编辑推荐：
脓毒性休克死亡率高且预警困难，缺乏有效预后预测模型。研究人员开展基于人工智能的多中心回顾性研究，构建 TOPSIS 分类融合（TCF）模型。该模型在多中心及跨专科验证中表现良好，为临床提供可靠预警工具，助力降低死亡率。
在重症监护室（ICU）的战场上，脓毒性休克（septic shock）就像一个可怕的 “杀手”，时刻威胁着患者的生命。它是由脓毒症引发的严重循环和细胞代谢紊乱综合征，也被称为感染性休克，属于分布性休克的一种。按照 2016 年发布的《国际脓毒症和感染性休克定义共识》第三版中的临床诊断标准，脓毒症患者在充分液体复苏后仍存在持续低血压，需要使用血管收缩药物维持平均动脉压不低于 65 mmHg ，且血清乳酸水平大于 2 mmol/L ，就可诊断为脓毒性休克。
如此凶险的病症，死亡率高得惊人。有研究通过回顾性队列分析健康记录数据，发现脓毒性休克患者的院内死亡率达 15%；还有研究利用国家重症监护数据库，得出该病症患者死亡率为 55.5% 。在 Michael Bauer 对众多研究的综述中，脓毒性休克患者 30 天的观察死亡率为 34.73%（32.61 - 36.85%）。这么高的死亡率，让医生们倍感压力。要是能早点预测患者的病情发展，提前发出预警，医生们就能争取更多时间，采取更积极有效的治疗措施，说不定就能降低死亡率，挽救更多生命。然而现实却很残酷，由于脓毒性休克患者病情复杂，目前还没有一种有效的模型能精准预测患者的预后。
为了解决这一难题，华中科技大学同济医学院附属同济医院的研究人员挺身而出，开展了一项极具意义的研究。他们的研究成果发表在《npj Digital Medicine》上，为脓毒性休克的防治带来了新的希望。
研究人员采用了多种关键技术方法。首先，他们从三家医院 2003 年 2 月至 2023 年 11 月的电子病历中，收集了 4872 例 ICU 患者的临床信息，这些患者均患有脓毒性休克。接着，对收集到的 93 项院内指标进行数据预处理，包括删除缺失率大于 30% 的特征、处理布尔特征、选择合适的缺失值插补方法、筛选相关性过高的特征以及根据信息熵选择最优特征子集等，最终确定了 34 个关键特征。之后，利用这些数据训练了 7 个基础模型，包括决策树（DT）、随机森林（RF）、XGBoost（XGB）、LightGBM（LGBM）、朴素贝叶斯（NB）、支持向量机（SVM）、梯度提升决策树（GBDT），并采用合成少数过采样技术（SMOTE）处理数据不平衡问题。最后，运用基于逼近理想解排序法（TOPSIS）将 7 个基础模型融合，构建出 TOPSIS 分类融合（TCF）模型。
下面来看具体的研究结果：
- 研究人群特征和队列组成：研究的 ICU 队列包含 3451 名参与者，其中 721 名结局为阳性（28 天内死亡），2730 名结局为阴性。儿科重症监护室队列（cohort 1 - 1）有 357 人，52 人结局阳性；呼吸重症监护室队列（cohort 1 - 2）有 381 人，60 人结局阳性。两个外部验证队列中，cohort 2 有 422 名参与者，100 人结局阳性；cohort 3 有 261 名参与者，75 人结局阳性。研究数据具有优势，用于模型构建的数据（Cohort 1）来自综合 ICU，参与者背景复杂多样，理论上有助于构建广泛适用的脓毒性休克预测模型。而且，研究不仅进行了多中心验证，还开展了跨专科验证，进一步体现了模型的广泛适用性。
- 特征选择和优化过程：对训练数据进行序列特征化处理，经过一系列筛选步骤，最终确定了 34 个指标作为 7 个子模型和 TCF 的最终输入特征，这些指标涵盖了患者的年龄、手术史、体温、舒张压等多方面信息。
- TCF 模型性能和子模型比较：通过训练集对模型进行参数优化和子模型训练，基于内部验证集进行模型融合和权重分配。结果显示，TCF 模型在两个综合评价指标上优于子模型，其受试者工作特征曲线下面积（AUC）为 0.733（95% CI：0.694 - 0.774），F1 评分（F1 - score）为 0.458（0.398 - 0.520） 。虽然 TCF 模型在识别阳性（敏感度 SEN 0.640（0.557 - 0.712））和阴性（特异度 SPE 0.700（0.663 - 0.736））方面并非最优，但它能整合子模型的偏倚识别效果，整体性能最佳。校准曲线和决策曲线分析（DCA）也表明 TCF 模型的预测与实际结果相符，具有一定临床实用性。
- 特征重要性和模型解释：选择 AUC 表现最佳的 GBDT 模型，通过绘制 SHAP 特征重要性热图可视化其特征重要性。结果发现，复苏次数（NOR）、机械通气时间（DOMV）、ICU 住院时长（LOC - ICU）、舒张压（DBP）等临床特征对结局影响较大。TCF 模型的加权特征重要性与 GBDT 基本一致，其特征重要性排名也具有参考价值。
- 多中心验证和泛化能力：多中心验证结果显示，与内部验证集相比，TCF 模型在 cohort 1 - 2 上 AUC 略有下降（AUC 0.662（95% CI：0.598 - 0.730）） ，但在 cohort 1 - 1（AUC 0.808（0.740 - 0.864））、cohort 2（AUC 0.784（0.733 - 0.825））和 cohort 3（AUC 0.786（0.725 - 0.840））上 AUC 显著提高。将四个外部验证数据集合并后进行预测，AUC 达到 0.7705（0.7417 - 0.7983）。校准曲线和 DCA 表明，TCF 模型能有效区分低风险脓毒性休克患者，在大部分阈值概率范围内，模型干预的净效益高于 “全治疗” 和 “不治疗” 策略，在 0.1 - 0.5 的阈值概率范围内，净效益更明显，说明该模型的预测在这一范围内具有重要临床决策价值。
研究结论和讨论部分意义重大。研究构建的 TCF 模型，基于 34 个电子病历中的患者特征，能稳定、准确地预测脓毒性休克患者 28 天内的死亡风险，预测性能显著优于 7 个基础模型。该模型为 ICU 临床医生提供了有力工具，能辅助实时预测患者死亡风险，尤其在疾病恶化早期或基层医疗经验有限的情况下，帮助医生更好地理解脓毒症和脓毒性休克的进展机制。而且，TCF 模型稳定性和泛化能力强，在不同 ICU 患者群体中都表现出色。不过研究也存在一些局限性，如预测变量数量可进一步优化、样本量和样本比例不平衡问题有待改善、模型在更广泛地区的泛化性需进一步探索、可尝试整合更多数据模态、未来可开展前瞻性研究评估模型临床疗效等。但总体而言，这项研究为脓毒性休克的早期干预提供了可靠依据，为后续研究指明了方向，有望推动脓毒性休克临床救治水平的提升。
