基于MIMIC-IV和eICU-CRD构建脓毒症相关脑病ICU死亡率预测列线图模型的多中心回顾性研究

《BMC Medical Informatics and Decision Making》：A nomogram for predicting ICU mortality of sepsis associated encephalopathy: a retrospective cohort study based on MIMIC-IV and eICU-CRD

本研究针对脓毒症相关脑病(SAE)患者ICU死亡率预测难题，通过分析MIMIC-IV数据库5242例和eICU-CRD数据库3103例患者数据，采用LASSO回归筛选出血尿素氮(BUN)、活化部分凝血活酶时间(APTT)、动脉血氧饱和度(SpO2)、心率、查尔森合并症指数(CCI)、乳酸、血管升压药使用和机械通气8个预测变量，构建的列线图模型在训练集和验证集的AUC分别达到0.832和0.825，显著优于SAPS II、SOFA和GCS评分，为SAE患者早期风险分层和干预提供了实用工具。

　　

在重症监护医学领域，脓毒症始终是导致患者死亡的主要原因之一，而脓毒症相关脑病(SAE)作为其常见并发症，更是给临床诊疗带来了巨大挑战。当感染引发全身炎症反应时，约30%-70%的脓毒症患者会出现不同程度的脑功能损伤，从轻微的意识障碍到深度昏迷不等。这种急性脑功能障碍不仅延长患者的机械通气时间和住院时间，更导致ICU死亡率显著升高。然而，由于SAE诊断属于排除性诊断，临床上难以早期识别，往往错失最佳干预时机。

面对这一临床难题，安徽医科大学第二附属医院重症医学科的胡雪梅等人开展了一项大规模回顾性研究，通过整合MIMIC-IV和eICU-CRD两大重症医学数据库，致力于开发一个能够准确预测SAE患者ICU死亡率的临床工具。这项发表在《BMC Medical Informatics and Decision Making》的研究，为改善SAE患者预后提供了新的解决方案。

研究团队采用多中心回顾性队列设计，从MIMIC-IV数据库（版本3.0）筛选5242例、从eICU-CRD数据库（版本2.0）筛选3103例符合脓毒症3.0诊断标准且伴有意识障碍（GCS<15分或谵妄表现）的SAE患者。通过LASSO回归分析筛选预测变量，建立列线图模型，并采用受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)评估模型性能。

预测变量的筛选与模型构建

通过LASSO回归分析，研究团队从众多临床参数中筛选出8个最具预测价值的变量：血尿素氮(BUN)、活化部分凝血活酶时间(APTT)、动脉血氧饱和度(SpO₂)、心率、查尔森合并症指数(CCI)、乳酸水平、血管升压药使用和机械通气。

多因素logistic回归分析证实，这8个变量均为SAE患者ICU死亡的独立预后因素。基于这些变量构建的列线图模型，使临床医生能够通过简单相加各变量对应得分，快速计算患者个体化的死亡风险。

模型的判别与校准能力

列线图模型在训练集（MIMIC-IV）中的AUC值为0.832（95%CI：0.814-0.850），在验证集（eICU-CRD）中为0.825（95%CI：0.801-0.850），显著优于传统的SAPS II评分（训练集0.769，验证集0.715）、SOFA评分（训练集0.607，验证集0.714）和GCS评分（训练集0.575，验证集0.587）。

校准曲线显示预测概率与实际概率之间具有良好的一致性，Hosmer-Lemeshow拟合优度检验的P值在训练集和验证集中分别为0.129和0.583，表明模型拟合良好。

临床适用性评估

决策曲线分析(DCA)显示，在大多数阈值概率范围内，列线图模型相比SAPS II、SOFA和GCS评分能提供更大的净获益，证明其具有良好的临床适用性。

研究的深入分析揭示了各预测变量与SAE病理生理机制的密切联系。血尿素氮(BUN)升高反映尿毒症毒素积累，可能通过破坏血脑屏障、影响神经细胞代谢而加重脑损伤。活化部分凝血活酶时间(APTT)延长提示凝血功能异常，与微血栓形成、组织缺血缺氧相关。动脉血氧饱和度(SpO₂)下降直接导致脑组织缺氧，引发氧化应激和细胞凋亡。心率增快缩短心脏舒张期，减少脑灌注。乳酸水平升高是组织低灌注的标志，与微循环功能障碍密切相关。血管升压药和机械通气作为重症支持手段，其使用本身反映患者病情严重程度。查尔森合并症指数(CCI)则量化了患者基础疾病负担，与预后密切相关。

该研究的创新之处在于首次基于大规模多中心数据构建了专门针对SAE患者的死亡率预测模型，突破了传统评分系统在该特定人群中的应用局限。列线图作为可视化工具，直观呈现各风险因素对预后的影响程度，便于临床医生快速评估患者风险，制定个体化治疗方案。

然而，研究者也指出本研究的若干局限性：回顾性设计可能存在选择偏倚；部分预测变量缺失值较多；未深入分析不同血管升压药物种类的效应差异；模型尚未在前瞻性临床环境中验证。未来需要通过设计严谨的前瞻性研究，在更广泛人群中验证模型的稳定性和预测性能，并进一步探索各预测变量与SAE病理机制的内在联系。

这项研究为SAE患者的预后评估提供了实用工具，有望帮助临床医生早期识别高危患者，及时采取针对性干预措施，从而改善患者预后，降低死亡率。随着进一步优化和验证，该模型有望成为重症监护室中SAE患者管理的重要决策支持工具。