引用本文： 姚妙恩, 陳瑞蘭. 肺部感染合并重癥膿毒癥30天死亡的預測模型. 中國呼吸與危重監護雜志, 2024, 23(6): 381-389. doi: 10.7507/1671-6205.202312066 復制
版權信息： ?四川大學華西醫院華西期刊社《中國呼吸與危重監護雜志》版權所有，未經授權不得轉載、改編
膿毒癥是由機體對感染的異常調節導致的危及生命的器官功能障礙[1-2]，是全球范圍內影響人類健康的主要疾病，每年患病人數高達數百萬，病死率高達1/6～1/3[1，3]。根據膿毒癥第三版國際共識定義[2]，感染+△SOFA≥2為膿毒癥的診斷標準。根據流行病學研究，33%～50%的膿毒癥是由肺部感染引起[4-5]。肺部感染合并膿毒癥是急性呼吸窘迫綜合征和多器官功能障礙的主要病因，其病死率高達40%～60%[4，6]。由于肺部感染合并膿毒癥具有較高的病死率和發病率，因而建立預測其死亡發生的模型有利于疾病的早期識別及救治，提高疾病的存活率，減少社會醫療消耗及家庭經濟負擔。本研究采集MIMIC-Ⅲ數據庫中的重癥患者的臨床數據，建立了預測肺部感染合并膿毒癥重癥患者30天內死亡風險的COX比例風險回歸模型及可視化列線圖，同時評估建立的預測模型的性能，并將其與傳統的序貫器官衰竭評分（sequential organ failure assessment，SOFA）模型進行比較。
1 資料與方法
1.1 病例來源
本研究病例來源于MIMIC-Ⅲ公共數據庫[7]（1.4版本，https://doi.org/10.13026/C2HM2Q）中符合肺部感染及膿毒癥診斷標準的患者1 621例。該數據庫收集了2001年6月1日—2012年10月10日收治于美國波士頓迪肯尼斯醫療中心重癥醫學科的患者的信息，由2001—2008年的CareVue數據庫及2008—2012年的Metavision數據庫組成。本文作者已獲得CITI項目證書（編號：7066927）和MIMIC數據庫使用權。由于本研究的病例來源于數據庫，故可免患者知情同意。
1.2 方法
納入標準：（1）MIMIC-Ⅲ數據庫診斷為肺部感染；（2）MIMIC-Ⅲ數據庫診斷為膿毒癥；（3）首次收治于重癥醫學科；（4）年齡在18～90歲。排除標準：（1）全身性感染SOFA評分<2分；（2）收治重癥醫學科后12 h內死亡；（3）同時來源于CareVue及Metavision數據庫。
本研究運用PostgreSQL 10及Stata 16軟件提取收治于重癥醫學科后首次的觀察指標，并剔除數據缺失大于30%的觀察指標。最終提取的觀察指標如下：（1）一般指標：年齡、性別；（2）凝血功能：活化部分凝血活酶時間（activated partial thromboplastin time，APTT）、凝血酶原時間（prothrombin time，PT）、國際標準化比值（international normalized ratio，INR）；（3）血炎癥指標：白細胞計數（white blood cell count，WBC）、中性粒細胞百分比（neutrophilic granulocyte percentage，NEU%）、淋巴細胞百分比（lymphocytes percentage，LYM%）；（4）血肝功能指標：丙氨酸轉氨酶（alanine transaminase，ALT）、天冬氨酸轉氨酶（aspartate transaminase，AST）、堿性磷酸酶（alkaline phosphatase，ALP）、總膽紅素（total bilirubin，TBIL）；（5）血電解質：鉀離子、氯離子、碳酸氫根濃度、鈉離子；（6）其他指標：血小板計數（platelet count，PLT）、血尿素氮（blood urea nitrogen，BUN）、乳酸脫氫酶（lactic dehydrogenase，LDH）、紅細胞體積分布寬度（red blood cell distribution width，RDW）、血葡萄糖、血乳酸（lactic acid，LAC）、中心靜脈壓、SOFA評分、全身炎癥反應綜合征（systemic inflammatory response syndrome，SIRS）評分；（7）結局指標：收治重癥醫學科后30天的生存時間及生存狀態。
1.3 統計學方法
1.3.1 模型建立
本研究納入CareVue數據庫的934例患者來預測肺部感染膿毒癥重癥患者30天內的死亡風險，共291例陽性事件，可建立小于15～29個變量的COX比例風險回歸模型。本研究運用Stata 16軟件進行數據填補：若觀察指標的原始數據缺失值占比小于5%，則填補該變量的中位數；若原始數據缺失值占比大于5%且小于30%，則用回歸填補法擬合缺失值。運用R 4.0.4軟件進行數據轉換：擬合連續型變量與30天死亡風險的風險比（hazard ratio，HR）關系的樣條函數，對函數為非線性關系的變量進行Log轉換，使函數具有線性關系，或根據臨床意義及函數曲線將連續型變量轉換為分類變量。
將數據導入SPSS 26.0軟件，對30天的存活組與死亡組進行單因素分析，采用雙側檢驗，篩選P<0.10或具有重要臨床意義的變量進入回歸分析。對于計量資料，用Kolmogorov-Smirnova及Shapiro-Wilk進行正態性檢驗，符合正態分布則以均數±標準差（x±s）表示，組間比較用兩獨立樣本t檢驗；不符合正態分布則以中位數（四分位數）［M（P25，P75）］表示，組間比較用兩獨立樣本非參數檢驗（Mann-Whitney U檢驗）。計數資料以頻數（?）及構成比/百分率（%）表示，組間比較用χ2檢驗。
對經單因素分析篩選后的變量，運用R 4.0.4軟件進行COX比例風險回歸分析，得到預測死亡風險的HR值，P<0.10視為單因素回歸分析有統計學意義。將有統計學意義的變量運用R 4.0.4軟件進一步納入多因素COX比例風險回歸分析。運用雙向逐步回歸法選擇最終進入模型的變量，P<0.05為有統計學意義。運用R 4.0.4軟件繪制列線圖（Nomogram）進行模型呈現。
1.3.2 模型評價
本研究運用R 4.0.4軟件進行模型診斷（線性關系、強影響點、多重共線性、比例風險假設）、內部驗證（使用Bootstrap法重抽樣1 000次，進行內部交叉驗證，對比校準前和校準后的C統計量和Brier得分）及外部驗證。對于外部驗證，標本研究將CareVue數據庫納入的病例作為訓練隊列進行模型建立，將Metavision數據庫作為驗證隊列進行模型外部驗證。運用R 4.0.4軟件比較模型在兩個隊列中的區分度［受試者操作特征曲線（receiver operating characteristic curve，ROC曲線）及曲線下面積（area under curve，AUC）］、校準度（Calibration圖及Brier得分）及決策曲線分析（decision curve analysis，DCA）。
運用R 4.0.4軟件，檢驗列線圖模型是否較SOFA評分模型在區分度（運用Delong’s檢驗比較AUC差異）、校準度、DCA及重分類指標［凈重分類改進（net reclassification improvement，NRI）和綜合判別改進（integrated discrimination improvement，IDI）］上有所改進。
2 結果
2.1 病例篩選
根據納排標準，最終納入1 621例患者進入研究。其中，將CareVue數據庫的934名患者作為訓練隊列，Metavision數據庫的687名患者作為外部驗證隊列。圖1為病例篩選流程。
2.2 單因素分析
根據收治于重癥醫學科后30天是否死亡將訓練隊列分為存活組（643例）與死亡組（291例），對兩組進行比較。結果如表1所示，死亡組患者的年齡、AST、ALP、BUN、LDH、SOFA評分均高于存活組；在死亡組中，PT>14 s、INR>3、WBC>20×109/L或≤4×109/L、NEU%>85%或≤46%、LYM%≤10%、PLT>300×109/L或≤100×109/L、RDW>15%、LAC>2 mmol/L、SIRS評分>2分的構成比均高于存活組。
表表 1
肺部感染合并膿毒癥患者訓練隊列30天死亡單因素分析
2.3 單因素COX比例風險回歸分析
選擇單因素分析中P<0.10的變量進入單因素COX比例風險回歸分析；由于性別、APTT、ALT、TBIL均具有重要臨床意義，故進入單因素COX比例風險回歸分析。結果顯示年齡、PT>14 s、INR>3、WBC>20×109/L或≤4×109/L、NEU%>85%、LYM%≤10%、AST、ALP、TBIL>17.44 μmol/L、PLT>300×109/L或≤100×109/L、RDW>15%、BUN、LDH、LAC>2 mmol/L、SOFA評分、SIRS評分>2分均為肺部感染膿毒癥重癥患者30天內死亡的危險因素（P<0.10）。結果見表2。
表表 2
肺部感染合并膿毒癥患者訓練隊列30天死亡的單因素COX回歸分析
2.4 多因素COX比例風險回歸預后模型建立
將進入單因素COX比例風險回歸分析的變量納入多因素COX比例風險回歸分析，采用雙向逐步回歸法，得到最終進入模型的變量。結果顯示年齡、SOFA評分、WBC≤4×109/L、NEU%>85%、PLT≤100×109/L、PLT>300×109/L、RDW>15%、BUN_log、LDH_log這9個因素為肺部感染合并膿毒癥重癥患者30天內死亡的獨立危險因素（均P<0.05）。結果見表3。圖2為模型的列線圖呈現：將患者收治于重癥醫學科后首次檢測的單個指標的對應分數相加，得到總分所對應的預測風險值即為患者30天內死亡的風險概率。
表表 3
肺部感染合并膿毒癥患者訓練隊列30天死亡的多因素COX回歸分析預后模型
本研究對該模型進行診斷，結果顯示各連續性變量與30天內死亡風險均呈線性相關；總體未見明顯強影響點；參與模型的9個危險因素間沒有多重共線性關系；采用Schoenfeld殘差進行比例風險假設檢驗，擬合的樣條接近水平線，符合比例風險假設。
運用R軟件繪制Calibration圖，得模型的C統計量為0.747，Brier得分為0.181。使用Bootstrap法重抽樣1 000次，進行內部交叉驗證，得到校準后的C統計量為0.721和Brier得分為0.191。結果提示該模型具有較好的預測能力和校準度。
2.5 模型的外部驗證及與SOFA評分模型的比較
將Metavision數據庫的687例患者作為外部驗證隊列。訓練隊列與外部驗證隊列30天的生存曲線無明顯差異（圖3）。
本研究將預測模型與傳統的SOFA評分模型在區分度、校準度和獲益上進行比較。如圖4所示，在訓練隊列中，預測模型ROC曲線的AUC為0.747（95%CI 0.713～0.780），SOFA評分模型為0.640（95%CI 0.602～0.677），差異有統計學意義（Z=5.551，P<0.001）；在外部驗證隊列中，預測模型ROC曲線的AUC為0.708（95%CI 0.668～0.749），SOFA評分模型為0.605（95%CI 0.559～0.650），差異有統計學意義（Z=4.455，P<0.001）。結果提示該模型在訓練隊列和外部驗證隊列中均具有較好的區分度，其預測能力優于SOFA評分模型。
如圖5所示，在訓練隊列中，預測模型的Brier得分為0.181（95%CI 0.168～0.194），SOFA評分模型為0.203（95%CI 0.191～0.215）；在外部驗證隊列中，預測模型的Brier得分為0.201（95%CI 0.185～0.218），SOFA評分模型為0.217（95%CI 0.204～0.229）。結果提示該模型在訓練隊列和外部驗證隊列中的校準度較一致，均優于SOFA評分模型。
在訓練隊列中，與SOFA評分模型比較，預測模型在重分類指標上有所改進：非連續NRI為0.299（95%CI 0.208～0.380），P<0.001；IDI為0.103（95%CI 0.067～0.140），P<0.001。在外部驗證隊列中，與SOFA評分模型比較，預測模型在重分類指標上有所改進：非連續NRI為0.206（95%CI 0.116～0.315），P=0.007；IDI為0.073（95%CI 0.039～0.110），P=0.007。如圖6的DCA曲線所示，該模型在訓練隊列和外部驗證隊列中均較SOFA評分模型更加獲益。
3 討論
本研究運用大樣本量的數據庫，建立預測肺部感染合并膿毒癥重癥患者30天內死亡的預測模型，篩查出與死亡相關的獨立危險因素：年齡（每增加1歲，死亡風險增加0.023），SOFA評分（每增加1分，死亡風險增加0.103），WBC≤4×109/L［死亡風險較WBC=（4～20）×109/L增加1.097］，NEU%>85%［死亡風險較NEU%=（46%～85%）增加0.507］，PLT≤100×109/L［死亡風險較PLT=（100～300）×109/L增加0.472］，PLT>300×109/L［死亡風險較PLT=（100～300）×109/L增加0.690］，RDW>15%（死亡風險較RDW≤15%增加0.531），BUN_log（每增加1 mg/dL，死亡風險增加0.237），LDH_log（每增加1 IU/L，死亡風險增加0.378）。該模型具有較好的預測能力和校準度，經內部驗證，其C統計量校準后比校準前僅下降0.026，模型的重復性較好；經外部驗證，其C統計量校準后比校準前僅下降0.039，模型的外推能力可。與SOFA評分模型比較，在訓練隊列和外部驗證隊列中均具有更好的預測能力和凈獲益。為早期識別高危的肺部感染合并膿毒癥患者提供可視化評估手段。
在建立的預測模型中，與炎癥反應相關的指標的異常（WBC和NEU%）及與血栓形成相關的指標的異常（PLT）是死亡的獨立危險因素，體現了免疫失調與血栓形成共同參與疾病的進展，該結果與已發表的研究相一致。在一項建立膿毒癥28天死亡的預后模型的研究中，RDW>14.5%、循環的幼稚粒細胞在總中性粒細胞的占比>5.0%及平均血小板體積/血小板總數>10.1均為危險因素[8]。在一項新型冠狀病毒感染（coronavirus disease 2019，COVID-19）的研究中，相比存活組，死亡組有更高的NEU及更低的PLT水平[9]。在另一項納入膿毒癥及膿毒癥休克患者的研究中，存活組相比死亡組具有更短時間的PT[10]。一項納入195例重癥醫學科膿毒癥患者的研究顯示，入院后72 h的WBC比C反應蛋白能更有效地預測患者30天死亡的預后[11]。另一個預測肺部感染膿毒癥患者住院期間死亡的模型，最終將年齡、LAC、體溫、BUN、肝臟疾病、中性粒細胞/淋巴細胞比值等作為危險因素納入模型，其模型表現優于SOFA評分模型[12]。
肺部感染是引起膿毒癥的重要病因。肺臟不僅具有與外界進行氣體交換的功能，同時也是呼吸系統病原體入侵時重要的免疫器官[13]。當發生肺部感染時，肺臟的固有免疫反應首先活化肺組織內的免疫細胞，并趨化中性粒細胞至肺部，從而啟動殺傷病原體的免疫反應[13]。趨化至肺部的中性粒細胞產生活性氧、活性氮類和毒性介質，損傷上皮細胞、內皮細胞和細胞內線粒體；而促炎細胞因子加重肺泡上皮細胞、微血管內皮細胞及氣血屏障的損傷[14]。從免疫機制的角度對肺部感染的免疫反應進行分類：由免疫系統介導的生理性抵御機制和由內皮系統介導的病理性損傷機制[15]。前者為適度的免疫反應，可清除病原體，緩解肺部感染；而后者為免疫失調，通過激活免疫相關通路及微血栓相關通路，進一步導致細胞因子風暴、彌散性血管內凝血（disseminated intravascular coagulation，DIC）、MODS和ARDS，最終形成膿毒癥[15]。
炎癥反應失調和血栓形成是肺部感染誘發膿毒癥的重要致病機制。一方面，免疫失調可激活凝血過程，導致微血管內凝血和血栓形成[16]：病原相關分子模式和損傷相關分子模式通過細胞表面的特定模式識別受體，激活血小板，趨化中性粒細胞，損傷內皮細胞；損傷的內皮細胞通過表達血管性血友病因子促進血管內凝血與血栓形成；中性粒細胞通過表達組織因子及釋放胞內顆粒、化學介質和中性粒細胞胞外誘捕網（neutrophil extracellular traps，NETs），激活凝血反應；單核細胞通過釋放細胞外囊泡，在細胞表面表達具有促凝作用的組織因子和磷脂酰絲氨酸[17]。另一方面，凝血系統及血小板可作用于炎癥系統：凝血因子及纖維蛋白原結合于免疫細胞或非免疫細胞（如活化的血小板）上，引起促炎的細胞因子（如白細胞介素-1A）的釋放[18-20]；血小板促進白細胞向炎癥部位浸潤，增強中性粒細胞的吞噬作用和形成NETs的能力，并通過釋放顆粒蛋白來調節T細胞的功能[18]。當膿毒癥發展至后期時，炎癥因子過度損耗，出現免疫抑制，淋巴細胞和樹突狀細胞的過度凋亡將導致“免疫癱瘓”，降低機體清除病原微生物的能力和增加二次感染的風險[18，21-22]；同時，膿毒癥并發的DIC引起凝血因子和血小板過度損耗，加重多發性出血的傾向。本研究中，WBC≤4×109/L、NEU%>85%、PLT≤100×109/L、PLT>300×109/L均為疾病30天死亡的預測指標，與以上致病機制相一致。多項臨床研究顯示，相比未發生肺動脈栓塞的COVID-19患者，COVID-19發生肺動脈栓塞的患者具有更高的C反應蛋白、白細胞計數及中性粒細胞計數[23-25]，體現炎癥系統與血栓形成的相互作用。
本研究在SOFA評分上建立的預測模型相比SOFA評分模型具有更好的預測能力和凈獲益。多項研究顯示在SOFA評分上進行優化建模可提高預測疾病進展的準確性。一項薈萃分析顯示，SOFA評分聯合其他評分，如急性生理學和慢性健康狀況評價Ⅱ，可提高模型預測重癥患者死亡風險的準確性[26]。一項建立預測膿毒癥患者30、60、90天死亡的回顧性隊列研究將年齡、SOFA評分、轉移性腫瘤病史、血氧飽和度、LAC、體溫、白蛋白、RDW納入，其模型表現比單獨SOFA評分模型改善[27]。
綜上所述，肺部感染是膿毒癥的重要致病原因，本研究以肺部感染合并膿毒癥為研究對象，建立預測其30天死亡的臨床模型，該預測模型有利于早期識別高危患者，及早針對性地進行干預，改善患者的預后。另外，該模型為免疫失調與血栓形成對炎癥反應性疾病的共同促進作用提供理論基礎，為治療上抗感染與防治血栓并用提供臨床基礎，后期可針對免疫與血栓的相互作用進一步研究。本研究的局限性在于，根據MIMIC數據庫難以判斷肺部感染與膿毒癥發生的因果關系，故納入研究的病例中存在由其他病因引起的膿毒癥，削減了該模型對由肺部感染引起的膿毒癥的死亡風險的預測價值。
利益沖突：本研究不涉及任何利益沖突。
膿毒癥是由機體對感染的異常調節導致的危及生命的器官功能障礙[1-2]，是全球范圍內影響人類健康的主要疾病，每年患病人數高達數百萬，病死率高達1/6～1/3[1，3]。根據膿毒癥第三版國際共識定義[2]，感染+△SOFA≥2為膿毒癥的診斷標準。根據流行病學研究，33%～50%的膿毒癥是由肺部感染引起[4-5]。肺部感染合并膿毒癥是急性呼吸窘迫綜合征和多器官功能障礙的主要病因，其病死率高達40%～60%[4，6]。由于肺部感染合并膿毒癥具有較高的病死率和發病率，因而建立預測其死亡發生的模型有利于疾病的早期識別及救治，提高疾病的存活率，減少社會醫療消耗及家庭經濟負擔。本研究采集MIMIC-Ⅲ數據庫中的重癥患者的臨床數據，建立了預測肺部感染合并膿毒癥重癥患者30天內死亡風險的COX比例風險回歸模型及可視化列線圖，同時評估建立的預測模型的性能，并將其與傳統的序貫器官衰竭評分（sequential organ failure assessment，SOFA）模型進行比較。
1 資料與方法
1.1 病例來源
本研究病例來源于MIMIC-Ⅲ公共數據庫[7]（1.4版本，https://doi.org/10.13026/C2HM2Q）中符合肺部感染及膿毒癥診斷標準的患者1 621例。該數據庫收集了2001年6月1日—2012年10月10日收治于美國波士頓迪肯尼斯醫療中心重癥醫學科的患者的信息，由2001—2008年的CareVue數據庫及2008—2012年的Metavision數據庫組成。本文作者已獲得CITI項目證書（編號：7066927）和MIMIC數據庫使用權。由于本研究的病例來源于數據庫，故可免患者知情同意。
1.2 方法
納入標準：（1）MIMIC-Ⅲ數據庫診斷為肺部感染；（2）MIMIC-Ⅲ數據庫診斷為膿毒癥；（3）首次收治于重癥醫學科；（4）年齡在18～90歲。排除標準：（1）全身性感染SOFA評分<2分；（2）收治重癥醫學科后12 h內死亡；（3）同時來源于CareVue及Metavision數據庫。
本研究運用PostgreSQL 10及Stata 16軟件提取收治于重癥醫學科后首次的觀察指標，并剔除數據缺失大于30%的觀察指標。最終提取的觀察指標如下：（1）一般指標：年齡、性別；（2）凝血功能：活化部分凝血活酶時間（activated partial thromboplastin time，APTT）、凝血酶原時間（prothrombin time，PT）、國際標準化比值（international normalized ratio，INR）；（3）血炎癥指標：白細胞計數（white blood cell count，WBC）、中性粒細胞百分比（neutrophilic granulocyte percentage，NEU%）、淋巴細胞百分比（lymphocytes percentage，LYM%）；（4）血肝功能指標：丙氨酸轉氨酶（alanine transaminase，ALT）、天冬氨酸轉氨酶（aspartate transaminase，AST）、堿性磷酸酶（alkaline phosphatase，ALP）、總膽紅素（total bilirubin，TBIL）；（5）血電解質：鉀離子、氯離子、碳酸氫根濃度、鈉離子；（6）其他指標：血小板計數（platelet count，PLT）、血尿素氮（blood urea nitrogen，BUN）、乳酸脫氫酶（lactic dehydrogenase，LDH）、紅細胞體積分布寬度（red blood cell distribution width，RDW）、血葡萄糖、血乳酸（lactic acid，LAC）、中心靜脈壓、SOFA評分、全身炎癥反應綜合征（systemic inflammatory response syndrome，SIRS）評分；（7）結局指標：收治重癥醫學科后30天的生存時間及生存狀態。
1.3 統計學方法
1.3.1 模型建立
本研究納入CareVue數據庫的934例患者來預測肺部感染膿毒癥重癥患者30天內的死亡風險，共291例陽性事件，可建立小于15～29個變量的COX比例風險回歸模型。本研究運用Stata 16軟件進行數據填補：若觀察指標的原始數據缺失值占比小于5%，則填補該變量的中位數；若原始數據缺失值占比大于5%且小于30%，則用回歸填補法擬合缺失值。運用R 4.0.4軟件進行數據轉換：擬合連續型變量與30天死亡風險的風險比（hazard ratio，HR）關系的樣條函數，對函數為非線性關系的變量進行Log轉換，使函數具有線性關系，或根據臨床意義及函數曲線將連續型變量轉換為分類變量。
將數據導入SPSS 26.0軟件，對30天的存活組與死亡組進行單因素分析，采用雙側檢驗，篩選P<0.10或具有重要臨床意義的變量進入回歸分析。對于計量資料，用Kolmogorov-Smirnova及Shapiro-Wilk進行正態性檢驗，符合正態分布則以均數±標準差（x±s）表示，組間比較用兩獨立樣本t檢驗；不符合正態分布則以中位數（四分位數）［M（P25，P75）］表示，組間比較用兩獨立樣本非參數檢驗（Mann-Whitney U檢驗）。計數資料以頻數（?）及構成比/百分率（%）表示，組間比較用χ2檢驗。
對經單因素分析篩選后的變量，運用R 4.0.4軟件進行COX比例風險回歸分析，得到預測死亡風險的HR值，P<0.10視為單因素回歸分析有統計學意義。將有統計學意義的變量運用R 4.0.4軟件進一步納入多因素COX比例風險回歸分析。運用雙向逐步回歸法選擇最終進入模型的變量，P<0.05為有統計學意義。運用R 4.0.4軟件繪制列線圖（Nomogram）進行模型呈現。
1.3.2 模型評價
本研究運用R 4.0.4軟件進行模型診斷（線性關系、強影響點、多重共線性、比例風險假設）、內部驗證（使用Bootstrap法重抽樣1 000次，進行內部交叉驗證，對比校準前和校準后的C統計量和Brier得分）及外部驗證。對于外部驗證，標本研究將CareVue數據庫納入的病例作為訓練隊列進行模型建立，將Metavision數據庫作為驗證隊列進行模型外部驗證。運用R 4.0.4軟件比較模型在兩個隊列中的區分度［受試者操作特征曲線（receiver operating characteristic curve，ROC曲線）及曲線下面積（area under curve，AUC）］、校準度（Calibration圖及Brier得分）及決策曲線分析（decision curve analysis，DCA）。
運用R 4.0.4軟件，檢驗列線圖模型是否較SOFA評分模型在區分度（運用Delong’s檢驗比較AUC差異）、校準度、DCA及重分類指標［凈重分類改進（net reclassification improvement，NRI）和綜合判別改進（integrated discrimination improvement，IDI）］上有所改進。
2 結果
2.1 病例篩選
根據納排標準，最終納入1 621例患者進入研究。其中，將CareVue數據庫的934名患者作為訓練隊列，Metavision數據庫的687名患者作為外部驗證隊列。圖1為病例篩選流程。
2.2 單因素分析
根據收治于重癥醫學科后30天是否死亡將訓練隊列分為存活組（643例）與死亡組（291例），對兩組進行比較。結果如表1所示，死亡組患者的年齡、AST、ALP、BUN、LDH、SOFA評分均高于存活組；在死亡組中，PT>14 s、INR>3、WBC>20×109/L或≤4×109/L、NEU%>85%或≤46%、LYM%≤10%、PLT>300×109/L或≤100×109/L、RDW>15%、LAC>2 mmol/L、SIRS評分>2分的構成比均高于存活組。
表表 1
肺部感染合并膿毒癥患者訓練隊列30天死亡單因素分析
2.3 單因素COX比例風險回歸分析
選擇單因素分析中P<0.10的變量進入單因素COX比例風險回歸分析；由于性別、APTT、ALT、TBIL均具有重要臨床意義，故進入單因素COX比例風險回歸分析。結果顯示年齡、PT>14 s、INR>3、WBC>20×109/L或≤4×109/L、NEU%>85%、LYM%≤10%、AST、ALP、TBIL>17.44 μmol/L、PLT>300×109/L或≤100×109/L、RDW>15%、BUN、LDH、LAC>2 mmol/L、SOFA評分、SIRS評分>2分均為肺部感染膿毒癥重癥患者30天內死亡的危險因素（P<0.10）。結果見表2。
表表 2
肺部感染合并膿毒癥患者訓練隊列30天死亡的單因素COX回歸分析
2.4 多因素COX比例風險回歸預后模型建立
將進入單因素COX比例風險回歸分析的變量納入多因素COX比例風險回歸分析，采用雙向逐步回歸法，得到最終進入模型的變量。結果顯示年齡、SOFA評分、WBC≤4×109/L、NEU%>85%、PLT≤100×109/L、PLT>300×109/L、RDW>15%、BUN_log、LDH_log這9個因素為肺部感染合并膿毒癥重癥患者30天內死亡的獨立危險因素（均P<0.05）。結果見表3。圖2為模型的列線圖呈現：將患者收治于重癥醫學科后首次檢測的單個指標的對應分數相加，得到總分所對應的預測風險值即為患者30天內死亡的風險概率。
表表 3
肺部感染合并膿毒癥患者訓練隊列30天死亡的多因素COX回歸分析預后模型
本研究對該模型進行診斷，結果顯示各連續性變量與30天內死亡風險均呈線性相關；總體未見明顯強影響點；參與模型的9個危險因素間沒有多重共線性關系；采用Schoenfeld殘差進行比例風險假設檢驗，擬合的樣條接近水平線，符合比例風險假設。
運用R軟件繪制Calibration圖，得模型的C統計量為0.747，Brier得分為0.181。使用Bootstrap法重抽樣1 000次，進行內部交叉驗證，得到校準后的C統計量為0.721和Brier得分為0.191。結果提示該模型具有較好的預測能力和校準度。
2.5 模型的外部驗證及與SOFA評分模型的比較
將Metavision數據庫的687例患者作為外部驗證隊列。訓練隊列與外部驗證隊列30天的生存曲線無明顯差異（圖3）。
本研究將預測模型與傳統的SOFA評分模型在區分度、校準度和獲益上進行比較。如圖4所示，在訓練隊列中，預測模型ROC曲線的AUC為0.747（95%CI 0.713～0.780），SOFA評分模型為0.640（95%CI 0.602～0.677），差異有統計學意義（Z=5.551，P<0.001）；在外部驗證隊列中，預測模型ROC曲線的AUC為0.708（95%CI 0.668～0.749），SOFA評分模型為0.605（95%CI 0.559～0.650），差異有統計學意義（Z=4.455，P<0.001）。結果提示該模型在訓練隊列和外部驗證隊列中均具有較好的區分度，其預測能力優于SOFA評分模型。
如圖5所示，在訓練隊列中，預測模型的Brier得分為0.181（95%CI 0.168～0.194），SOFA評分模型為0.203（95%CI 0.191～0.215）；在外部驗證隊列中，預測模型的Brier得分為0.201（95%CI 0.185～0.218），SOFA評分模型為0.217（95%CI 0.204～0.229）。結果提示該模型在訓練隊列和外部驗證隊列中的校準度較一致，均優于SOFA評分模型。
在訓練隊列中，與SOFA評分模型比較，預測模型在重分類指標上有所改進：非連續NRI為0.299（95%CI 0.208～0.380），P<0.001；IDI為0.103（95%CI 0.067～0.140），P<0.001。在外部驗證隊列中，與SOFA評分模型比較，預測模型在重分類指標上有所改進：非連續NRI為0.206（95%CI 0.116～0.315），P=0.007；IDI為0.073（95%CI 0.039～0.110），P=0.007。如圖6的DCA曲線所示，該模型在訓練隊列和外部驗證隊列中均較SOFA評分模型更加獲益。
3 討論
本研究運用大樣本量的數據庫，建立預測肺部感染合并膿毒癥重癥患者30天內死亡的預測模型，篩查出與死亡相關的獨立危險因素：年齡（每增加1歲，死亡風險增加0.023），SOFA評分（每增加1分，死亡風險增加0.103），WBC≤4×109/L［死亡風險較WBC=（4～20）×109/L增加1.097］，NEU%>85%［死亡風險較NEU%=（46%～85%）增加0.507］，PLT≤100×109/L［死亡風險較PLT=（100～300）×109/L增加0.472］，PLT>300×109/L［死亡風險較PLT=（100～300）×109/L增加0.690］，RDW>15%（死亡風險較RDW≤15%增加0.531），BUN_log（每增加1 mg/dL，死亡風險增加0.237），LDH_log（每增加1 IU/L，死亡風險增加0.378）。該模型具有較好的預測能力和校準度，經內部驗證，其C統計量校準后比校準前僅下降0.026，模型的重復性較好；經外部驗證，其C統計量校準后比校準前僅下降0.039，模型的外推能力可。與SOFA評分模型比較，在訓練隊列和外部驗證隊列中均具有更好的預測能力和凈獲益。為早期識別高危的肺部感染合并膿毒癥患者提供可視化評估手段。
在建立的預測模型中，與炎癥反應相關的指標的異常（WBC和NEU%）及與血栓形成相關的指標的異常（PLT）是死亡的獨立危險因素，體現了免疫失調與血栓形成共同參與疾病的進展，該結果與已發表的研究相一致。在一項建立膿毒癥28天死亡的預后模型的研究中，RDW>14.5%、循環的幼稚粒細胞在總中性粒細胞的占比>5.0%及平均血小板體積/血小板總數>10.1均為危險因素[8]。在一項新型冠狀病毒感染（coronavirus disease 2019，COVID-19）的研究中，相比存活組，死亡組有更高的NEU及更低的PLT水平[9]。在另一項納入膿毒癥及膿毒癥休克患者的研究中，存活組相比死亡組具有更短時間的PT[10]。一項納入195例重癥醫學科膿毒癥患者的研究顯示，入院后72 h的WBC比C反應蛋白能更有效地預測患者30天死亡的預后[11]。另一個預測肺部感染膿毒癥患者住院期間死亡的模型，最終將年齡、LAC、體溫、BUN、肝臟疾病、中性粒細胞/淋巴細胞比值等作為危險因素納入模型，其模型表現優于SOFA評分模型[12]。
肺部感染是引起膿毒癥的重要病因。肺臟不僅具有與外界進行氣體交換的功能，同時也是呼吸系統病原體入侵時重要的免疫器官[13]。當發生肺部感染時，肺臟的固有免疫反應首先活化肺組織內的免疫細胞，并趨化中性粒細胞至肺部，從而啟動殺傷病原體的免疫反應[13]。趨化至肺部的中性粒細胞產生活性氧、活性氮類和毒性介質，損傷上皮細胞、內皮細胞和細胞內線粒體；而促炎細胞因子加重肺泡上皮細胞、微血管內皮細胞及氣血屏障的損傷[14]。從免疫機制的角度對肺部感染的免疫反應進行分類：由免疫系統介導的生理性抵御機制和由內皮系統介導的病理性損傷機制[15]。前者為適度的免疫反應，可清除病原體，緩解肺部感染；而后者為免疫失調，通過激活免疫相關通路及微血栓相關通路，進一步導致細胞因子風暴、彌散性血管內凝血（disseminated intravascular coagulation，DIC）、MODS和ARDS，最終形成膿毒癥[15]。
炎癥反應失調和血栓形成是肺部感染誘發膿毒癥的重要致病機制。一方面，免疫失調可激活凝血過程，導致微血管內凝血和血栓形成[16]：病原相關分子模式和損傷相關分子模式通過細胞表面的特定模式識別受體，激活血小板，趨化中性粒細胞，損傷內皮細胞；損傷的內皮細胞通過表達血管性血友病因子促進血管內凝血與血栓形成；中性粒細胞通過表達組織因子及釋放胞內顆粒、化學介質和中性粒細胞胞外誘捕網（neutrophil extracellular traps，NETs），激活凝血反應；單核細胞通過釋放細胞外囊泡，在細胞表面表達具有促凝作用的組織因子和磷脂酰絲氨酸[17]。另一方面，凝血系統及血小板可作用于炎癥系統：凝血因子及纖維蛋白原結合于免疫細胞或非免疫細胞（如活化的血小板）上，引起促炎的細胞因子（如白細胞介素-1A）的釋放[18-20]；血小板促進白細胞向炎癥部位浸潤，增強中性粒細胞的吞噬作用和形成NETs的能力，并通過釋放顆粒蛋白來調節T細胞的功能[18]。當膿毒癥發展至后期時，炎癥因子過度損耗，出現免疫抑制，淋巴細胞和樹突狀細胞的過度凋亡將導致“免疫癱瘓”，降低機體清除病原微生物的能力和增加二次感染的風險[18，21-22]；同時，膿毒癥并發的DIC引起凝血因子和血小板過度損耗，加重多發性出血的傾向。本研究中，WBC≤4×109/L、NEU%>85%、PLT≤100×109/L、PLT>300×109/L均為疾病30天死亡的預測指標，與以上致病機制相一致。多項臨床研究顯示，相比未發生肺動脈栓塞的COVID-19患者，COVID-19發生肺動脈栓塞的患者具有更高的C反應蛋白、白細胞計數及中性粒細胞計數[23-25]，體現炎癥系統與血栓形成的相互作用。
本研究在SOFA評分上建立的預測模型相比SOFA評分模型具有更好的預測能力和凈獲益。多項研究顯示在SOFA評分上進行優化建模可提高預測疾病進展的準確性。一項薈萃分析顯示，SOFA評分聯合其他評分，如急性生理學和慢性健康狀況評價Ⅱ，可提高模型預測重癥患者死亡風險的準確性[26]。一項建立預測膿毒癥患者30、60、90天死亡的回顧性隊列研究將年齡、SOFA評分、轉移性腫瘤病史、血氧飽和度、LAC、體溫、白蛋白、RDW納入，其模型表現比單獨SOFA評分模型改善[27]。
綜上所述，肺部感染是膿毒癥的重要致病原因，本研究以肺部感染合并膿毒癥為研究對象，建立預測其30天死亡的臨床模型，該預測模型有利于早期識別高危患者，及早針對性地進行干預，改善患者的預后。另外，該模型為免疫失調與血栓形成對炎癥反應性疾病的共同促進作用提供理論基礎，為治療上抗感染與防治血栓并用提供臨床基礎，后期可針對免疫與血栓的相互作用進一步研究。本研究的局限性在于，根據MIMIC數據庫難以判斷肺部感染與膿毒癥發生的因果關系，故納入研究的病例中存在由其他病因引起的膿毒癥，削減了該模型對由肺部感染引起的膿毒癥的死亡風險的預測價值。
利益沖突：本研究不涉及任何利益沖突。
