用于急诊外科患者术后脓毒症预测的机器学习模型：一项多中心前瞻性研究

这对患者和家庭为何重要

脓毒症是对感染的危及生命的反应，尤其在急诊手术后可能发生在老年人身上。医生知道及早识别脓毒症风险可以挽救生命，但在紧急手术前匆忙判断谁最易受影响并不容易。本研究探讨了一种基于计算机的模式识别——机器学习——是否能从常规医院数据中筛选出术后可能发生脓毒症的老年患者，为临床团队争取更多干预时间。

脓毒症与急诊手术后的危险

脓毒症是全球主要死因之一，每年与数百万病例和数百万死亡相关。急诊手术增加了额外负担：患者通常更年长、更虚弱，且到达手术台时已病情严重。感染可能在术后迅速出现或恶化，其症状在患者突然恶化之前可能与正常术后恢复相近。传统的检查表和评分系统有帮助，但它们并非专为需要紧急手术的老年人设计，可能会漏掉那些风险最高的患者。

将常规医院数据转化为早期预警信号

研究者使用了来自意大利一项大型研究的信息，该研究涵盖29家医院中年龄在65岁及以上、接受急诊手术的患者。在150多个记录项中，他们只聚焦术前可获得的细节，例如年龄、既往疾病、功能状态、生命体征、常规血液检查和虚弱程度评估。研究以床旁评分qSOFA对患者是否发生脓毒症进行标注，该评分通过呼吸频率、血压和精神状态来提示危险感染。总计分析了2563例患者，其中119例在术后符合脓毒症标准。

计算模型的构建与测试方法

研究团队比较了多种机器学习模型，包括逻辑回归、k近邻、随机森林和梯度提升树。为避免自我欺骗，他们采用了一种严格的双层测试方法，即嵌套交叉验证：每次运行时，留出一部分患者作为测试组，只在其余病例上调优模型。他们还针对脓毒症相对罕见的事实，谨慎地平衡数据、填补少量信息空缺并标准化测量值。模型性能以常见指标评估，如准确率（模型整体正确的频率），以及敏感性和特异性，分别反映模型正确识别或排除脓毒症的能力。

模型揭示的脓毒症风险信息

所有机器学习模型均明显优于简单地假设无人会发生脓毒症的策略。在单一模型中，随机森林和梯度提升树在正确标记脓毒症和减少误报之间提供了最佳平衡，整体准确率超过95%，且在区分高风险与低风险患者方面表现强劲。研究者还将四种主要模型组合成一个集成体，通过多数投票决定预测结果。这种组合方法达到了非常高的准确率、较强的敏感性，并在宣称患者为低风险时提供了极好的可靠性——也就是说，只有极少数后来发生脓毒症的患者被早期预警系统漏诊。

这在医院中的潜在意义

如果今后的研究得到证实，这类术前风险工具可以为外科团队提供一个由数据驱动的实用清单。在老年患者进入手术室之前，模型可以悄然扫描其常规信息并提示谁可能需要更密切监测、更早使用抗生素或不同的术后护理方案。它可能帮助决定患者回恢复的场所，例如普通病房或更高强度的监护单元，并帮助医院将有限的人力和资源集中在最可能发生严重感染的患者身上。研究并不声称该模型已准备好用于日常临床，但表明机器学习能够将急诊手术中已收集的信息转化为关于脓毒症风险的有意义早期预警。

引用: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

关键词: 术后脓毒症, 急诊手术, 老年患者, 机器学习, 风险预测