膿毒癥患者預后評估的研究進展

[摘要]"及時的膿毒癥患者預后判斷、精準識別高風險群體是降低膿毒癥死亡率的關鍵策略。隨著對膿毒癥研究的深入，風險預測評分系統、生物標志物和風險預測模型逐步應用于膿毒癥的預后評估中，以提高臨床醫生對膿毒癥患者預后判斷的精確度。本文綜述當前膿毒癥患者預后評估的最新研究進展，以期為膿毒癥的臨床管理與科研探索提供參考。

[關鍵詞]"膿毒癥；預后評估；生物標志物；評分系統；預測模型

[中圖分類號]"R459.7""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.35.028

“sepsis”源自希臘語，意為分解、腐爛。20世紀初，其含義逐漸演變成現代醫學中的“膿毒癥”。1991年，膿毒癥1.0（sepsis"1.0）被定義為由感染引起的全身炎癥反應綜合征。而相較于既往版本，研究團隊在膿毒癥3.0（sepsis"3.0）中納入序貫器官衰竭評估（sequential"organ"failure"assessment，SOFA）評分，以識別并評估膿毒癥[1]。

1""膿毒癥概述

Rudd等[2]將低中等收入國家的流行病學數據納入研究范圍，結果顯示1990—2017年，年齡標準化膿毒癥的發病率和死亡率均較之前下降，且膿毒癥的發病率和死亡率存在顯著地區差異。2017—2019年，中國膿毒癥年標準化發病率從328.25/10萬增長至421.85/10萬，膿毒癥院內死亡率達28.4%，且膿毒癥的院內死亡率呈逐年上升趨勢[3]。目前，膿毒癥的發病機制尚未完全明確。膿毒癥的病理生理過程涵蓋全身炎癥反應、組織器官損傷、凝血功能異常、免疫功能障礙、微生物毒素作用等機制，還涉及神經-內分泌-免疫網絡失衡、細胞自噬、基因多態性等方面，與機體多器官、多系統密切相關[4-5]。

2""風險預測評分系統

2.1""SOFA評分

SOFA評分由Vincent等[6]提出，用于評估呼吸、凝血、肝臟、心血管、腎臟、中樞神經系統功能障礙/衰竭。2016年，sepsis"3.0納入SOFA評分。然而，SOFA評分依賴大量實驗室數據，時效性較低，限制了其在急診科中的應用。

2.2""快速SOFA評分

為增強可行性和實用性，專家學者提出更簡易的評分系統，即快速SOFA（quick"SOFA，qSOFA）評分。該評分僅納入“意識形態改變、收縮壓≤100mmHg（1mmHg=0.133kPa）、呼吸頻率≥22次/min”3個指標。盡管qSOFA評分在設計上力求簡便快捷，但在臨床應用中其有效性和準確性受到一定程度的爭議。

為提高qSOFA評分預測膿毒癥患者預后風險的敏感度，專家學者對其進行不斷改良，形成降鈣素原增強qSOFA（procalcitonin-enhanced"qSOFA，PqSOFA）評分、改良qSOFA（modified"qSOFA，MqSOFA）評分等。PqSOFA評分將降鈣素原（procalcitonin，PCT）引入qSOFA評分。Xia等[7]在821例成人急性膿毒癥患者中進行回顧性分析，將患者PCTgt;0.5ng/ml計為1分，證實PqSOFA評分顯著優于qSOFA評分。MqSOFA評分是將氧合指數引入qSOFA，外周血氧飽和度（peripheral"oxygen"saturation，SpO2）/吸入氧濃度（inspired"fraction"of"oxygen，FiO2）≥315評分計為0分，SpO2/FiO2在314～236范圍內評分計為1分，SpO2/FiO2≤235評分計為2分。Guarino等[8]研究發現MqSOFA評分預測不同病因所致膿毒癥患者28d死亡率顯著優于qSOFA評分。

2.3""急性生理學和慢性健康狀況評價Ⅱ評分

急性生理學和慢性健康狀況評價Ⅱ（acute"physiology"and"chronic"health"evaluation"Ⅱ，APACHE"Ⅱ）評分是臨床上重要的評估膿毒癥病情及預后的工具[9]。研究證實APACHE"Ⅱ評分是膿毒癥患者死亡的獨立危險因素，評分越高預示患者的預后越差、病死率越高[10-11]。在臨床實踐中應結合患者的實際情況，綜合評估APACHE"Ⅱ評分的參考價值。

2.4""急診科膿毒血癥死亡率評分

急診科膿毒血癥死亡率（mortality"in"emergency"department"sepsis，MEDS）評分根據急診科特點設計，涵蓋終末期疾病、呼吸困難、感染性休克、血小板計數、桿狀核中性粒細胞、年齡、下呼吸道感染、居住在療養院及意識改變共9項指標[12]。MEDS評分范圍為0～27分，根據評分將患者分為5個死亡風險亞組，包括極低危、低危、中危、高危、極高危。MEDS評分在預測全身炎癥反應綜合征、膿毒癥急診患者28d死亡風險方面表現卓越，還可預測急診感染患者1年遠期病死率。國際上已有多項研究證實MEDS評分對評估急診科膿毒癥患者1個月死亡風險的準確性極高，甚至優于SOFA評分和其他評分系統[13-15]。MEDS評分的部分評價指標依賴臨床醫生的主觀判斷。盡管現有研究已廣泛證實該評分預測院內死亡風險的準確性，但針對各死亡風險亞組病死率的詳細驗證仍顯不足[16]。

3""預后生物標志物

近年來，除使用相關量表評估膿毒癥患者預后外，生物標志物也用于膿毒癥患者的預后判斷[17]。

3.1""血常規相關標志物

血小板計數在炎癥反應中的重要性逐漸被探究[18]。研究顯示膿毒癥休克患者在病程初始24h內出現血小板減少，這與28d死亡率顯著升高緊密相關[19]。紅細胞體積分布寬度（red"cell"volume"distribution"width，RDW）作為衡量紅細胞體積異質性的指標，其重要性在膿毒癥預后評估中逐漸顯現。伍羿等[20]通過回顧性研究發現，RDW水平可作為膿毒癥患者死亡的獨立預測因子，表現為RDW水平每上升1%，患者的死亡率增加18%。Huang等[21]研究發現膿毒癥死亡患者的RDW水平在入院首周內持續攀升。單核細胞分布寬度（monocyte"distribution"width，MDW）是反映血液中單核細胞分布情況的指標。膿毒癥發生時，不僅單核細胞的數量有所變化，其大小、功能、表型等也呈現多樣化；且隨著疾病嚴重程度的加劇更加明顯，直觀表現為單核細胞形態的改變[22]。Malinovska等[23]研究揭示，MDW水平的升高與病情嚴重程度及器官障礙的發生呈正相關。

3.2""炎癥標志物

C反應蛋白（C-reactive"protein，CRP）是經典的非特異性炎癥標志物，在肝臟內合成。在機體發生嚴重感染、膿毒癥或嚴重組織損傷時，CRP水平可急劇升至正常水平的千倍以上，并促進多種炎癥介質的釋放，加速器官組織損傷[24]。Koozi等[25]納入851例重癥監護病房（intensive"care"unit，ICU）膿毒癥患者的研究發現，CRPgt;100mg/L患者的死亡風險顯著增加。

PCT是降鈣素的前體物質，在生理狀態下主要由甲狀腺濾泡旁細胞產生。引入PCT的PqSOFA評分可用于膿毒癥患者的預后評估，其單獨使用對預測膿毒癥患者的預后也有極高價值。除生理功能外，PCT的基因表達受脂多糖和全身炎癥介質的誘導。Samuel等[26]研究發現PCT可很好地預測膿毒癥患者的預后，且PCTgt;2ng/ml較PCTgt;0.5ng/ml的特異性更佳，更具預測價值。Liang等[27]通過回顧性分析146例ICU膿毒癥患者證實，PCT與膿毒癥患者預后相關，且PCT是患者28d死亡率的獨立危險因素。

血清淀粉樣蛋白A（serum"amyloid"A，SAA）是一種急性時相反應蛋白，其通過多種信號通路參與炎癥反應[28]。譚睿等[29]研究闡明，SAA水平及其動態變化在預測膿毒癥患者預后方面有重要作用，其中24hnbsp;AA水平預測的效果最佳。

3.3""白細胞介素

白細胞介素（interleukin，IL）-10是一種主要由輔助性T細胞2、脂多糖等刺激單核巨噬細胞和上皮細胞產生的抑制因子，可調節過量促炎性細胞因子和趨化因子所致的免疫宿主反應[30]。既往研究表明，IL-10的過表達可作為預測膿毒癥患者死亡的顯著標志[31]。IL-37屬于IL-1家族，主要由造血細胞產生，是固有免疫反應的天然抑制劑，是調節炎癥反應的重要細胞因子[32]。林芳崇等[33]研究表明，IL-37在膿毒癥患者中呈高水平表達，且其水平隨病情進展而逐漸升高，更是影響患者28d預后的獨立危險因素。

3.4""可溶性CD14亞型sCD14-ST

可溶性CD14亞型sCD14-ST主要分布于血清中；在全身炎癥反應期間，sCD14-ST由血漿蛋白酶切割可溶性CD14后形成[34]。sCD14-ST對機體炎癥反應、感染性休克、器官衰竭的發生發展具有重要意義[35]。Liu等[36]研究指出，sCD14-ST是評估膿毒癥患者預后的可靠指標。研究證實膿毒癥死亡組患者的sCD14-ST水平顯著高于存活組，且病情嚴重患者的sCD14-ST水平更高[35]。

4""風險預測模型

近年來，隨著大數據與人工智能（artificial"intelligence，AI）的蓬勃發展，機器學習、列線圖模型等先進工具被廣泛應用于臨床研究中，促進眾多風險預測模型的誕生與發展，這些模型涵蓋疾病的早期預測與診斷及預后預測等方面。研究表明基于大數據和機器學習的篩查工具可提高膿毒癥診斷的敏感度和準確性[37]。篩查模型通過AI技術對臨床數據進行持續監測，可提前數小時預測膿毒癥的發生，準確率接近90%，較傳統疾病嚴重程度評分有很大提高[38]。Nemati等[39]通過構建人工智能膿毒癥專家（artificial"intelligence"sepsis"expert，AISE）模型預測膿毒癥，結果顯示AISE模型可提前4～12h預測膿毒癥的發生。Mao等[40]將基于機器學習的膿毒癥預測算法InSight模型應用于ICU患者膿毒癥發生的預測中，結果顯示其可提前4h預測膿毒癥的發生。既往研究主要集中于ICU危重癥膿毒癥患者中，近期Meta分析結果顯示，與應用于ICU患者相比，AI預警系統在急診科和普通病房中的益處更明顯[41]。Honeyford等[42]將基于圣約翰膿毒癥算法開發的數字膿毒癥警報用于急診膿毒癥患者的早期預測，結果顯示其可早期預測膿毒癥的發生，改善患者預后，降低病死率。Burdick等[43]應用機器學習算法預測膿毒癥，結果顯示其可有效預測嚴重膿毒癥的發生，改善患者預后。Gupta等[44]應用樹形增強型樸素貝葉斯網絡開發的膿毒癥預測模型的受試者操作特征曲線下面積（area"under"the"curve，AUC）為0.840。García-Gallo等[45]采用隨機梯度推進法建立的膿毒癥預測模型的AUC為0.804。綜上，AI預測模型對膿毒癥預后的預測較臨床醫生的判斷及傳統的評分系統更精準，具有顯著優勢。然而，上述模型中的大部分研究均為回顧性研究，各項研究之間存在較大的異質性，無法相互驗證，尚不具備廣泛適用性。

5""小結與展望

膿毒癥的預后與多種因素相關，早期識別高風險患者可為臨床提供及時干預依據，從而降低患者病死率。目前臨床上用于評估膿毒癥預后的工具眾多，包括風險預測評分系統、生物標志物和風險預測模型等。然而，各種工具均有其優勢及局限性，尚未形成統一、公認的膿毒癥預后預測“金標準”。鑒于膿毒癥居高不下的發病率和死亡率，其依然是全球亟待解決的熱點問題之一。隨著AI、機器算法在醫學領域的普及和廣泛應用，利用風險預測模型評估膿毒癥患者的預后將成為未來發展的主流趨勢，但需考慮膿毒癥在不同人種、地域中的異質性，以便構建更有針對性的預測模型，確保其在不同臨床環境中的實用性和準確性。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] RHODES"A，"EVANS"L"E，"ALHAZZANI"W，"et"al."Surviving"sepsis"campaign："International"guidelines"for"management"of"sepsis"and"septic"shock："2016[J]."Crit"Care"Med，"2017，"45（3）："486–552.

[2] RUDD"K"E，"JOHNSON"S"C，"AGESA"K"M，"et"al."Global，"regional，"and"national"sepsis"incidence"and"mortality，"1990–2017："Analysis"for"the"global"burden"of"disease"study[J]."Lancet，"2020，"395（10219）："200–211.

[3] WENG"L，"XU"Y，"YIN"P，"et"al."National"incidence"and"mortality"of"hospitalized"sepsis"in"China[J]."Crit"Care，"2023，"27（1）："84.

[4] 姚詠明，"張艷敏."膿毒癥發病機制最新認識[J]."醫學研究生學報，"2017，"30（7）："678–683.

[5] 欒櫻譯，"祝筱梅，"姚詠明."關于膿毒癥的發生機制與識別和干預[J]."中華危重病急救醫學，"2021，"33（5）："513–516.

[6] VINCENT"J"L，"MORENO"R，"TAKALA"J，"et"al."The"SOFA"（sepsis-related"organ"failure"assessment）"score"to"describe"organ"dysfunction/failure."On"behalf"of"the"working"group"on"sepsis-related"problems"of"the"European"society"of"intensive"care"medicine[J]."Intensive"Care"Med，"1996，"22（7）："707–710.

[7] XIA"Y，"ZOU"L，"LI"D，"et"al."The"ability"of"an"improved"qSOFA"score"to"predict"acute"sepsis"severity"and"prognosis"among"adult"patients[J]."Medicine"（Baltimore），"2020，"99（5）："e18942.

[8] GUARINO"M，"PERNA"B，"DE"GIORGI"A，"et"al."A"2-year"retrospective"analysis"of"the"prognostic"value"of"MqSOFA"compared"to"lactate，"NEWS"and"qSOFA"in"patients"with"sepsis[J]."Infection，"2022，"50（4）："941–948.

[9] HAI"P"D，"VIET"HOA"L"T."The"Prognostic"accuracy"evaluation"of"mNUTRIC，"APACHE"Ⅱ，"SOFA，"and"SAPS"2"scores"for"mortality"prediction"in"patients"with"sepsis[J]."Crit"Care"Res"Pract，"2022，"2022："4666594.

[10] 李艷秀，"左祥榮，"曹權."PCT聯合APACHEⅡ評分對ICU肺部感染合并膿毒癥的評估[J]."南京醫科大學學報（自然科學版），"2018，"38（12）："1725–1728.

[11] KUMAR"S，"GATTANI"S"C，"BAHETI"A"H，"et"al."Comparison"of"the"performance"of"APACHE"Ⅱ，"SOFA，"and"mNUTRIC"scoring"systems"in"critically"ill"patients："A"2-year"cross-sectional"study[J]."Indian"J"Crit"Care"Med，"2020，"24（11）："1057–1061.

[12] SHAPIRO"N"I，"WOLFE"R"E，"MOORE"R"B，"et"al."Mortality"in"emergency"department"sepsis"（MEDS）"score："A"prospectively"derived"and"validated"clinical"prediction"rule[J]."Crit"Care"Med，"2003，"31（3）："670–675.

[13] VAFAEI"A，"HEYDARI"K，"HASHEMI-NAZARI"S"S，"et"al."PIRO，"SOFA"and"MEDS"scores"in"predicting"one-month"mortality"of"sepsis"patients："A"diagnostic"accuracy"study[J]."Arch"Acad"Emerg"Med，"2019，"7（1）："e59.

[14] ELBAIH"A"H，"ELSAYED"Z"M，"AHMED"R"M，"et"al."Sepsis"patient"evaluation"emergency"department"（SPEED）"score"amp;"mortality"in"emergency"department"sepsis"（MEDS）"score"in"predicting"28-day"mortality"of"emergency"sepsis"patients[J]."Chin"J"Traumatol，"2019，"22（6）："316–322.

[15] PONG"J"Z，"KOH"Z"X，"SAMSUDIN"M"I，"et"al."Validation"of"the"mortality"in"emergency"department"sepsis"（MEDS）"score"in"a"Singaporean"cohort[J]."Medicine"（Baltimore），"2019，"98（34）："e16962.

[16] 張愷，"張淑芳，"張根生."膿毒癥評分體系的研究進展[J]."中華急診醫學雜志，"2021，"30（10）："1279–1282.

[17] PIERRAKOS"C，"VELISSARIS"D，"BISDORFF"M，"et"al."Biomarkers"of"sepsis："Time"for"a"reappraisal[J]."Crit"Care，"2020，"24（1）："287.

[18] SHEN"Y，"HUANG"X，"ZHANG"W."Platelet-to-lymphocyte"ratio"as"a"prognostic"predictor"of"mortality"for"sepsis："Interaction"effect"with"disease"severity-A"retrospective"study[J]."BMJ"Open，"2019，"9（1）："e022896.

[19] THIERY-ANTIER"N，"BINQUET"C，"VINAULT"S，"et"al."Is"thrombocytopenia"an"early"prognostic"marker"in"septic"shock？[J]."Crit"Care"Med，"2016，"44（4）："764–772.

[20] 伍羿，"王德宇，"趙祥庚."紅細胞分布寬度與老年膿毒癥患者死亡率的相關性[J]."中國老年學雜志，"2019，"39（17）："4274–4277.

[21] HUANG"R，"XIA"J，"WANG"J，"et"al."Red"blood"cell"distribution"width："A"potential"prognostic"index"for"short-term"mortality"of"patients"admitted"to"emergency"department"for"acute"decompensation"of"liver"cirrhosis"？"[J]."Eur"J"Gastroenterol"Hepatol，"2018，"30（3）："328.

[22] 于佳琪，"梁群，"劉雨默，"等."單核細胞分布寬度在膿毒癥早期診斷和預后評估中的研究進展[J]."中國醫藥導報，"2023，"20（12）："40–43，"47.

[23] MALINOVSKA"A，"HINSON"J"S，"BADAKI-MAKUN"O，"et"al."Monocyte"distribution"width"as"part"of"a"broad"pragmatic"sepsis"screen"in"the"emergency"department[J]."J"Am"Coll"Emerg"Physicians"Open，"2022，"3（2）："e12679.

[24] 柴韓飛，"謝海波，"杜曉紅，"等."PCT、CRP和HBP對膿毒癥的診斷及預后評估價值[J]."現代實用醫學，"2021，"33（5）："617–619.

[25] KOOZI"H，"LENGQUIST"M，"FRIGYESI"A."C-reactive"protein"as"a"prognostic"factor"in"intensive"care"admissions"for"sepsis："A"Swedish"multicenter"study[J]."J"Crit"Care，"2020，"56："73–79.

[26] SAMUEL"M"S，"LATHA"R，"KAVITHA"K，"et"al."A"study"on"biomarkers"of"sepsis"and"potential"role"of"procalcitonin"and"ferritin"marker"in"diagnosis，"prognosis"and"treatment[J]."J"Family"Med"Prim"Care，"2022，"11（6）："2608–2612.

[27] LIANGnbsp;P，"YU"F."Value"of"CRP，"PCT，"and"NLR"in"prediction"of"severity"and"prognosis"of"patients"with"bloodstream"infections"and"sepsis[J]."Front"Surg，"2022，"9："857218.

[28] GABAY"C，"KUSHNER"I."Acute-phase"proteins"and"other"systemic"responses"to"inflammation[J]."N"Engl"J"Med，"1999，"340（6）："448–454.

[29] 譚睿，"楊鵬磊，"王晶，"等."載脂蛋白A-I聯合血清淀粉樣蛋白A判斷膿毒癥及膿毒癥休克患者的病情及預后價值[J]."中華急診醫學雜志，"2024，"33（5）："643–650.

[30] 陳琛，"蘇華."白細胞介素-10與嚴重膿毒癥患者疾病預后的關系[J]."武漢大學學報（醫學版），"2018，"39（3）："485–488，"492.

[31] TAMAYO"E，"FERNáNDEZ"A，"ALMANSA"R，"et"al."Pro-"and"anti-inflammatory"responses"are"regulated"simultaneously"from"the"first"moments"of"septic"shock[J]."Eur"Cytokine"Netw，"2011，"22（2）："82–87.

[32] 樊柳汝，"李金蘭，"李筱妍."膿毒癥生物標志物研究進展[J]."中國急救醫學，"2022，"42（7）："620–624.

[33] 林芳崇，"符超，"李芬."白細胞介素37表達水平與膿毒癥患者免疫功能及臨床預后關系[J]."創傷與急危重病醫學，"2023，"11（6）："376–381.

[34] 曾茁，"彭毅志，"袁志強."膿毒癥生物標志物的研究進展[J]."中華燒傷與創面修復雜志，"2023，"39（7）："679–684.

[35] 陸駿灝."比較sCD14-ST和PCT、CRP對膿毒癥的診斷和預后評估有效性[J]."系統醫學，"2018，"3（24）："57–59.

[36] LIU"B，"CHEN"Y"X，"YIN"Q，"et"al."Diagnostic"value"and"prognostic"evaluation"of"presepsin"for"sepsis"in"an"emergency"department[J]."Crit"Care，"2013，"17（5）："R244.

[37] DELAHANTY"R"J，"ALVAREZ"J，"FLYNN"L"M，"et"al."Development"and"evaluation"of"a"machine"learning"model"for"the"early"identification"of"patients"at"risk"for"sepsis[J]."Ann"Emerg"Med，"2019，"73（4）："334–344.

[38] ISLAM"M"M，"NASRIN"T，"WALTHER"B"A，"et"al."Prediction"of"sepsis"patients"using"machine"learning"approach："A"Meta-analysis[J]."Comput"Methods"Programs"Biomed，"2019，"170："1–9.

[39] NEMATI"S，"HOLDER"A，"RAZMI"F，"et"al."An"interpretable"machine"learning"model"for"accurate"prediction"of"sepsis"in"the"ICU[J]."Crit"Care"Med，"2018，"46（4）："547 553.

[40] MAO"Q，"JAY"M，"HOFFMAN"J"L，"et"al."Multicentre"validation"of"a"sepsis"prediction"algorithm"using"only"vital"sign"data"in"the"emergency"department，"general"ward"and"ICU[J]."BMJ"Open，"2018，"8（1）："e017833.

[41] YANG"J，"HAO"S，"HUANG"J，"et"al."The"application"of"artificial"intelligence"in"the"management"of"sepsis[J]."Med"Rev，"2023，"3（5）："369–380.

[42] HONEYFORD"K，"COOKE"G"S，"KINDERLERER"A，"et"al."Evaluating"a"digital"sepsis"alert"in"a"London"multisite"hospital"network："A"natural"experiment"using"electronic"health"record"data[J]."J"Am"Med"Inform"Assoc，"2020，"27（2）："274–283.

[43] BURDICK"H，"PINO"E，"GABEL-COMEAU"D，"et"al."Effect"of"a"sepsis"prediction"algorithm"on"patient"mortality，"length"of"stay"and"readmission："A"prospective"multicentre"clinical"outcomes"evaluation"of"real-world"patient"data"from"US"hospitals[J]."BMJ"Health"Care"Inform，"2020，"27（1）："e100109.

[44] GUPTA"A，"LIU"T，"SHEPHERD"S."Clinical"decision"support"system"to"assess"the"risk"of"sepsis"using"tree"augmented"Bayesian"networks"and"electronic"medical"record"data[J]."Health"Informatics"J，"2020，"26（2）："841–861.

[45] GARCíA-GALLO"J"E，"FONSECA-RUIZ"N"J，nbsp;CELI"L"A，"et"al."A"machine"learning-based"model"for"1-year"mortality"prediction"in"patients"admitted"to"an"intensive"care"unit"with"a"diagnosis"of"sepsis[J]."Med"Intensiva"（Engl"Ed），"2020，"44（3）："160 170.

（收稿日期：2024–08–08）

（修回日期：2024–10–09）