基于炎性标志物构建ICU脓毒症患者早期预测模型

李晓明，刘 超，王晓莉，毛 智，伊宏煜，周飞虎

1 解放军医学院，北京 100853；2 解放军总医院第一医学中心 重症医学科，北京 100853

脓毒症是指由于机体对感染的反应失调，进而出现危及生命的器官功能障碍，是一种由感染引起的生理、病理、生化等异常的综合征[1]。一项涉及全球多区域的调查研究显示，近年来脓毒症的死亡率明显下降，但2017年全球仍有约4 890万患者诊断为脓毒症，其中约1 100万患者死亡，约占全球当年死亡总数的20%[2]。Xie等[3]针对我国重症监护病房(intensive care unit，ICU)的脓毒症的流行病学进行了一项横断面调查研究，44家医院的ICU参与此项研究；研究期间，11 272例患者入住ICU，2 322例患者发生了脓毒症，ICU死亡率和住院死亡率分别为29.6%和32.1%，中位ICU住院费用为52 658元。由此可见，我国脓毒症现状也仍不容乐观。目前研究表明对脓毒症患者采取及时有效的干预措施，如充分的液体复苏、合理的抗生素应用，以及其他对症支持治疗，可以改善预后[4-6]。因此，早期识别潜在的脓毒症患者从而将治疗前移至关重要。2016年版和2021年版国际拯救脓毒症指南均推荐早诊断、早干预、早治疗[7-9]。但脓毒症是一种综合征，临床表现缺乏特异性、个体间差异大，因此早期识别存在一定困难。脓毒症是由感染引发的复杂的免疫反应，这种反应随时间的变化而变化，涉及促炎途径和抗炎途径[10-11]。因此，炎性反应在脓毒症的发生、发展过程中起着至关重要的作用，临床常用炎性标志物，如白细胞计数(white blood cell，WBC)、降钙素原(procalcitonin，PCT)、白细胞介素-6(interleukin 6，IL-6)、C反应蛋白(Creactive protein，CRP)、中性粒细胞-淋巴细胞比值(neutrophil-to-lymphocyte ratio，NLR)等可能作为预测脓毒症的潜在生物标志物。列线图(alignment diagram)又称诺莫图，被广泛应用于临床疾病的诊断预测中，尤其在肿瘤的转移、预后方面。其本质为logistic或Cox回归方程的可视化，既可整合多个预测指标，又可以将统计预测模型简化为事件概率的单一数字估计[12-14]。但目前还没有研究联合炎性标志物构建早期预测ICU患者发生脓毒症的列线图。因此，本研究将联合炎性标志物构建预测ICU患者发生脓毒症的列线图，验证其早期预测的有效性。

资料与方法

1 资料 研究群体为2017年8月- 2020年12月入住解放军总医院第一医学中心ICU的患者。纳入标准：1)年龄≥18岁；2)入住ICU时间＞48 h；3)第一次入住ICU，若患者多次入住ICU，则取患者第1次入住ICU的诊疗记录。排除标准：1)妊娠；2)服用免疫抑制剂或长期使用激素；3)有血液系统恶性肿瘤；4)入ICU前经历过心肺复苏；5)实验化验检查缺失值＞20%。脓毒症诊断标准：根据2016年提出的Sepsis-3诊断标准来定义脓毒症，即怀疑感染基础上，序贯器官衰竭评分(sequential organ failure assessment，SOFA)较基线值增加≥2分[9]。

2 数据收集 1)人口统计学信息：性别、年龄、身高、体质量、体质量指数(body mass index，BMI)；2)入ICU后的第一次生命体征：体温、心率、呼吸、血压；3)入ICU的第一次实验室化验结果：血常规、血生化、动脉血气、CRP、IL-6、PCT；4)基础疾病：如高血压、糖尿病、冠心病、慢性心力衰竭等；5)各类评分：入ICU第1天的格拉斯哥昏迷量表(glasgow coma scale，GCS)评分和SOFA评分。

3 列线图的构建与验证 将纳入患者按照7∶3的比例随机分为训练集和验证集。根据多因素logistic回归分析结果，利用R软件的“rms”软件包构建列线图。通过受试者工作特征曲线 (receiver operating characteristic，ROC)下面积 (area under the ROC curve，AUC)、敏感度[真阳性人数/(真阳性人数 + 假阴性人数)]、特异性[真阴性人数/(真阴性人数 + 假阳性人数)]来评估列线图的预测性能；校准度指实际发生概率与预测概率的接近程度，用校准曲线来反应，本研究将通过1 000次自抽样的方法构建列线图的校准曲线。将验证集中患者相应数据纳入已构建的列线图模型中，对模型的性能进行验证。最后通过MedCalc软件，将训练集得出的AUC值与验证集得的AUC值进行对比，若P＞0.05，说明二者差异无统计学意义，模型稳定性较好。

4 统计分析 统计分析软件应用SPSS17.0、R软件(V4.1.0)和MedCalc 19.0.4。应用Kolmogorov-Smirnov法检验数据是否符合正态分布。符合正态分布的连续变量以±s表示，应用t检验比较两

组间差异；不符合正态分布的连续变量以Md(IQR)表示，应用Mann-WhitneyU检验比较两组间差异。分类变量以频数(百分比)表示，Chi-square检验比较两组间差异。P＜0.05为差异有统计学意义。

结 果

1 患者分组及两组患者基线比较 共2 074例患者纳入最终分析，其中972例符合脓毒症诊断标准，1 102例不符合。1 451例被随机分配到了训练集、623例被随机分配到了验证集。训练集与验证集基线比较，除入ICU后第1次血常规化验中的血小板数值差异有统计学意义(P＜0.05)，其余差异均无统计学意义(表1)。

表1 训练集与验证集患者基线特征比较Tab. 1 Baseline characteristics of the training cohort and the validation cohort

2 ICU患者发生脓毒症的相关危险因素 将年龄、性别、BMI、入ICU第1天的SOFA评分、入ICU的第1次生命体征、第1次实验室化验值等进行单因素logistic回归分析，WBC、CRP、IL-6等26项指标P＜0.1，最终纳入多因素logistic回归分析。多因素logistic回归分析结果显示SOFA评分、WBC、血红蛋白、NLR、CRP、IL-6、白蛋白、PCT等11项指标差异有统计学意义(P＜0.05)，即相应指标的升高或降低为ICU患者发生脓毒症的相关危险因素(表2)。

表2 ICU患者发生脓毒症的相关危险因素logistic回归分析结果Tab. 2 Logistic regression analysis of associated factors of sepsis in ICU patients

3 列线图的构建及预测性能 根据单因素和多因素logistic回归分析结果，WBC(X1)、CRP(X2)、IL-6(X3)、NLR(X4)和PCT(X5)均为ICU患者发生脓毒症的相关危险因素，其对ICU患者发生脓毒症的回归预测模型简示为：Log(P/1-P)=-3.379 +0.112X1+ 0.122X2+ 0.001X3+ 0.062X4+ 0.222X5。联合以上5个炎性标志物(WBC、CRP、IL-6、NLR和PCT)，利用R软件的“rms”软件包构建了列线图(图1)。即根据每一项化验结果，垂直画一条线到评分轴上，从而得到一个分值，最后将分值相加得到一个总分，总分对应到概率轴上即可得到该患者发生脓毒症的概率。在训练集中，列线图表现出良好的区分度，由其显示：对脓毒症的预测AUC值为0.854(95%CI：0.835 ～ 0.872)，敏感度和特异性分别为0.820和0.737。SOFA评分对脓毒症的预测AUC值为0.759(95%CI：0.735 ～0.783)，敏感度和特异性分别为0.699和0.682。WBC对脓毒症的预测AUC值为0.655(95%CI：0.630 ～ 0.680)。IL-6对脓毒症的预测AUC值为0.712(95%CI：0.688 ～ 0.735)，敏感度和特异性分别为0.670和0.653。CRP对脓毒症的预测AUC值为0.717(95%CI：0.693 ～ 0.740)，敏感度和特异性分别为0.711和0.620。PCT对脓毒症的预测AUC值为0.783(95%CI：0.760 ～ 0.803)，敏感度和特异性分别为0.567和0.847。NLR对脓毒症的预测AUC值为0.716(95%CI：0.689 ～ 0.742)，敏感度和特异性分别为0.621和0.724。通过AUCtest发现，列线图的预测性能明显优于SOFA评分和单一炎性标志物(P均＜0.001，图2)。将验证集中患者数据带入已构建的列线图，其对脓毒症的预测AUC值为0.857(95%CI：0.827 ～ 0.887)，敏感度和特异性分别为0.708(95%CI：0.651 ～ 0.760)和0.864(95%CI：0.823 ～ 0.899)，通过AUC-test发现两者没有明显差异(P=0.879)，说明模型稳定性较好(图3)。通过校准曲线，我们可以看出，无论对于训练集还是验证集，模型对ICU患者脓毒症的预测概率与实际概率均表现出良好的一致性(图4)。

图1 预测ICU患者发生脓毒症的列线图Fig.1 Nomogram predicting the probability of sepsis in ICU patients

图2 列线图与各炎性标志物(A)和SOFA评分(B)的ROC曲线Fig.2 ROC curves of nomogram and inflammatory markers(A: WBC, CRP, IL-6, PCT, NLR), SOFA score (B)WBC: white blood cell; CRP: C-reactive protein; IL-6:interleukin-6; PCT: procalcitonin; NLR: neutrophil-tolymphocyte ratio; SOFA: sequential organ failure assessment

图3 训练集和验证集的ROC曲线Fig.3 ROC curves of training cohort and validation cohort

图4 预测ICU患者发生脓毒症的训练集(A)与验证集(B)校准曲线列线图Fig.4 Calibration curve nomogram of the training cohort (A) and the validation cohort (B) in predicting the occurrence of sepsis in ICU patients

讨 论

2021年最新版的国际拯救脓毒症指南明确指出，脓毒症和脓毒性休克是医疗急症，推荐立即开始复苏和治疗[8]。由此可见脓毒症早期识别干预对改善其预后的重要性。但脓毒症发病机制复杂，临床表现缺乏特异性，因此早期识别存在一定困难。微生物培养仍然是诊断脓毒症的金标准，但往往结果获取较慢，且受抗生素应用的影响，出现假阴性概率较大。

脓毒症涉及复杂的炎症反应，炎症在其发生进展过程中起着至关重要的作用。WBC是临床最常用的炎性标志物，无论升高还是降低都可能与感染相关[15]。PCT主要由甲状腺C细胞分泌，其水平在受到细菌感染后会逐步上升，目前多篇研究表明PCT水平与脓毒症的发生以及预后相关，一篇纳入19篇研究的Meta分析表明PCT早期预测重症患者发生脓毒症的AUC值为0.84[16]。IL-6

为促炎细胞因子，可由内皮细胞、T淋巴细胞、B淋巴细胞等产生，在感染和组织受损时迅速而短暂的升高，其水平的升高可能预示着脓毒症的发生[17-18]。CRP作为一种非特异性急性期反应蛋白，无论炎症、创伤、烧伤等刺激后均可快速升高，因此单独应用CRP预测脓毒症敏感度好，而特异性差，多与其他标志物联合应用。NLR可以通过血常规中的中性粒细胞计数与淋巴细胞计数获得，目前研究表明其可作为多个疾病的严重程度分级、预后判断的标志物[19]。脓毒症的发生、发展中，由于中性粒细胞的凋亡减少，以及中性粒细胞从骨髓的边缘池中快速动员，所以中性粒细胞会增加；由于淋巴细胞的凋亡增加，以及活化的淋巴细胞向炎症组织迁移，所以淋巴细胞会减少；因此，NLR会明显升高[20]。目前已有研究将NLR应用到脓毒症的预测及预后判断中[21]。但单一标志物预测脓毒症的敏感度或特异性可能不理想。

尽管之前已有研究构建列线图预测脓毒症，但还没有研究联合炎性标志物构建预测ICU患者发生脓毒症的列线图[13]。我们通过单因素和多因素logistic回归分析发现WBC、CRP、IL-6、PCT和NLR均为ICU患者发生脓毒症的相关危险因素。众所周知，对于ICU疑似感染的患者，以上炎性标志物是进行常规监测，并且可以快速获得结果。因此我们联合WBC、CRP、IL-6、PCT和NLR构建了列线图，且我们的列线图显示出良好的预测性能，其AUC值明显高于SOFA评分(P＜0.001)。此外，与SOFA评分相比，其包含项目更少更易获取，因此更便于临床应用。

本研究存在一定的局限性。首先，此研究是基于解放军总医院第一医学中心ICU专科数据库，没有进行外部验证，且该数据库是以外科术后患者为主，因此后续我们将纳入不同类型的ICU专科数据库的患者进一步验证。其次，我们只纳入了炎性标志物，没有将一般临床特征等纳入，虽然仅纳入了炎性标志物能简化模型、增加模型实用性，但却可能降低模型性能。最后，这是一项回顾性研究，可能存在选择偏倚；今后我们将开展前瞻性研究进一步优化完善模型。

综上所述，我们利用临床常用的炎性标志物(WBC、CRP、IL-6、PCT和NLR)构建了预测ICU患者发生脓毒症的列线图，其预测性能优于单一炎性标志物和SOFA评分。该模型可以帮助ICU医生早期识别潜在的脓毒症，采取及时有效的干预措施，从而降低脓毒症的发病率并改善脓毒症患者的预后。但该模型需要进一步外部验证以及前瞻性研究优化完善。