机器学习预测脓毒症恶化轨迹

这对患者和家庭为何重要

脓毒症是在重症监护室常见且常致命的感染并发症，其病程可能迅速变化。家庭成员和医护人员常难以判断哪些患者会恢复，哪些将走向危及生命的器官衰竭。此研究探讨了计算机算法能否从床旁数据中识别模式，在病情明显恶化前数小时预测患者病程，为更早、更有针对性的治疗打开窗口。

不同的恢复与恶化路径

研究人员分析了近 4.8 万名在中国 ICU 和美国大型医院数据库中接受治疗的成年脓毒症患者记录。他们关注的是器官功能评分和生命体征随时间的变化，而非单次快照。通过统计工具，他们发现患者在进入 ICU 后倾向于沿三条大致路径发展：快速恢复、缓慢恢复或持续临床恶化。这些路径并非简单标签；它们反映出年龄、既往疾病、器官损伤和生存率方面的明显差异。处于恶化路径的患者更年长、慢性病更多，器官衰竭评分上升，且对呼吸机和血压药物的需求增加。

观察身体的节律

研究团队不仅看平均值（如血压或心率），还关注这些信号随时间的波动幅度。他们发现心率的“抖动”，即心率变异性，携带重要线索。那些心率模式变得过于平稳、缺乏自然变异的患者，在校正年龄和病情严重度后，其 28 天死亡风险仍比保持更灵活节律的患者高出两倍以上。血压和呼吸频率的波动也表现出类似但较小的效应。这些发现支持这样的观点：健康的身体拥有丰富且可适应的节律，失去这种复杂性可以在传统体征出现前就警示即将发生的崩溃。

教计算机及早发现危险

为将这些模式转化为实用工具，研究人员构建了一个集成机器学习模型，这是一类结合多种预测方法的高级计算程序。该模型既使用基线信息，如年龄和感染类型，也使用动态特征，如生命体征和实验室检查的趋势、斜率及变异性。模型在一所医院进行训练，然后在随访患者组和两个大型公共 ICU 数据库中进行验证。它能够准确地区分随后会恶化的患者与不会恶化的患者，并在不同医院、感染类型和年龄组中表现稳定。平均而言，它在恶化发生前约 18 小时发出警告，其风险估计与实际结局吻合良好。

对现实医疗的影响

随后，团队将该模型嵌入床旁决策支持系统，根据预测路径将患者分为低、中、高风险组。临床人员对每一风险等级遵循标准化应对计划，例如对被标记为可能恶化的患者实施更紧密的监测或更积极的治疗。经调整患者差异后，使用该系统辅助治疗的患者平均在 ICU 少住近两天，机械通气时间约少两天，28 天死亡率比在系统使用前的类似患者低 5.7%。收益在处于中间“缓慢恢复”组的患者中最大，这些患者似乎最可能通过早期干预被从恶化路径上挽回。

对未来的意义

这项研究表明，追踪脓毒症患者病情随时间的变化，尤其是心脏与循环系统节律如何失去灵活性，可以帮助计算机预测谁正逐步走向危险。当与明确的床旁处置流程结合时，这类预测与更短的 ICU 住院时间、较少的呼吸机使用和较低的死亡率相关。尽管该方法仍需在随机对照试验和更多医疗系统中验证，但它指向了一个未来：智能、透明的监测工具可帮助临床人员从应对危机转为预测和预防危机。

引用: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

关键词: 脓毒症, 机器学习, ICU 监测, 心率变异性, 临床恶化