整合免疫炎症谱预测严重脓毒症相关急性肾损伤：一项多中心前瞻性队列研究中机器学习模型的开发与验证

《Frontiers in Immunology》：Prediction of severe sepsis-associated acute kidney injury incorporating immune-inflammatory profiles: development and validation of a machine learning model in a multicenter prospective cohort study

　　

摘要
引言：严重脓毒症相关急性肾损伤（sepsis-associated acute kidney injury，SA-AKI）是危重症患者中常见且危及生命的并发症，导致死亡率增加及慢性肾功能障碍风险升高。当前严重SA-AKI的预测模型大多忽略了免疫炎症指标，而这些指标更准确地代表了脓毒症的核心病理生理学——宿主对感染的失调反应。
方法：研究人员利用来自五个独立重症监护病房（ICU）的1,715例脓毒症患者的多中心前瞻性队列，开发并验证了一个整合免疫炎症谱的机器学习模型，用于预测进展为严重SA-AKI（定义为急性疾病质量倡议共识标准中的KDIGO 2期或3期，发生于670例患者[39.1%]）。在脓毒症诊断后24小时内收集免疫炎症变量和常规临床数据。使用受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、灵敏度、特异度、精确度、校准度和决策曲线分析（decision curve analysis，DCA）训练和评估六种机器学习算法。通过留一中心交叉验证（leave-one-center-out cross-validation，LOCO-CV）敏感性分析评估跨机构稳定性。使用Shapley加法解释（Shapley Additive Explanations，SHAP）评估模型可解释性。
结果：在六种模型中，随机森林在验证集中实现了最高灵敏度（0.881），同时保持了较强的判别能力（AUC 0.912，95% CI 0.879-0.941，特异度0.794）。最终模型包含九个临床可获取变量：SOFA评分、CD38⁺CD8⁺ T细胞计数、肿瘤坏死因子-α、白介素-6、免疫球蛋白G、中心静脉血氧饱和度、胆红素，以及慢性肾脏病和慢性心功能不全病史。模型表现出充分的校准度（Brier评分0.115，校准斜率1.207）、DCA的正净收益以及良好的可解释性。LOCO-CV确认了五个中心的一致性表现，平均AUC为0.900（范围0.863–0.938），展示了跨机构稳健性。
结论：一个整合免疫炎症谱的可解释随机森林模型准确预测了脓毒症危重症患者进展为严重SA-AKI。在经过外部验证和进一步临床实施后，这一基于免疫炎症谱的模型可能为早期风险分层提供有效且实用的策略。
临床试验注册：http://www.chictr.org.cn，标识符ChiCTR2300074175。

**论文解读文章**

**研究背景与问题**
急性肾损伤（acute kidney injury，AKI）是危重症患者常见的严重并发症，尤其当进展至严重阶段（KDIGO 2期或3期）时，院内死亡率超过25%，需要肾脏替代治疗（renal replacement therapy，RRT）时更高达50%。脓毒症相关急性肾损伤（sepsis-associated acute kidney injury，SA-AKI）在近半数脓毒症危重症患者中发生，且常表现为更严重的AKI形式。根据急性疾病质量倡议（Acute Disease Quality Initiative，ADQI）工作组共识，超过40%的脓毒症患者会进展为严重SA-AKI。与其它病因所致AKI相比，SA-AKI独立关联更高的死亡率和更低的肾脏恢复率，并给医疗系统带来沉重经济负担。目前尚无特异性治疗手段，早期预测严重SA-AKI有助于通过及时开展肾脏集中护理来减轻其临床和公共卫生负担。
现有预测模型主要存在以下问题：多数机器学习（machine learning，ML）模型集中于预测住院患者AKI的总体发生风险，而忽视临床意义更重大的严重AKI；模型多基于回顾性数据库，仅依赖常规临床变量，限制了性能并阻碍发现新的AKI驱动因素；样本量小或聚焦特定人群，泛化能力不足。SA-AKI的发病机制涉及全身和肾脏炎症、补体激活、宏观和微循环异常及线粒体功能障碍，其中免疫细胞驱动的强烈肾内炎症反应是肾损伤起始和进展的关键。基于此，研究人员假设特异性免疫炎症谱反映了SA-AKI的潜在病理过程并与其严重程度相关，旨在开发整合免疫炎症指标的可解释ML模型，预测脓毒症患者进展为严重SA-AKI。

**研究内容与结论**
研究人员利用一项多中心前瞻性队列研究，纳入2018年4月至2025年12月期间来自中国北京五家学术三级医疗中心ICU的1,715例脓毒症患者（符合Sepsis-3标准），排除终末期肾病、基线血清肌酐≥4.0 mg/dL、ICU入院前已发生AKI等患者。在脓毒症诊断后24小时内收集免疫炎症谱（淋巴细胞亚群、免疫球蛋白、补体成分、细胞因子）及常规临床数据，终点为进展为严重SA-AKI（ADQI标准定义的KDIGO 2期或3期，发生在诊断后24小时至7天内）。采用一致性特征选择策略（Boruta算法和LASSO回归）筛选预测因子，并训练六种ML模型（逻辑回归、随机森林、支持向量机、LightGBM、XGBoost、人工神经网络）。通过内部验证和留一中心交叉验证（LOCO-CV）评估性能，使用Shapley加法解释（SHAP）增强可解释性。
结论：随机森林模型在验证集中表现最佳，AUC 0.912，灵敏度0.881，特异度0.794，校准良好（Brier评分0.115），且DCA显示正净收益。最终模型包含九个变量：SOFA评分、CD38⁺CD8⁺ T细胞计数、肿瘤坏死因子-α（TNF-α）、白介素-6（IL-6）、免疫球蛋白G（IgG）、中心静脉血氧饱和度（ScvO₂）、胆红素，以及慢性肾脏病（CKD）和慢性心功能不全病史。LOCO-CV平均AUC 0.900，显示跨机构稳健性。该研究首次将CD38⁺CD8⁺ T细胞识别为严重SA-AKI的关键预测因子，提示免疫失调提供了超越常规临床变量的独特信息。

**关键技术方法**
研究人员采用多中心前瞻性队列设计，样本来源为北京五家三级医疗中心ICU（北京协和医院、北京医院、北京积水潭医院、北京世纪坛医院、北京朝阳医院），共纳入1,715例脓毒症患者。关键方法包括：基于Boruta和LASSO回归的一致性特征选择；六种机器学习算法（逻辑回归、随机森林、支持向量机、LightGBM、XGBoost、人工神经网络）的网格搜索与分层5折交叉验证超参数优化；内部验证（80%训练集/20%验证集）及LOCO-CV敏感性分析评估跨中心泛化能力；使用SHAP进行全局和局部特征重要性解释；通过校准曲线和决策曲线分析评估模型校准度和临床效用。

**研究结果**
**人群特征**
在1,715例患者中，严重SA-AKI发生率为39.07%（670例）。与无或轻度SA-AKI组相比，严重SA-AKI组SOFA评分更高、乳酸升高、CO₂间隙增大、ScvO₂降低、氧合指数下降、国际标准化比值（INR）延长、胆红素升高（均P<0.01），且需更多器官支持，28天死亡率更高（74.78% vs 91.10%，P<0.001）。严重SA-AKI组中CKD（37.76% vs 3.83%）和慢性心功能不全（45.67% vs 25.36%）患病率更高。免疫炎症谱方面，严重SA-AKI组表现为IL-6、TNF-α、IL-10、IgA、IgG升高，C3降低，以及CD4⁺ T细胞、CD8⁺ T细胞（包括CD28⁺、HLA-DR⁺、CD38⁺亚群）和NK细胞显著减少（均P<0.01）。

**缺失模式分析**
71个初始变量中，7个因缺失率>20%被排除（IL-1β、IL-8、IL-17A、IFN-γ、CD4⁺CD8⁺ T细胞、PD-1⁺CD4⁺ T细胞、PD-1⁺CD8⁺ T细胞）。Little's MCAR检验不显著（χ²=232.59，P=0.223），辅助关联分析显示缺失与结局无关，排除未引入严重偏倚。

**预测因子选择**
Boruta识别27个候选特征，LASSO（λ=0.031，1-SE规则）保留9个非零预测因子，交集为SOFA评分、TNF-α、IL-6、CD38⁺CD8⁺ T细胞计数、CKD病史、慢性心功能不全病史、ScvO₂、IgG和胆红素。PCA显示五个中心样本无显著聚类，四个免疫炎症标志物在中心间无差异（Kruskal-Wallis P>0.05），确认数据可比性。

**模型性能**
六种模型中，XGBoost、LightGBM和随机森林AUC分别为0.923、0.917和0.912。随机森林以最高灵敏度（0.881）优先选择，特异度0.794，精确度0.733，F1评分0.800。校准曲线显示随机森林Brier评分最低（0.115），校准斜率1.207，E/O比1.035，DCA净收益最高。

**跨机构稳健性**
LOCO-CV显示随机森林在各中心AUC为0.875–0.951，平均AUC 0.900（95% CI 0.863–0.938），总体折叠外AUC 0.883，表明性能一致。

**模型可解释性**
SHAP全局特征重要性排序：SOFA评分、CKD病史、CD38⁺CD8⁺ T细胞计数、ScvO₂、TNF-α、IL-6、IgG、胆红素、慢性心功能不全。CD38⁺CD8⁺ T细胞减少及TNF-α、IL-6升高正向贡献风险。典型案例分析进一步验证了免疫失调、炎症增强和氧输送不足共同驱动高风险表型。

**讨论与结论**
讨论部分指出，该研究前瞻性、多中心设计，首次整合免疫炎症谱预测严重SA-AKI，ADQI定义（结合Scr和尿量）减少偏倚。模型包含九个临床可获取变量，可解释性强。SOFA评分反映多器官功能障碍和全身炎症，CKD和慢性心功能不全病史为已知危险因素。CD38⁺CD8⁺ T细胞减少表明T细胞过度激活和耗竭，可能因激活诱导的细胞死亡或向肾脏归巢。TNF-α和IL-6促进肾小管细胞焦亡和内皮损伤。IgG升高可能通过免疫复合物沉积激活补体加剧肾损伤，ScvO₂降低指示组织灌注不足，胆红素升高通过氧化应激诱导肾小管凋亡。研究局限性包括缺乏外部验证（所有中心位于同一城市）、单时间点测量、排除PD-1⁺ T细胞亚群等，需未来多中心外部验证和动态监测。
**结论翻译**：我们开发了一个简单、可解释的机器学习模型，用于早期预测脓毒症危重症患者的严重SA-AKI。该模型表现出强大的预测性能，同时保持高可解释性。它整合了易于获取的变量——包括免疫炎症谱、SOFA评分、ScvO₂和既往病史——共同反映了SA-AKI的核心病理生理学。该模型为脓毒症危重症患者严重SA-AKI的早期风险分层和预防提供了一个实用且有效的工具。