分被确定为最强预测因子，其次是反映患者主要诊断的特征要素。对误分类病例的分析进一步证实，模型倾向于高估病情较重患者的风险，而漏诊的往往是低风险患者，这种误差模式在临床实践中具有可接受性。

模型在特殊人群中的适用性待验证

研究同时指出，模型在免疫抑制患者（如实体器官移植、造血干细胞移植受体或复杂肿瘤性疾病患者）中的性能尚不明确。这些患者通常存在基础器官功能不全，是脓毒症死亡最高风险群体，也是预测模型价值最大的目标人群。然而，由于验证队列可能未充分代表这类患者，模型在这一特定人群中的适用性需要进一步评估。

从预测到干预的转化挑战

研究人员强调，早期预测仅是改善预后的第一步。目前尚无特异性治疗能够阻断感染向脓毒症进展，但提前数小时预测脓毒症相关器官衰竭为未来可能开发的疗法提供了干预窗口。在当前阶段，预测模型仍可能通过提升团队动态和情境意识来改善预后。例如，PICU中已开展通过结构化多学科合作识别心脏骤停高风险患者并制定个体化应对方案的项目，观察性研究显示此类干预可显著降低心脏骤停发生率和死亡率。基于算法的临床决策支持工具是这些干预的核心组成部分，Chanci等人开发的模型有望整合至PICU情境感知系统中。即使对于模型预测的“假阳性”患者，由于其病情较重，也可能从加强监护中获益。

研究局限与未来方向

本研究仅在已入住PICU的患者中开展验证，未涉及急诊科或普通病房的脓毒症预测。特别是普通病房患者，其实验室检查频率和数据量远低于PICU，这为预测模型的应用带来方法学挑战。虽然国家层面的改进项目聚焦于及时识别和早期复苏并取得鼓舞人心的成果，但预测模型在这类场景中的应用仍面临发病率较低的挑战。

Chanci等人的工作标志着机器学习技术在改善儿童脓毒症护理方面迈出了实质性一步。未来研究和质量改进工作应着重评估这些模型的外部有效性，以及将其纳入临床决策支持系统和情境感知工具的具体路径，真正实现从预测到诊疗行为改变的转化。这些问题的解决将最终决定这些模型及Phoenix脓毒症标准能否实现降低儿科脓毒症相关发病率和死亡率的终极目标。