人工智能下的脓毒症诊疗模式变化

作者：谢菲

单位：解放军总医院呼吸与危重症医学部重症医学科

1. 核心概念界定

脓毒症（Sepsis）被定义为感染与全身炎症反应综合征的结合体；脓毒性休克（Septic shock）是脓毒症合并液体复苏难以纠正的低血压状态；严重脓毒症（Severe Sepsis）指脓毒症伴随急性器官功能不全。2016年脓毒症3.0概念进一步明确，其核心是感染导致的器官功能损伤，相较于既往定义，更强调感染后引发的宿主反应失调所导致的危及生命的器官功能损害对患者远期预后的影响。

2. 流行病学特征

全球范围内，脓毒症的疾病负担极为沉重。据统计，每年约有4890万例脓毒症病例，相关死亡人数达1100万例，占全球总死亡人数的19.7%。尽管近年来脓毒症发病率有一定下降趋势，但仍是最常见的院内死亡原因，医疗资源消耗巨大、住院成本高。流行病学研究显示，脓毒症住院率随年龄增长显著升高，院内死亡率也呈同步上升趋势，其中≥85岁人群风险最高。感染部位以肺和泌尿系统为主，在病原体类型中细菌占比最高，其次为病毒和真菌。此外，不同国家和地区的脓毒症发生率、死亡率存在较大差异，就诊延迟与死亡率密切相关。

3. 病理生理机制

脓毒症的病理生理过程复杂且具有高度异质性，主要涉及以下关键环节：①感染诱因，病原微生物侵入机体后启动炎症反应；②炎症反应过度激活，粒细胞、巨噬细胞被激活，释放大量炎症因子、损伤相关分子模式（DAMPs）、中性粒细胞胞外诱捕网（NETs）等，引发全身炎症反应；③免疫功能紊乱，表现为淋巴细胞凋亡增加、调节性T细胞扩增、T细胞耗竭及髓系细胞功能低下，导致机体免疫抑制；④微血管系统损伤，血管通透性增加、血栓形成及纤溶异常，引发组织灌注不足；⑤组织代谢障碍，氧供与氧耗失衡，最终导致多器官功能损伤。

脓毒症的发病受病原体因素与宿主因素共同影响，病原体的载量、毒力、免疫原性及微生物组状态等，与宿主的年龄、免疫状态、基础疾病、屏障完整性、环境及遗传因素等相互作用，导致其临床表型多样，治疗反应差异显著，给个体化治疗带来巨大挑战。

1. 早期识别困难

脓毒症的传统诊断依赖发热、白细胞计数升高等非特异性体征，临床表现异质性大，常导致误诊或漏诊，错过“黄金1小时”干预时机。临床诊断多依赖全身炎症反应综合征（SIRS）标准、序贯器官衰竭评估（SOFA）评分、急性生理学与慢性健康状况评估Ⅱ（APACHEⅡ）评分及快速序贯器官衰竭评估（qSOFA）评分等，但这些传统识别标准特异性较差，不同机构、不同人群应用时的敏感性和特异性参差不齐，难以在临床中广泛且有效铺开，最终导致诊断延误。

2. 临床异质性应对不足

脓毒症异质性强，临床表型较多，导致治疗差异性明显。在同一ICU住院的脓毒症患者，尽管接受了类似的治疗，也可能出现截然不同的预后。更精确地识别脓毒症异质性的临床特征是治疗干预措施的关键一步。例如，部分患者可能存在容量过负荷状态，而部分患者则表现为容量反应性良好，若均按照指南推荐的初始液体复苏方案（如3小时内30 ml/kg）治疗，可能导致部分患者病情恶化。根据患者的临床特征，如体温、血流动力学、多器官功能障碍类型、体液状态和预后等，可用于识别独特的脓毒症临床表型。

3. 病情进展监测与预后评估局限

1. AI介入的核心优势

与传统识别方式局限于少数变量且统计繁琐不同，AI技术可处理200个以上的临床变量，结合患者的临床特征和病程进展，建立高度个性化的预测模型。在特定数据质量与工作流整合条件下，AI可能实现比临床医师更早的疾病识别。正如Rebecca Voelker等在2023年的研究中所证实的，机器学习和AI非常适合解决疾病早期识别问题，尤其适用于脓毒症这类异质性较强的疾病。

AI技术在脓毒症诊疗中的应用主要基于两种主要算法：监督学习和无监督学习。监督学习通过建立输入数据与标签之间的映射关系，常用于脓毒症预测模型构建，典型算法包括逻辑回归、梯度提升、深度神经网络等；无监督学习则专注于挖掘数据潜在结构或识别同质亚组，适用于脓毒症表型分类，常用算法有K均值聚类、潜在类别分析、降维技术等，可有效解释疗效异质性。

2. 具体应用场景

2.1  脓毒症高危人群识别

AI模型可提前识别高风险患者，提示干预时机，提升“黄金1小时”干预率。JAMA杂志编辑Yulin Hswen博士认为：对于任何给定的患者，只能测量12或13个变量，并且这些变量在患者之间有所不同，甚至相互矛盾。但是，如果我们能利用丰富的临床背景——几乎有200、300、400个变量——我们可以根据患者的背景进行建模，可以发现比其他情况下更精确的标志物。

2024年我国研究者开发的机器学习模型，通过整合性别、年龄、基础疾病（如糖尿病）、术前发热、实验室指标（如ALT、BUN、hsCRP、PT等）及临床干预措施（如乌司他丁、甲泼尼龙使用、出血量、液体丢失量等），实现了对老年患者SIRS和脓毒症高风险人群的早期识别，表现出较高的敏感性，为高危人群的抢先干预提供了可行方案。

2.2  脓毒症死亡风险评估

精准评估脓毒症患者的死亡风险，有助于临床医生优先资源分配和治疗策略调整。研究者开发了可解释的机器学习模型（如XGBoost），用于预测脓毒症患者的28天死亡风险，并直观展示决策过程。该模型预测死亡风险的主要影响因素包括SOFA评分、年龄、尿素氮、体温、呼吸状态、感染指标、性别、血红蛋白等，其预测性能优于传统评估方法，能帮助临床医生及早识别高风险患者，采取针对性干预措施。

2.3  脓毒症表型识别

脓毒症表型的精准识别是实现个体化治疗的关键。2019年JAMA杂志发表的研究成果显示，基于临床大数据和机器学习方法，通过29个早期临床指标，可将脓毒症患者分为α、β、γ、δ四个表型。其中，α表型最常见，升压药物使用剂量最小，对液体复苏反应良好；β表型患者年龄较大，合并症多且常伴随肾功能不全，容量耐受性差；γ表型患者炎症反应剧烈，呼吸功能不全更为突出；δ表型患者易发生肝功能不全及休克，白介素-6、白介素-8表达水平最高，28天和1年病死率最高。

2022年研究者通过潜在类别分析（LCA），基于在院病程、既往史、脏器功能、并发症及出院后状态等指标，将脓毒症幸存者分为不同亚型，可有效预测其30天再入院率和死亡率。其中，低风险亚型人群的30天再入院率和全因死亡率显著下降，为出院后管理和干预靶点选择提供了重要参考。

2.4  临床决策优化

AI模型通过优化诊疗流程，显著改善患者预后。RoyAdams等研究表明，脓毒症警报系统（TREWS）可早期识别脓毒症患者，医护人员在3小时内响应预警的患者，死亡率下降18.7%。该模型具有良好的敏感性（82%），并且可比传统识别方法提前平均2小时以上给出提示，获得医生们的高度认可。这是一种AI工具与临床流程深度融合的范例。研究还发现，3小时内使用抗生素的患者，院内死亡率、SOFA评分进展及住院时间均显著优于3小时后用药的患者，尤其是在高风险队列中，效果更为明显，提示该模型优化了抗生素使用时机。

此外，机器学习算法通过整合收缩压、舒张压、心率、体温、乳酸、白细胞计数等多项临床指标，可有效预测患者预后，与仅使用常用临床检测指标的对照组相比，使用了机器学习算法的试验组患者的住院时间显著缩短，总体存活率显著提高。AI模型能够及时发现和预测疾病，使临床医生能够更早地管理危重患者，降低疾病的严重程度，改善临床结局，体现了AI在临床决策支持中的重要价值。

2.5  AI+生物标志物实现精准诊疗

单一生物标志物诊断脓毒症的敏感性较低，难以精准区分表型。AI技术可整合多种生物标志物（如PCT、sTREM-1、ADM、IL-6、IFN-γ/IL-10比值等）与临床指标，实现免疫亚型识别与风险预测。Ryan J. Delahanty等开发的机器学习模型，通过对比患者评分，显著提升了早期脓毒症的鉴定效率。此外，生物标志物轨迹与AI相结合，可以辅助判断患者的免疫抑制/炎症状态，为个体化干预提供指导。在转录组学、代谢组学等领域，机器学习方法可识别脓毒症相关生物标志物，助力隐藏亚型发现，提升识别效率，前瞻性研究正探索基于AI的“生物标志物-表型-干预”路径模型。

2.6  AI赋能ICU感染管理

AI技术正在渗透ICU感染管理的各个环节，构建“抗菌管理周期”闭环系统，包括感染识别、抗菌决策、持续评估、抗生素停用及回顾分析。具体应用包括：①智能早期预警，通过分析患者生命体征、实验室数据和电子健康记录，实现感染早期识别与预警；②精准抗感染治疗辅助，结合病原学数据（如基因测序、快速微生物检测），辅助医生选择合适的抗生素，避免滥用和耐药风险；③自动化监测与风险评估，实时监控患者体温、呼吸、血压等指标，自动评估感染进展及并发症风险；④优化医疗资源配置，根据患者严重程度和治疗反应，合理分配ICU床位及医护资源；⑤远程ICU（Tele-ICU）管理，通过AI驱动的远程监控系统，实现专家对多个ICU患者的集中管理，及时发现感染并指导治疗。

1. 技术层面局限

AI模型的性能高度依赖数据集质量，当前存在数据集偏倚、规模不足、代表性差等问题。临床环境不断变化，种族多样性不足，新旧技术共存且标准不一，导致模型在不同机构、不同人群中的适应性受限。部分AI模型存在过拟合或欠拟合现象，可解释性差、透明度低，如专利算法难以独立验证，被称为“黑箱”模型。此外，部分AI工具在真实世界中的表现不佳，如Epic Sepsis Model的AUC仅为0.63，假阳性率高，可能诱发抗生素滥用，增加诊疗负担。

2. 研究设计与临床落地缺陷

现有AI模型多基于回顾性队列训练，缺乏前瞻性研究验证，预测能力有限。临床一线反馈显示，AI预警工具的使用率不稳定，部分科室因干预流程复杂、打断原有工作节奏而选择关闭或忽略。AI模型在不同医院间的适应性差，缺乏统一部署标准，跨机构推广效果有限。此外，法规与责任界定不明确，AI建议的强制力、误判后的责任归属等问题尚未得到有效解决。

2023年JAMA杂志发表研究表明：标准AI模型的预测和解释提高了临床医生的诊断准确性，但系统偏见的预测和解释降低了精度。该研究提示，临床医生可能无法抵御有缺陷AI决策造成的不良结局。

笔者团队开展了一系列基于AI的脓毒症诊疗相关研究，取得了阶段性成果。基于新冠患者入院时的7种即刻指标，构建了住院死亡率预测模型（IF 7.4 Q1）；建立了全新的ICU患者死亡预测算法，可精准预测患者未来1、3、6、12小时的死亡率（IF 10.65 Q1）；通过强化学习方法构建脓毒症患者精准化液体治疗预测模型，通过预测模型，指导脓毒症患者液体治疗的辅助决策，能较准确地给出脓毒症患者液体治疗的方向。

作者介绍

谢菲

解放军总医院呼吸与危重症医学部重症医学科主任，主任医师，博士，博士后导师；中华医学会呼吸病学分会危重症学组委员，中华医学会结核病学分会危重症学组副主任委员，中国医师协会呼吸医师分会危重症学组委员，中国医师协会急救复苏专委会危重病与人工生命支持学组委员，全军呼吸专业委员会危重症学组委员，北京市医学会呼吸危重症学组委员；主持国家自然科学基金、国家“十三五”重点研发计划、后勤科研重点项目等多项国家及省部级课题；作为第一完成人获得解放军总医院医疗成果一等奖、中国产学研创新成果一等奖；作为主要完成人获得军队科技进步一等奖。