编辑推荐：
为解决脓毒症（Sepsis）临床异质性导致患者分型及临床结局预测难的问题，研究人员开展了脓毒症表型识别及预测价值评估的研究。结果显示基于表型的预测模型在 F1 评分和 AUC 等指标上优于传统模型，这有助于提高临床预测准确性，改善患者预后。
脓毒症，这个隐藏在医院重症监护室里的 “夺命杀手”，每年在全球范围内都要夺走无数人的生命。它是由入侵的病原微生物引发的全身性炎症反应综合征，病情严重时可进展为严重脓毒症和感染性休克。全球每年新增病例超 1900 万，死亡率超 30% ，存活患者中约 300 万存在认知功能障碍，在发展中国家，脓毒症的发病率和死亡率更是居高不下。
目前，针对脓毒症患者的研究存在诸多问题。一方面，许多研究没有充分考虑患者病情严重程度的差异，只是单纯聚焦于临床结局预测，忽略了患者分型。另一方面，现有的脓毒症分型方法也存在缺陷，常用的序贯器官衰竭评估（SOFA）评分和生命体征缺乏特异性，一些基于蛋白酶等物质的分型方法不仅昂贵，还包含主观因素。而且，以往的表型驱动脓毒症分类研究大多局限于单一数据集，模型的通用性较差，也很少有研究基于表型分类进行临床结局的预测分析。
为了攻克这些难题，安徽医科大学的研究人员挺身而出，开展了一项极具意义的多中心回顾性分析研究。他们的研究成果发表在《Scientific Reports》上，为脓毒症的临床治疗带来了新的曙光。
研究人员为开展此项研究，采用了多种关键技术方法。首先，收集了安徽省多家医院脓毒症患者入院 24 小时内的基本生命体征和实验室检查数据，其中包括来自安徽医科大学第一附属医院的 250 例患者作为内部验证数据集，以及 eICU 数据库中 2014 - 2015 年的 3100 例患者作为外部验证数据集。然后，运用 K-Means 聚类算法对数据进行分析，确定脓毒症的表型类别。最后，构建逻辑回归模型，评估各表型对患者 28 天临床结局的预测价值。
下面来看看具体的研究结果：
- 队列特征：详细分析了本地和 eICU 数据集患者的临床特征，包括年龄、性别、种族等，通过统计检验确保了特征变量的基线可比性。
- 脓毒症亚表型推导：对纳入的 12 个特征进行相关性分析，发现特征间无高相关性。通过测试不同的 K 值，确定最佳聚类数为 k = 3，即表型 A、B、C。表型 A 患者存在肾功能受损和炎症症状；表型 B 患者心率增加，部分指标降低；表型 C 患者炎症反应严重，多器官功能障碍，死亡率较高。
- 表型可重复性和临床结局分析：利用高斯混合模型（GMM）验证表型的可重复性，结果显示 GMM 与 K-Means 聚类结果高度一致。通过内部和外部验证发现，基于 K-Means 聚类结果训练的模型在预测临床结局方面准确性更高，在 F1 评分、召回率、AUC 等指标上均有显著提升 。
- 特征选择评估：对 12 个特征进行验证，去除部分特征并引入新特征后分析发现，包含全部 12 个特征的模型性能最佳，过多的缺失值会对模型产生较大影响。
在研究结论和讨论部分，研究人员指出，通过 K-Means 聚类分析能够快速确定脓毒症患者的临床表型，成功识别并验证了三种不同的脓毒症表型。基于这些表型构建的分类器在预测患者 28 天临床结局方面，显著优于传统方法，这一成果有助于临床医生更好地评估患者病情，制定更有针对性的治疗方案，提高治疗效果，降低死亡率。
然而，这项研究也存在一些局限性。数据主要来源于 ICU 重症患者，限制了研究结果的通用性；不同数据集在种族和临床特征上的差异可能影响模型的普遍性；聚类分析仅包含常见数据特征，未纳入代谢组学和影像学数据等；表型与临床治疗结局之间的直接联系还需进一步研究。
尽管如此，该研究依然为脓毒症的研究和治疗开辟了新的道路。未来的研究可以朝着整合更多数据源、开展多中心数据协作和前瞻性队列研究的方向前进，进一步验证表型驱动方法对临床结局的影响，为战胜脓毒症这个 “夺命杀手” 提供更多有力的武器。
