Maskininlärningsanalys av s-EASIX för att förutsäga 30-dagars dödlighet hos sepsispatienter från MIMIC-IV

Varför detta är viktigt för patienter med allvarliga infektioner

Sepsis, en livshotande reaktion på infektion, dödar miljontals människor världen över varje år, ofta inom dagar efter intag på en intensivvårdsavdelning (IVA). Läkare behöver bättre verktyg för att snabbt upptäcka vilka patienter som tyst håller på att utveckla organsvikt, även när vanliga laboratorievärden bara är lätt avvikande. Denna studie presenterar ett enkelt blodbaserat index, följt över tid i stället för vid enskilda tidpunkter, och visar att dess förändringsmönster kan förutsäga vilka som löper störst risk att dö inom 30 dagar. Genom att kombinera modern datavetenskap med rutinmässiga laboratorieresultat pekar arbetet mot tidigare och mer personanpassad behandling av sepsis.

En enkel poäng från vardagliga blodprover

Forskningen fokuserar på ett mått kallat förenklat endotelial aktivering- och stressindex, eller s-EASIX. Det beräknas med hjälp av bara två rutinmässiga blodprovsresultat: laktatdehydrogenas (LDH), en markör för cellskada och metabolisk stress, och trombocyter, de små cellfragment som hjälper blodet att koagulera. Tillsammans speglar dessa värden hur illa blodkärlens inre beklädnad — endotelet — skadas under sepsis. När detta lager sviktar försämras blodflödet i kroppens minsta kärl, organen svullnar eller blöder och dödsrisken ökar kraftigt. Till skillnad från många experimentella markörer som kräver dyra laboratoriemetoder kan s-EASIX beräknas utifrån prov som sjukhus redan tar för nästan alla IVA-patienter.

Att följa poängens upp- och nedgång över tid

I stället för att fråga vad s-EASIX är på inskrivningsdagen i IVA undersökte författarna hur det förändras under den första sjukdomsmånaden. Genom att använda den stora publika MIMIC-IV-databasen med intensivvårdsjournaler identifierade de 8 113 vuxna med sepsis som hade minst tre mätningar av LDH och trombocyter. Med en statistisk teknik som grupperar patienter efter liknande tidsmönster upptäckte de fem distinkta ”trajektorier” för s-EASIX: en låg-stabil grupp, en medel-stabil grupp, en hög men snabbt fallande grupp, en medelvärdig men stadigt stigande grupp och en mycket hög grupp som endast sjönk långsamt. Dessa mönster fångade den pågående dragkampen mellan infektion, inflammation, kärlskada och kroppens förmåga att återhämta sig.

Vilka mönster innebär fara

När forskarna kopplade dessa fem mönster till överlevnad var skillnaderna slående. Patienter vars s-EASIX började högt men föll snabbt under följande dagar fick 30-dagars dödlighet som liknade dem vars poäng förblev låga eller måttliga hela tiden. Däremot visade sig två trajektorier vara särskilt olycksbådande: en medelnivå som fortsatte att stiga, och en mycket hög nivå som bara minskade marginellt. Efter att ha justerat för ålder, sjukdomsgrad, organsupportbehandlingar och en rad andra faktorer hade dessa två grupper ungefär två till tre gånger högre risk att dö inom 30 dagar jämfört med den låg-stabila gruppen. Sambandet höll över både män och kvinnor, bland patienter med och utan mekanisk ventilation och oavsett om de fått blodförtunnande läkemedel. Yngre vuxna med dessa ”dåliga” trajektorier löpte särskilt förhöjd risk, vilket antyder att ett kraftfullt men felriktat immunsvar kan överväldiga deras blodkärl.

Lära maskiner att upptäcka riskfyllda mönster

För att testa om datorer kunde använda s-EASIX-trajektorier för att förbättra prediktionen byggde teamet flera maskininlärningsmodeller som kombinerade trajektoriklass med annan klinisk data. De tränade och utvärderade sex olika angreppssätt och fann att en metod kallad LightGBM presterade bäst. I valideringsgruppen av patienter särskiljde denna modell överlevande från icke-överlevande med hög noggrannhet och pålitlig kalibrering, vilket betyder att dess uppskattade sannolikheter stämde väl överens med vad som faktiskt hände. En separat teknik, SHAP-analys, användes sedan för att öppna denna ”svarta låda” och visa vilka indata som påverkade modellens beslut. s-EASIX-trajektorien framträdde som en av de mest inflytelserika enskilda funktionerna, tillsammans med ålder och en övergripande organsviktsbedömning, vilket understryker dess centrala roll i att bedöma sepsisrisk.

Vad detta betyder för vård vid sängen

För icke-specialister är budskapet att hur en enkel blodbaserad stresspoäng förändras över tid berättar en kraftfullare historia än enstaka mätningar. Ett ihållande högt eller stadigt stigande s-EASIX tyder på att blodkärlen utsätts för fortsatt attack, mikrocirkulationen sviktar och organen närmar sig kollaps — långt innan detta blir uppenbart i rutinmässiga vitalparametrar. I teorin kan uppföljning av denna trajektori hjälpa IVA-team att tidigare identifiera hög-riskpatienter, anpassa intensiteten i övervakning och behandling samt eventuellt justera insatser som påverkar koagulation och kärlhälsa. Även om studien är retrospektiv och baserad på data från ett enda hospitalsystem och fortfarande behöver extern validering, framhäver den ett lovande och lättillgängligt verktyg för att omvandla råa laboratorievärden till ett tidigt varningssystem för sepsis.

Citering: Kong, Z., Liu, Y., Chen, H. et al. Machine learning analysis of s-EASIX for predicting 30-day mortality in sepsis patients from MIMIC-IV. Sci Rep 16, 8842 (2026). https://doi.org/10.1038/s41598-026-40400-1

Nyckelord: sepsis, endotelial dysfunktion, riskprediktion, maskininlärning, intensivvård