基于机器学习的诺模图用于肝硬化合并脓毒症患者的死亡风险分层：一项单中心预测模型

《Frontiers in Medicine》：Machine learning-based nomogram for mortality risk stratification in cirrhotic patients with sepsis: a single-center predictive model

肝硬化和脓毒症患者的住院死亡率预测模型研究：基于Lasso回归的诺模图构建及验证。本研究纳入264例患者，通过Lasso回归结合多因素逻辑回归筛选出酒精性肝硬化、Child-Pugh评分、机械通气、TBiL和心率作为独立预测因子，构建诺模图模型。ROC曲线显示训练集和验证集AUC分别为0.81和0.83，校准曲线显示良好预测一致性，决策曲线分析证实模型具有临床净获益。该模型为临床预后评估提供了可视化工具，但需进一步前瞻性研究验证。

　　肝硬化是一种由多种病因引起的慢性肝脏疾病，其病理特征为弥漫性肝纤维化和假小叶形成。这种疾病不仅严重影响患者的日常生活质量，还显著增加感染风险，进而导致脓毒症的发生。脓毒症是一种由感染引发的全身性炎症反应综合征，可能进一步发展为脓毒症休克，这是一种危及生命的临床综合征，常伴随多器官功能障碍，尤其是在心血管系统、肾脏和肝脏中表现突出。研究表明，脓毒症患者若影响三个或更多器官系统，其死亡率可高达60%。因此，对于肝硬化并发脓毒症的患者而言，早期的预后评估显得尤为重要，这有助于临床决策的优化和治疗策略的调整。

本研究旨在开发并验证一个基于列线图的预测模型，用于评估肝硬化并发脓毒症患者在院内死亡的风险，并对其预测准确性进行评价。研究数据来源于安徽医科大学阜阳传染病临床学院2018年1月至2025年7月期间收治的肝硬化并发脓毒症患者。所有患者被随机分为训练集（70%）和验证集（30%），以便进行模型的构建和评估。通过单变量和多变量逻辑回归分析，识别出潜在的预测因素，并使用Lasso回归方法建立预测模型。模型被可视化为列线图，并通过受试者工作特征（ROC）曲线、校准图和决策曲线分析（DCA）等方法对其性能进行了严格评估，以验证其在临床中的应用价值。

研究共纳入264名患者，其中训练集包含188名患者，其中54名（28.7%）在住院期间死亡；验证集包含76名患者，其中21名（27.6%）死亡。多变量逻辑回归分析显示，酒精性肝硬化、Child-Pugh评分、机械通气需求、总胆红素（TBiL）水平和心率（HR）是影响住院死亡的独立预测因素（所有P值均小于0.05）。列线图模型在训练集和验证集中均表现出良好的预测性能，训练集的曲线下面积（AUC）为0.81（95%置信区间：0.75–0.81），而验证集的AUC为0.83（95%置信区间：0.73–0.92）。这些结果表明，该模型在不同数据集中的诊断表现稳定，具有较强的泛化能力。校准图显示，模型的预测结果与理想参考线高度一致，说明其预测准确性较高。决策曲线分析进一步表明，该模型在广泛的阈值概率范围内提供了显著的临床净收益，从而支持其在临床决策中的应用潜力。

在讨论部分，研究指出肝硬化与感染之间的关系是复杂且双向的。肝硬化患者由于免疫功能受损，更容易发生感染，而感染又可能加重肝病的进展，导致更严重的临床后果。酒精性肝硬化近年来在全球范围内逐渐成为肝硬化的常见病因之一，尤其在亚洲地区，其发病率持续上升。本研究中，酒精性肝硬化占肝硬化并发脓毒症患者的25.8%，而乙肝相关肝硬化占55.7%。这一数据与近年来的流行病学趋势相符，提示酒精性肝硬化的临床关注应逐步增加。此外，研究发现，尽管总胆红素（TBiL）水平在肝硬化并发脓毒症患者中与死亡率密切相关，但其在模型构建中的作用仍需进一步探讨。

在模型构建过程中，研究团队通过Lasso回归筛选出关键预测因素，并将其纳入多变量逻辑回归分析。结果显示，酒精性肝硬化、Child-Pugh评分、机械通气需求、TBiL水平和HR是影响住院死亡的独立预测因素。这些变量的综合评估有助于更准确地预测患者的预后情况，为临床提供有价值的参考信息。校准图分析进一步表明，模型在训练集和验证集中的预测结果与实际观察值高度一致，说明该模型具有较高的可靠性。ROC曲线分析也显示，模型在两个数据集中的AUC值均较高，进一步验证了其在区分高危和低危患者方面的有效性。

此外，研究还探讨了其他潜在的预测指标，如凝血功能相关参数（PT、D-二聚体）和血流动力学指标（HR、MAP）。尽管这些指标在某些情况下可能对预后评估具有一定的参考价值，但本研究的单变量分析并未发现其与住院死亡之间存在显著统计学关联，这可能与样本量较小有关。因此，未来的研究需要进一步扩大样本量，以更全面地评估这些指标的预测作用。同时，研究还指出，现有的一些评分系统（如SOFA、MELD、ABIC）在预测肝硬化并发脓毒症患者预后方面存在一定的局限性，包括成本高、实施耗时以及早期获取关键信息的困难。因此，开发一个简便、实用且具有高度预测能力的模型显得尤为重要。

本研究构建的列线图模型在多个方面表现出显著的临床应用价值。首先，该模型能够通过直观的图形界面，将患者的各项临床指标转化为具体的分数，并汇总为一个总分，从而预测其住院死亡的概率。其次，模型在训练集和验证集中的表现均较为稳定，显示出良好的泛化能力。此外，决策曲线分析表明，该模型在广泛的阈值概率范围内提供了显著的临床净收益，相较于“所有患者治疗”和“不治疗”策略，该模型能够帮助临床医生更合理地制定治疗方案，提高患者生存率。然而，研究也指出了一些局限性，例如数据的回顾性性质可能导致部分重要指标（如乳酸水平、D-二聚体）缺失，从而影响模型的准确性。此外，该模型尚未进行外部验证，也无法与现有的评分系统进行直接比较，因此需要进一步的研究来确认其在不同人群和医疗机构中的适用性。

总的来说，本研究构建的基于Lasso回归的列线图预测模型为肝硬化并发脓毒症患者的住院死亡风险评估提供了一种新的工具。该模型不仅能够帮助临床医生更准确地识别高危患者，还能在治疗决策中发挥重要作用。然而，为了确保该模型的广泛应用，仍需进行更多前瞻性研究，以验证其在不同临床环境下的预测效果，并进一步优化模型的结构和参数。此外，未来的研究还可以探索更多潜在的预测因素，如基因多态性、肠道微生态变化等，以提高模型的预测精度和临床适用性。随着医学技术的不断发展和数据收集方法的改进，这种基于列线图的预测模型有望成为肝硬化并发脓毒症患者管理中的重要组成部分。