为儿科腹部脓毒症开发与多中心验证可解释的机器学习诊断标准

这对病重儿童为何重要

当儿童因剧烈腹痛和感染来到医院时，医生必须迅速判断谁真正处于危险之中。如果腹部脓毒症——一种威胁生命的腹腔感染——被漏诊或识别过晚，儿童可能发生器官衰竭，治疗效果也可能丧失。该研究介绍了一种基于真实世界医院数据的新型计算工具，利用日常采集的血液检查与生命体征，帮助医生更早、更可靠地识别儿童腹部脓毒症。

腹腔中的隐秘威胁

脓毒症是全球儿童死亡的主要原因之一，而起源于腹部的感染是最危险的形式之一。现有的脓毒症“规则”和评分系统多为成人设计，侧重肺和心功能的异常。等这些体征在儿童身上明显时，腹部、肝脏或肠道的损伤可能已相当严重。现有儿科工具也难以及时识别腹部脓毒症，从而无法及时指导外科手术或积极治疗。作者认为，对于疑似腹部疾病的儿童，需要一种专门针对此类感染的诊断工具。

将常规检查变成智能警报

研究团队收集了2019年至2023年间中国一所大型儿童医院逾2.2万名就诊儿童的电子病历，重点筛选出6,566名有腹部问题（如阑尾炎或肠梗阻）的患者。在该人群中，专家们细致审阅病历、影像、手术记录、用药与随访记录，以判定哪些儿童确实患有儿科腹部脓毒症（PAS）。他们采用了“主动学习”方法：由三位经验丰富的医生对一小部分样本进行标注，训练出初步模型，随后模型挑出不确定的病例供医生复查，反复精炼数据集并减少异议。

九项简单指标表现强劲

研究者从入院首24小时内测得的数十项化验值与生命体征中寻找区分脓毒症与其他腹部疾病的最佳组合，最终确定了九项常规检测：心率、白细胞计数、绝对中性粒细胞计数、一种与肝功能相关的酶γ-谷氨酰转移酶（γ-GT）、另一种肝酶（AST）、两种血蛋白（白蛋白与球蛋白）的比值、前白蛋白、钙离子水平以及一种敏感的炎症标志物——高敏C反应蛋白（hs-CRP）。这些都不是罕见检测——属于常规护理范围——但组合起来形成了强有力的模式。基于这九项指标比较了多种机器学习方法，随机森林模型表现最为稳健。

一款能跨多家医院工作的工具

最终模型命名为ABSeD（腹部脓毒症诊断），能够高准确率地区分PAS与其他腹部疾病。在原始医院的数据中其表现优异，并在内部验证中表现稳定。为检验其在单中心之外的泛化能力，团队构建了一个在线平台，并在2025年初于浙江省另外七家医院前瞻性收集数据。在308例具有明确随访或手术确诊的儿童中，ABSeD再次显示出强劲性能，能准确标识大多数腹部脓毒症病例并保持较高的精确度——即当其提示脓毒症时通常是正确的。该系统还展示了九项指标各自如何影响模型判断，为医生提供透明的依据，而不是神秘的“黑匣子”。

从研究模型到床边助手

为了便于临床应用，作者开发了一个基于网页的界面，临床医生可输入儿童年龄、基本信息及九项化验值。工具会返回一个风险评分，并清晰可视化说明哪些测量驱动了该结果，帮助医生决定是否升级治疗、进行影像学检查或直接手术。研究强调了该模型的潜力与局限：它适用于已疑有腹部疾病的儿童，而非普遍筛查，且目前仅在单一地区和族群中进行了测试。即便如此，ABSeD工具展示了可解释人工智能如何将普通化验转化为早期预警系统，有望通过在为时未晚之前识别致命的腹部脓毒症来挽救儿童生命。

引用: Cao, S., Cai, D., Zhang, S. et al. Development and multicenter validation of an explainable machine learning diagnostic criteria for pediatric abdominal sepsis. npj Digit. Med. 9, 312 (2026). https://doi.org/10.1038/s41746-026-02500-0

关键词: 儿科脓毒症, 腹部感染, 机器学习, 早期诊断, 临床决策支持