脓毒症急性胃肠损伤28 d死亡风险列线图模型的建立与验证

苑 俊 陈 实 吴亚运 查玉涛 鲍俊杰 朱 玉 邵 敏

根据2016年第三版脓毒症与脓毒性休克定义的国际共识[1]，脓毒症被定义为宿主对感染的失调反应，是重症监护病房 (intensive care unit, ICU) 中危及生命的器官功能障碍的主要原因。严重的急性胃肠损伤(acute gastrointestinal injury, AGI)是脓毒症引起多器官功能障碍的重要机制之一，脓毒症/脓毒症休克患者AGI的发生率高达60%[2]，其主要表现为胃肠蠕动障碍、肠黏膜缺血及肠黏膜屏障损伤导致的胃肠道菌群和内毒素移位诱发的炎症反应和免疫失衡[3- 4]。脓毒症/脓毒性休克的加重将导致胃肠黏膜功能的进一步损害，形成恶性循环引发不良预后[5]。因此，尽早识别高死亡风险的脓毒症AGI患者并对其进行早期干预治疗至关重要。现阶段，应用于临床的非特异性急性生理与慢性健康状况Ⅱ评分(acute physiology and chronic health evaluation Ⅱ, APACHE Ⅱ) 评分和特异性的序贯器官衰竭评估(sequential organ failure assessment, SOFA)评分系统均缺乏对危重患者胃肠功能的评估，而2012年欧洲重症医学会腹部疾病工作组(European society of critical care medicine working group on abdominal diseases, ESICM WGAP)提出的AGI分级系统只局限于患者胃肠功能的评估[6]。目前，针对脓毒症AGI预后判断都缺乏精确性和全面性的指标和评分系统。因此，建立脓毒症AGI患者28 d死亡风险的预测模型很有必要。近年来随着机器学习能力的成熟化，基于机器学习算法的预测脓毒症及其他疾病死亡风险的预测模型相继被开发出来，并且这些模型能够比较精准的预测患者相关疾病的病死率[7-8]。本研究通过回顾性分析脓毒症AGI患者的临床资料，利用易获取的参数，建立脓毒症AGI患者28 d死亡风险的预测模型，并进行外部验证，旨在尽早识别具有高死亡风险的人群，为临床医师制订诊疗方案提供依据,现报道如下。

1 资料与方法

1.1 一般资料 (1)建模和内部验证:回顾性分析2019年10月至2021年3月于安徽医科大学第一附属医院重症医学科收治的169例符合脓毒症AGI纳入标准患者的临床资料。其中，男性111例(65.7%)，女性58例(34.3%)，年龄18～85岁，平均(57.9±14.8)岁，根据28 d预后情况将患者分为生存组96例，死亡组73例，死亡率 43.2%。AGI诊断和分级标准依据2012年ESICM WGAP提出的AGI概念[4]。 AGI分级：Ⅰ级，存在胃肠道功能障碍和衰竭的风险；Ⅱ级，胃肠功能障碍；Ⅲ级，胃肠功能衰竭；Ⅳ级，胃肠功能衰竭伴有远隔器官功能障碍。脓毒症患者纳入标准：①年龄>18岁；②脓毒症诊断标准依据2016年第三版脓毒症与脓毒性休克定义的国际共识[1]；脓毒性休克为在脓毒症的基础上，出现持续性低血压，在充分容量复苏后仍需血管活性药来维持平均动脉压(mean arterial pressure, MAP)≥65 mmHg(1 mmHg≈0.133 kPa)以及血乳酸浓度>2 mmol/L[9]；③ICU住院时间≥48 h。排除标准：①年龄<18岁；②ICU住院时间<48 h；③病例资料不完善或失去随访信息；④妊娠期或哺乳期妇女；⑤入院前有慢性胃肠道疾病病史或胃肠道手术病史；⑥恶性肿瘤晚期患者；⑦人类免疫缺陷病毒(human immunodeficiency virus,HIV)感染者。(2)外部验证：回顾性收集2021年4 月至 2021年 11月于安徽医科大学第一附属医院重症医学科诊治的符合上述建模和内部验证纳入标准的73例脓毒症AGI患者的相关资料。其中，男性52例(71.2%),女性21例(28.8%)，年龄24～76岁，平均(54.6±12.5)岁，根据28 d预后情况分为生存组41例，死亡组32例，死亡率43.8%。

1.2 研究方法 根据相关文献指导搜集病例资料信息[9]：①一般资料，包括姓名、性别、 年龄、身体质量指数(body mass index, BMI)、基础疾病等；②脓毒症AGI患者入院24小时内临床指标及相关化验室指标。基础生命体征参数、血常规、肝肾功能、C-反应蛋白(c-reactive protein, CRP)、降钙素原(procaicltonin, PCT)、主要的感染部位、动脉血气分析、APACHE Ⅱ评分、SOFA评分、是否发生脓毒性休克；③临床干预:是否接受连续性肾脏替代治疗治疗、是否接受机械通气、是否使用血管活性药物、使用糖皮质激素药物剂量、静脉质子泵抑制剂(proton pump inhibitor, PPI)使用剂量；④依据随访28 d预后情况将脓毒症AGI患者分为生存组和死亡组。其中，病情平稳转入普通病房或出院患者在随访28 d内仍存活者均纳入生存组，28 d内经ICU自动出院及死亡患者均纳入死亡组。⑤模型的建立与验证。通过分析169例脓毒症AGI患者的临床资料，比较28 d生存组和死亡组之间的差异建立预后模型。取与建模人群不同时间段的73例脓毒症AGI患者进行模型的外部验证。

2 结果

2.1 脓毒症AGI患者预后的单因素分析 28 d生存组与死亡组患者的性别、年龄、BMI、基础疾病、主要感染部位、白细胞计数(white blood cell, WBC)、血小板计数( platelet, PLT)、血清清蛋白(albumin, Alb)、总胆红素(total bilirubin, TBIL)、血清肌酐(serum creatinine, Scr)、尿素氮(blood urea nitrogen, BUN)、PCT、PPI剂量和血糖(glucose, Glu)差异均无统计学意义(P>0.05)。其中PPI剂量数据中的极端异常值剔除后经平均值替换。死亡组患者的CRP、pH值、Lac、MAP、血管活性药物使用比率、机械通气比率、CRRT比率、糖皮质激素使用剂量、APACHE Ⅱ评分、SOFA评分、脓毒性休克比率以及AGI分级与生存组患者之间差异均具有统计学意义(P<0.05)。见表1。

表1 脓毒症AGI患者预后的单因素分析

续表1

2.2 LASSO 回归筛选预后模型变量 将单因素分析中具有统计学意义且可能对28 d死亡率有影响的因素纳入LASSO 回归中进行变量的筛选。当调节参数为lambda.1se(λ=0.08)时共筛选出4个回归系数非零的变量，分别是Lac、使用血管活性药物、APACHE Ⅱ评分和AGI分级。见图1。对以上变量进行共线性诊断，所有变量的Tol均大于0.1，VIF均小于10，不具有共线性，故均纳入多因素分析。见表2。

注：A 为 12 个变量的 LASSO 系数曲线，B 为在 LASSO 模型中通过 10折交叉验证的方法筛选最合适 λ 的过程。

表2 LASSO 回归筛选预后模型变量的共线性诊断

2.3 脓毒症AGI患者预后模型的建立及评价 LASSO回归筛选出的4个预测变量进行多因素logistic回归分析，其中，符合连续性数据的变量直接带入logistic回归，二分类变量在进行赋值后带入，因变量赋值为：男性=1，女性=0；使用血管活性药物=1，未使用血管活性药物=0。预测变量均为脓毒症AGI患者预后的独立危险因素(P<0.05)，在校正性别和年龄构建出最终的预测模型。见表3。其初始C-index为0.913，校正后C-index为0.897，说明该模型具有良好的区分度。Hosmer-Lemeshow检验显示P>0.05，通过Bootstrap重复抽样方法(1 000次)对模型进行内部验证，Calibration曲线斜率为1，Brier值为0.118，说明该模型预测28d死亡风险概率与实际观察到的死亡概率一致性较好，见图2A。DCA曲线显示模型阈值概率大于1%时有较高的净获益率，临床有效性较好。见图3A。ROC曲线分析显示模型的AUC为0.913，灵敏度为82.2%，特异度为88.5%，利用约登指数得出的最佳截断值为0.532，显著高于单一指标的预测效能(如Lac 、使用血管活性药物、APACHE Ⅱ评分、AGI分级、SOFA评分、CRP)。见图4A。

表3 脓毒症AGI患者预后的多因素 logistic 回归分析

注：A为模型内部验证队列 ，B为外部验证队列。虚线为标准曲线，实线为模型曲线，两曲线重叠度越高则一致性越好。

2.4 脓毒症AGI患者预后模型的外部验证及评价 选择与建模人群不同时间段的73例脓毒症AGI患者的临床相关资料纳入预测模型进行外部验证。其初始C-index为0.881，校正后C-index为0.841，Hosmer-Lemeshow检验显示P>0.05，Calibration曲线斜率为1，Brier值为0.132。见图2B。以上结果均与预测模型结果相近，说明预测模型在外部验证人群中仍具有良好的区分度和校准度。DCA曲线显示阈值概率在6%～89%时有较高的净获益率，其临床有效性略低于预测模型。见图3B。ROC曲线分析显示外部验证的AUC为0.887，以预测概率的最佳截断值0.532视为死亡高风险时，灵敏度为75.0%(95%CI:56.6～88.5),特异度为85.4%(95%CI:70.8～94.4),与预测模型的预测效能相近，亦显著高于其他相关指标的预测效能。见图4B。

注：A为预测模型队列 ，B为外部验证队列。纵轴为模型预测效益值，横轴为患病风险值，蓝色曲线为模型曲线，而2条极端曲线All 曲线和 None曲线作为标准曲线，模型曲线越远离 2 条极端曲线则临床有效性越好。

注：A为预测模型队列 ，B为外部验证队列。

2.5 脓毒症AGI患者预后模型的可视化 应用R软件中的rms程序对预后模型可视化展示-Nomogram图。各变量的大小对应相应的分值大小，所有分值相加为总分，总分对应28 d死亡风险概率,见图5。例如：脓毒症AGI患者的性别为男，对应分值约7分；年龄45岁，对应分值2.5分；APACHE Ⅱ评分15分，对应分值32.5分；Lac 6.0 mmol/L，对应分值30分；使用血管活性药物，对应分值约24分；AGI Ⅱ级，对应分值13分。所有分值相加约为 109分，最终对应的28 d死亡风险概率为0.580，高于最佳截断值0.532。故此认为该患者28 d死亡风险较高。

图5 预测模型的可视化Nomogram图

3 讨论

脓毒症是一种严重危及生命的器官功能障碍，为ICU患者死亡的主要原因[10-11]。胃肠道是多器官衰竭(multiple organ dysfunction syndrome, MODS)的起始部位，是受脓毒症影响最早和最严重的器官之一[12]。有证据表明，MODS的发生与肠道通透性紊乱有关，其在MODS发病前就可以察觉到[13]，且器官功能衰竭数量的递增将导致死亡率增加20%[14]。此外，严重AGI患者的死亡风险比轻症AGI明显增加[5]，本研究结果与此相符合。目前，脓毒症AGI的高病死率已引起越来越多的关注。因此，针对脓毒症AGI患者这一特定群体有必要提供一种可靠的评估工具，以便准确判断病情、合理开展救治、改善患者预后。

列线图可以把复杂的数据可视化从而表达预测模型中各变量之间的关系[15]。本研究纳入169例脓毒症AGI患者作为建模组，筛选出4个与脓毒症AGI患者28 d 死亡风险相关的独立危险因素，分别为Lac、APACHE Ⅱ评分、使用血管活性药物和AGI分级，进而建立列线图预测预后模型。预测模型建模队列的初始C-index为0.913，校正后C-index为0.897，说明模型的区分度较高。校准曲线显示预测概率与实际概率具有良好的一致性。决策分析曲线的阈值概率大于1% 时具有较高的净获益率，临床有效性较好。ROC曲线显示预测模型的AUC、敏感度和特异性均显著高于传统的单一预测指标，如Lac、使用血管活性药物、APACHE Ⅱ评分、AGI分级、SOFA评分以及CRP(P<0.05)，预测效能较高。同时，本研究选取与预测模型不同时间段的脓毒症AGI患者的相关资料进行外部验证后，其准确性和稳定性依旧良好。

APACHE Ⅱ评分系统作为评估ICU患者病情严重程度和预后的指标被广泛应用，其分值越高则患者病情程度越严重，预后越差[16]，本研究结果与此相符合。血Lac反映组织器官特别是微循环的灌注情况，与组织缺氧/低灌注之间联系密切，是脓毒症预后不良指标之一[17]。脓毒症发生时，胃肠道细胞较其他组织器官细胞对缺血缺氧的反应更加敏感，糖酵解发生更早，随之带来的是胃肠道损伤[18]。此外，脓毒症或脓毒性休克时可因内源性儿茶酚胺分泌不足或者β受体下调导致患者对血管活性药物的反应性降低[19]，大剂量的血管活性药物应用可以引起内脏及黏膜血管收缩从而加重胃肠道黏膜缺血症状，相应的胃肠损伤程度也越高引起预后不良，本研究中应用血管活性药物的AGI分级较高，与既往的研究结果一致[20]。

目前，国内有不少研究者针对脓毒症AGI患者预后建立了预测模型。Wang等[21]基于91例脓毒症AGI患者建立预后模型的AUC为0.806。该模型的特点是连续监测1周内最高 SOFA(SOFAmax)和 AGI 评分(AGImax)进行联合诊断。不过，其观察时间较长且对于临床的提前干预不能提供依据。Pan等[22]回顾性分析658例脓毒症AGI患者所建立的死亡预警评分模型的AUC为0.909，主要由AGI分级联合APACHE Ⅱ、SOFA 评分以及年龄构成，但缺乏对模型的验证和可视化。相比之下，本研究构建的列线图模型将预测指标进行了可视性量化。依据模型的最佳截断值可以动态监测患者治疗过程中病情状态的变化，便于提前对临床诊疗措施的调整，评估死亡风险的高低。同时，该模型可为后续相关方面的临床研究提供同质化的标准。

本研究存在一些局限性。①本研究为单中心临床回顾性研究，样本量较小，对一些混杂因素无法进行控制。②本研究中由于应用血管活性药物种类较多，未进行具体剂量的统计，可能会对研究有一定的影响。

综上所述，本研究基于脓毒症AGI患者的临床资料，建立以性别、年龄、Lac、使用血管活性药物、APACHE Ⅱ评分和AGI分级为核心的可视化列线图预测模型，在建模和外部验证后证实其无论在区分度、校准度、临床有效性，还是在预测效能方面均具有较好的意义，能够较好地预测脓毒症AGI患者28 d死亡风险发生的概率，为临床医师的诊疗措施提供依据，改善患者的预后。但该列线图模型在应用于临床实践前仍需通过前瞻性、多中心、大样本量研究进一步验证。