使用机器学习分析 s-EASIX 以预测 MIMIC‑IV 败血症患者 30 天死亡率

这对重症感染患者为何重要

败血症是对感染的危及生命的反应，每年在全球造成数百万人死亡，通常在进入重症监护室（ICU）后的数日内发生。临床亟需更好的方法来识别那些即便常规化验结果仅表现为轻度异常，但实际上正在悄悄走向器官衰竭的患者。本研究提出了一个基于血液的简化指标，并强调应随时间追踪而非仅在单一时点测量，证明其变化模式能预测谁在30天内面临较高死亡风险。将现代数据科学与常规实验室结果结合，这项工作为败血症的更早期、个体化治疗指明了方向。

来自常规血检的简单评分

研究聚焦于一种称为简化内皮激活与应激指数（s‑EASIX）的量度。它仅使用两项常规血检结果计算：乳酸脱氢酶（LDH），反映细胞损伤与代谢应激；以及血小板，作为参与凝血的细小细胞碎片。二者共同反映在败血症期间血管内膜——内皮——受到的损伤程度。当内皮受损，微循环功能紊乱，器官可能发生肿胀或出血，死亡风险随之大幅上升。与那些需要昂贵实验室方法的实验性分子不同，s‑EASIX 可以从几乎每位 ICU 患者常做的检测中计算得出。

随时间追踪评分的涨落

作者并非只关注 ICU 入科当天的 s‑EASIX 数值，而是研究了其在病程首个月内的变化。利用大型公开的 MIMIC‑IV 重症病历数据库，他们筛选出 8,113 名至少有三次 LDH 与血小板测量的成人败血症患者。通过一种将具有相似时间模式的患者分组的统计技术，研究者发现了五种不同的 s‑EASIX “轨迹”：低且稳定组、中等且稳定组、高但迅速下降组、中等但持续上升组、以及极高且仅缓慢下降组。这些模式反映了感染、炎症、血管损伤与机体恢复能力之间持续的拉锯。

哪些模式意味着危险

将这五类轨迹与生存情况关联后，差异明显。s‑EASIX 起始值很高但随后迅速下降的患者，其 30 天死亡率与那些始终保持低或中等评分的患者相近。相比之下，两类轨迹尤其不利：一类是中等水平但持续上升，另一类是极高且仅略有回落。控制了年龄、疾病严重程度、器官支持治疗及其他诸多因素后，这两组在 30 天内死亡的风险约为低且稳定组的两到三倍。该关联在男女之间、接受或未接受机械通气的患者中均成立，且不受是否使用抗凝药物的影响。处于这些“不良”轨迹的年轻成人风险尤其显著，提示一种强烈但可能错误导向的免疫反应正在压倒其血管系统。

教会机器识别危险模式

为检验计算机是否能利用 s‑EASIX 轨迹进一步提高预测性能，团队构建了若干将轨迹类别与其他临床数据结合的机器学习模型。他们训练并评估了六种不同方法，发现名为 LightGBM 的方法表现最佳。在验证患者组中，该模型在区分生存者与非生存者方面显示出高精度和良好校准，意味着模型给出的概率估计与实际结果高度一致。随后使用的 SHAP 分析用于揭开这一“黑箱”，展示了哪些输入驱动了模型决策。s‑EASIX 轨迹与年龄和整体器官衰竭评分一道，成为最有影响力的单一特征之一，强调了其在评估败血症风险中的核心作用。

这对床边护理意味着什么

对非专业读者而言，结论是：单一读数不及随时间变化的简单血液应激评分所讲述的故事更有预测力。持续偏高或稳步上升的 s‑EASIX 提示血管持续遭受攻击、微循环失效、器官正朝衰竭边缘推进——这通常在常规生命体征尚未明显改变之前就已发生。原则上，追踪这一轨迹可帮助 ICU 团队更早识别高危患者，调整监测与治疗强度，或许还可据此调整影响凝血与血管健康的治疗方案。尽管本研究为回顾性、基于单一医院系统的数据，仍需外部验证，但它突显了一个有前景且易于获取的工具，可将原始化验数据转化为对败血症的早期预警系统。

引用: 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

关键词: 败血症, 内皮功能障碍, 风险预测, 机器学习, 重症监护