基于炎症和血流动力学标志物的急诊科脓毒症预测模型的构建与验证

《Frontiers in Medicine》：Construction and validation of a sepsis prediction model using inflammatory and hemodynamic markers in the emergency department

　　

摘要：目的：通过整合炎症、血流动力学和护理评估指标，开发一种用于急诊科脓毒症早期诊断的预测模型。方法：研究人员纳入了一项回顾性队列，包括320例入住本院的可疑感染患者。参与者以7:3的比例随机分配至训练集和验证集。使用最小绝对收缩和选择算子（LASSO）回归筛选关键变量。随后，构建了逻辑回归、随机森林和支持向量机模型。使用受试者工作特征曲线（ROC曲线）、校准曲线、决策曲线分析（DCA）和SHapley Additive exPlanations（SHAP）值评估模型性能和可解释性。结果：LASSO回归确定了三个核心变量：降钙素原（PCT）、中性粒细胞与淋巴细胞比值（NLR）和改良早期预警评分（MEWS）。多变量分析显示，三者均为独立危险因素（p 脓毒症（sepsis）是急诊科（ED）常见的危重症候群，起病隐匿且进展迅速，早期识别和干预对改善患者预后至关重要。然而，急诊科患者数量大、临床复杂性高，现有诊断手段如序贯器官衰竭评估（SOFA）评分存在固有延迟，而护理评估工具如改良早期预警评分（MEWS）主要依赖生命体征，缺乏与快速可得的生物标志物如降钙素原（PCT）和乳酸的整合，限制了预测性能。因此，研究人员迫切需要开发一种简单、快速、准确的预测工具，通过有效整合护理人员的快速临床评估与客观实验室指标，为急诊科脓毒症早期诊断提供床旁风险分层工具。
本研究发表于《Frontiers in Medicine》，是一项回顾性诊断研究，旨在整合炎症标志物、血流动力学参数和护理评估变量，构建并验证脓毒症早期诊断预测模型。研究人员从2023年1月1日至2024年6月30日期间，连续纳入320例因可疑感染就诊于急诊科的成人患者（年龄≥18岁），最终确诊脓毒症113例（35.3%）。参与者以7:3比例随机分为训练集（n=224）和验证集（n=96）。研究通过LASSO回归筛选核心预测变量，构建逻辑回归、随机森林和支持向量机三种机器学习模型，并评估其判别能力、校准度和临床净获益。结论表明，PCT、中性粒细胞与淋巴细胞比值（NLR）和MEWS是独立危险因素，随机森林模型在训练集和验证集的曲线下面积（AUC）分别为0.737和0.714，敏感性72.7%、特异性76.2%，并具有良好的校准度和临床净获益。SHAP分析显示MEWS贡献最大，其次为NLR和PCT。该模型可作为候选床旁风险分层工具，需进一步外部多中心验证。
主要关键技术方法：采用回顾性队列设计，样本来源于研究人员所在医院急诊科。关键技术包括：使用最小绝对收缩和选择算子（LASSO）回归进行特征选择以避免过拟合；构建逻辑回归、随机森林和支持向量机三种机器学习模型；通过受试者工作特征曲线（ROC曲线）评估判别能力，并使用1000次自助重采样（bootstrap）进行乐观校正；使用校准曲线评估预测概率与观察概率的一致性；使用决策曲线分析（DCA）评估临床净获益；使用SHapley Additive exPlanations（SHAP）值进行模型可解释性分析，并基于逻辑回归构建列线图（nomogram）。
**Comparison of general characteristics between training and validation sets**
通过比较训练集和验证集的人口学特征、合并症、炎症标志物、血流动力学指标、器官功能参数及护理评估变量，发现两组间均无统计学显著差异（p?>?0.05），表明数据集划分均衡，具有良好的可比性。
**Characteristic comparison between sepsis group and non-sepsis group**
在训练集中，将患者分为脓毒症组（n=80）和非脓毒症组（n=144）。比较分析显示，脓毒症组的PCT、NLR和MEWS水平显著升高，且乳酸>2.0?mmol/L和毛细血管再充盈时间>3?秒的比例显著高于非脓毒症组（p?**Variable screening via LASSO regression**
将单变量分析中具有统计学显著性的变量纳入LASSO回归，通过10折交叉验证确定最优惩罚系数λ，最终筛选出三个核心预测变量：PCT、NLR和MEWS。
**Multivariate logistic regression analysis**
将LASSO回归筛选的三个变量纳入多变量逻辑回归模型，结果显示PCT（OR=1.153，95% CI: 1.060–1.254）、NLR（OR=1.084，95% CI: 1.039–1.132）和MEWS（OR=1.191，95% CI: 1.020–1.391）均为脓毒症诊断的独立危险因素（p均<0.05）。
**Performance evaluation of machine learning models**
ROC分析显示，随机森林模型在训练集（AUC=0.737，95% CI: 0.655–0.819）和验证集（AUC=0.714，95% CI: 0.593–0.835）中均获得最高AUC，优于逻辑回归（0.708/0.702）和支持向量机（0.668/0.648）。经自助法乐观校正后，随机森林的校正AUC为0.722（95% CI: 0.641–0.803），与验证集AUC差异≤0.023，表明模型未过度拟合。在验证集最佳截断值下，随机森林模型灵敏度为72.7%，特异性为76.2%，阳性预测值（PPV）为61.5%，阴性预测值（NPV）为84.2%。校准曲线显示逻辑回归和随机森林的预测概率与观察概率一致性良好，随机森林的Brier分数在训练集为0.193，验证集为0.215。决策曲线分析（DCA）表明，在宽阈值范围内，逻辑回归和随机森林均提供正向净获益，随机森林在0.15–0.35阈值区间略有优势。
**Interpretability assessment of model predictions**
SHAP值分析显示，变量对随机森林模型预测的贡献顺序为：MEWS（X3）、NLR（X2）、PCT（X1），其中MEWS贡献最大。基于逻辑回归构建了列线图，以可视化各变量对个体脓毒症风险的贡献及对应预测概率，便于临床快速评估。
讨论部分总结：本研究通过整合护理人员快速临床评估参数（MEWS等）与客观炎症和血流动力学标志物，成功开发并验证了三个机器学习预测模型。主要发现包括：LASSO回归筛选的三变量组合（PCT、NLR、MEWS）表现出良好预测性能，均为独立危险因素；随机森林模型在训练集和验证集均具有中等至满意的判别能力（AUC分别为0.737和0.714）；DCA确认模型在宽风险阈值范围内具有临床实用性；SHAP分析增强模型可解释性，提示MEWS对预测影响最大，其次为NLR和PCT，并据此构建了临床实用的列线图。研究局限性包括：样本量相对较小，为单中心回顾性研究，未纳入动态参数，且部分变量（如中心静脉血氧饱和度）并非所有急诊患者常规测量。未来需在更大规模多中心前瞻性队列中验证，并探索动态预测模型及其对临床结局的影响。
研究结论部分翻译：本研究所开发的整合模型表现出中等至满意的预测性能和临床实用性。该模型可作为候选的床旁风险分层工具，有待进一步的外部多中心验证，以用于急诊护理脓毒症筛查。

相关新闻