基于深度学习的脓毒症风险分层与抗生素时机选择：一项多中心研究揭示精准治疗新策略

本研究针对脓毒症管理中抗生素使用时机争议，通过深度学习模型COMPOSER和Shock-Net对34,087例患者进行客观风险分层，发现低风险患者（休克可能性低且脓毒症可能性低）延迟使用抗生素（>3小时）不影响死亡率，而高风险患者（脓毒症可能性高）1小时内用药可显著降低死亡率。该研究为个性化抗生素策略提供了循证依据，发表于《Critical Care》。

　　

脓毒症每年导致全球数百万人死亡，但抗生素使用时机始终存在争议——过早使用可能导致耐药性，延迟使用又可能增加死亡率。2021年《拯救脓毒症运动指南》（SSC）虽提出基于休克和感染概率的分层建议，但缺乏客观评估工具，临床医生常陷入"过度治疗"与"治疗不足"的两难境地。

美国加州大学圣地亚哥分校（University of California, San Diego）的研究团队开发了深度学习双模型系统：COMPOSER用于预测脓毒症概率（评分0-11），Shock-Net预测休克风险（评分0-1）。通过分析两大医疗系统2016-2024年34,087例患者数据，将患者分为四组：1）休克高风险+脓毒症高概率（COMPOSER≥6，Shock-Net≥0.88）；2）休克高风险+脓毒症低概率；3）休克低风险+脓毒症高概率；4）休克低风险+脓毒症低概率。

关键技术包括：1）使用Transformer架构开发Shock-Net（AUC 0.959）；2）应用已验证的COMPOSER模型（AUC 0.938-0.945）；3）多中心验证（开发站点UCSD与验证站点UCI）；4）采用Sepsis-3标准定义临床终点；5）统计调整年龄、SOFA评分等混杂因素。

主要结果

1. 风险分层有效性

   休克高风险组（1&2组）死亡率显著更高（开发站点23.2% vs. 低风险组1.9%），且抗生素使用更早（中位时间1.7小时 vs. 4.6小时）。

2. 抗生素时机与死亡率关联

   

   • 低风险组（4组）：1小时 vs. >1小时给药死亡率无差异（1.0% vs. 2.4%，p=0.132）

   • 脓毒症高概率组（1&3组）：1小时内给药死亡率显著降低（OR 1.29-1.45，p<0.01）

3. 延迟休克的预警价值

   Shock-Net成功识别3小时后进展为休克的患者，该亚组死亡率高达30.7%（开发站点）。

结论与意义

该研究首次通过AI模型实现SSC指南的客观风险分层，证实：1）40%低风险患者（组4）可能无需严格遵循3小时用药时限；2）脓毒症高概率患者（组3）应维持1小时给药标准；3）休克高风险患者（组1）需要更严密监测。这些发现为优化抗生素管理策略提供了循证依据，既能减少不必要的抗生素使用，又能精准保障高危患者利益。

研究局限性包括回顾性设计和使用学术医疗中心数据。作者建议未来在前瞻性临床试验中验证该策略，并探索模型在社区医院的应用。这项发表于《Critical Care》的研究标志着脓毒症管理向"精准医疗"迈出了关键一步。