编辑推荐：
为解决脓毒症患者谵妄预测及对预后影响评估问题，研究人员基于 MIMIC-IV 数据库开展构建可解释机器学习模型研究。结果显示 XGBoost 模型最佳，谵妄影响 28 天生存率。该研究为临床评估提供工具，推动相关研究发展。
脓毒症，这个听起来有些陌生却十分危险的病症，是由感染引发的全身性炎症反应综合征，如同身体内部的一场 “风暴”，会导致多器官功能障碍，甚至危及生命。在重症监护病房（ICU）里，脓毒症的发病率和死亡率持续攀升，已然成为全球严峻的公共卫生难题。而在治疗脓毒症患者的过程中，一个 “隐藏杀手” 常常被忽视 —— 谵妄。谵妄是一种急性脑功能障碍，患者会出现意识混乱、注意力不集中、认知功能下降等症状。据统计，全球每年约有 2000 - 3000 万例谵妄病例，在脓毒症患者中，其发病率更是高达 50%。谵妄不仅会延长患者住院时间、增加医疗费用，还与患者长期认知功能障碍密切相关，严重影响患者的生活质量和预后。
目前，虽然对谵妄的流行病学和病因有所研究，但它在脓毒症患者中的具体作用机制仍不明确。现有的谵妄早期预测工具也存在诸多局限性，如缺乏针对脓毒症患者的优化，且解释性不足，难以满足临床需求。因此，如何及时识别脓毒症患者谵妄的发生，并采取有效干预措施，成为改善患者预后的关键。
为了解决这些问题，扬州大学附属苏北人民医院 / 扬州大学临床医学院等机构的研究人员开展了一项极具意义的研究。他们基于 MIMIC-IV（Medical Information Mart for Intensive Care）数据库，构建可解释的机器学习模型，以预测脓毒症患者发生谵妄的风险，并探究谵妄对患者 28 天生存率的影响。该研究成果发表在《BMC Infectious Diseases》杂志上。
研究人员主要运用了以下关键技术方法：首先，从 MIMIC-IV 3.0 数据库获取大量数据，涵盖患者人口统计学信息、感染部位、合并症、实验室指标等多方面内容。然后，通过结构化查询语言（SQL）和 PostgreSQL 15 工具进行数据提取与管理。接着，采用 Lasso 回归和 Boruta 算法进行特征选择，构建了 XGBoost（extreme gradient Boost）、SVM（support vector machine）、Logistic（logistic regression）和 RF（random forest）四种机器学习模型进行预测，并利用 SHAP 方法分析特征重要性，增强模型可解释性。
下面来看看具体的研究结果：
- 患者基本特征及临床信息比较：研究共纳入 10321 例脓毒症患者，其中 4691 例（45.45%）发生谵妄。与未发生谵妄的患者相比，发生谵妄患者的年龄、白细胞（WBC）、肌酐（CR）、血尿素氮（BUN）、乳酸（Lac）和钾水平显著更高；血红蛋白（Hb）、血小板（PLT）、钠和氯水平则显著更低。谵妄患者的序贯器官衰竭评估（SOFA）和急性生理学 III（APSIII）评分也更高，且高血压、心力衰竭或肾损伤患者更易发生谵妄，肺部、凝血系统、肝脏、中枢或肾脏感染的患者同样易患谵妄。
- 谵妄与脓毒症患者 28 天死亡率的关系：通过 Kaplan - Meier 生存曲线分析发现，谵妄患者 28 天死亡率显著高于未发生谵妄的患者（log-rank P<0.001 ）。构建的五个多因素 COX 回归模型进一步验证了这一结果，且随着模型调整因素增多，风险有所降低，但谵妄患者 28 天死亡率仍显著增加。
- 谵妄和脓毒症患者 28 天死亡率的中介因果因素分析：研究发现谵妄可能通过年龄、Hb、BUN 和 Lac 影响脓毒症患者 28 天死亡结局。其中，年龄介导效应占谵妄与 28 天死亡率关联的 4.40%，Hb 介导效应占 0.01%，BUN 介导效应占 0.41%，Lac 介导效应占 3.1% ，高血压、心力衰竭和肾损伤等也有不同程度影响。
- 脓毒症患者谵妄特征变量筛选：经 Boruta 算法和 Lasso 回归筛选，确定高血压、氯、SOFA 评分、肾损伤、机械通气时间等多个变量与谵妄发生相关。
- 多种模型比较：四种机器学习模型中，XGBoost 模型表现最佳。其训练集 AUC 为 0.79（0.75 - 0.83），验证集 AUC 为 0.71（0.67 - 0.74） ，在敏感度、特异度等指标上也更具优势，决策曲线分析（DCA）和校准曲线结果也表明其性能优越。
- 可解释性分析：通过 SHAP 值分析，得出各变量对模型预测的贡献程度，高血压、氯、SOFA 评分等变量贡献较大。还绘制了依赖图直观展示指标变化，以及具体病例展示模型预测过程。
- 列线图构建：基于 XGBoost 模型，选取高血压、SOFA 评分、氯、Hb 和 CR 五个变量绘制列线图，其预测谵妄模型的 ROC 曲线 AUC 为 0.767（95% CI：0.726 - 0.798） ，校准曲线显示模型预测概率与实际观察结果一致性良好。
研究结论表明，基于 XGBoost 模型构建的列线图为临床医生提供了便捷工具，能快速评估脓毒症患者发生谵妄的风险。这一研究为预测脓毒症患者谵妄的最佳模型提供了新思路和方向，有助于推动谵妄相关研究发展。在临床实践中，早期识别谵妄风险并采取预防措施，对改善脓毒症患者的生存和生活质量意义重大。然而，该研究也存在局限性，如数据来源单一、回顾性设计可能导致选择和信息偏倚等，后续还需在多中心、不同人群中进一步验证模型的普遍性。但总体而言，这项研究为脓毒症患者谵妄的研究和临床管理开辟了新道路，具有重要的理论和实践价值。
