可解释人工智能通过凝血-炎症谱解析脓毒症异质性：预后预测与分层治疗新策略

《Nature Communications》：Explainable AI unravels sepsis heterogeneity via coagulation-inflammation profiles for prognosis and stratification

本研究针对脓毒症高度异质性导致的预后预测与分层难题，开发了基于Transformer的可解释人工智能模型SepsisFormer和自动化风险分层工具SMART。通过多中心回顾性研究（n=12,408），SepsisFormer在脓毒症预后预测中表现卓越（AUC: 0.9301），SMART（AUC: 0.7360）超越多数传统评分系统。研究首次基于年龄与7项凝血-炎症常规指标将患者分为四类风险等级（轻度/中度/重度/危险）和两种亚型（CIS1/CIS2），并发现中高危或CIS2亚型患者更能从抗凝治疗中获益。该成果为全球脓毒症临床实践，尤其是资源有限地区提供了实时、低成本的管理工具。

　　

脓毒症是全球住院患者死亡的主要原因之一，其高度异质性使得预后预测和患者分层变得异常复杂。不同患者的临床表现、治疗反应差异显著，这种“异质性治疗效应”让临床医生难以制定个性化方案。传统评分系统如SOFA、APACHE II等存在预测精度有限、缺乏精细化分层等问题，而现有人工智能模型又常因“黑箱”特性难以被临床信任。

为突破这些瓶颈，研究人员在《Nature Communications》发表了题为《Explainable AI unravels sepsis heterogeneity via coagulation-inflammation profiles for prognosis and stratification》的论文。团队开发了基于Transformer的可解释预后模型SepsisFormer和自动化风险分层工具SMART，利用多中心电子健康记录和转录组数据，从凝血-炎症这一关键病理生理角度切入，系统解析脓毒症异质性。

关键技术方法概述

研究整合了来自MIMIC-III/IV、eICU-CRD等公共数据库及本地ICU的12,408例脓毒症患者数据，通过多中心回顾性队列设计验证模型。核心方法包括：①基于Transformer架构的SepsisFormer模型，结合域自适应生成器（MMID-SMOTE）处理数据分布差异；②利用高斯混合模型等无监督聚类识别亚型；③通过SHAP、转录组富集分析等多层次可解释性技术验证标志物；④开发SMART评分卡（含APTT、INR、淋巴细胞等8项指标）实现实时风险分级。

研究结果

1. SepsisFormer的预后预测性能

SepsisFormer使用36项预测因子时AUC达0.9301，仅依赖7项凝血-炎症标志物和年龄时仍保持高精度（AUC: 0.8558–0.8596）。其性能显著优于逻辑回归、LSTM等基线模型，且通过MMID-SMOTE技术有效提升跨中心泛化能力。

2. 凝血-炎症功能障碍的可解释性分析

通过聚类引导的EHR变量分析、模型级（SHAP）和转录组级解释，研究证实凝血-炎症指标（如APTT、WBC、年龄）是脓毒症分型和预后的核心决定因素。转录组分析进一步筛选出STAT5B、MTHFR等5个关键预后基因，并通过RT-qPCR验证其诊断价值。

3. 亚型异质性分析

基于凝血-炎症标志物识别出CIS1与CIS2两种亚型。CIS2患者表现为更高的死亡率（27.94% vs 21.65%）、WBC升高及血小板下降，且系统性炎症反应指数（SIRI）显著更高。

4. SMART风险分层系统

SMART工具将患者分为轻度、中度、重度、危险四个风险等级，其评分与死亡率呈正相关（5%至50%递增）。在本地ICU队列中，SMART的AUC（0.7360）优于SOFA、qSOFA等传统评分。

5. 抗凝治疗的异质性效应评估

肝素抗凝治疗在中度（HR: 0.60）和重度（HR: 0.57）风险等级及CIS2亚型（HR: 0.42）患者中显著降低28天死亡率，但在轻度和危险等级中无显著获益。亚型与风险分层结合可更精准定位治疗获益人群。

结论与意义

本研究通过可解释AI技术揭示了凝血-炎症通路在脓毒症异质性中的核心作用，构建的SepsisFormer和SMART工具兼具高精度与临床实用性。提出的亚型分类和风险分层策略为抗凝治疗等个体化干预提供了新依据，尤其通过开源平台（http://smartsepsis.org.cn）实现了资源有限地区的实时应用。该工作从分子机制到临床实践层面推动了脓毒症精准医疗的发展，为全球疾病管理提供了新范式。