严重创伤患者免疫功能动态变化规律及其与创伤感染的关系

潘建虹，潘笑，王陈等

严重创伤仍然是全球死亡的主要原因，也是全球医疗保健的实际负担，全球每年约有600 万人死于创伤[1]。早期创伤性死亡继发于脑损伤或出血性休克，其次是由出血性休克引起的凝血功能障碍，但也会因大量输血而恶化。针对失血和凝血的治疗可显著降低直接由初始创伤引起的死亡率[2]；然而继发性并发症，如急性呼吸窘迫综合征、多器官衰竭和创伤感染仍然是住院创伤患者死亡的重要原因[3]。创伤引起的免疫功能变化被认为是这些疾病发展的关键驱动因素，外伤引起的大量组织破坏和坏死细胞死亡导致先前隔离的抗原和因子的释放。这些抗原会提醒免疫系统存在组织损伤，因此被恰当地称为“警报素”。“警报素”一旦被免疫细胞检测到，就会通过与存在于先天或适应性免疫细胞上的识别受体相互作用来启动免疫反应。“警报素”会特别提醒免疫细胞启动炎症反应、趋化性、抗菌防御和适应性免疫细胞反应[4]。严重感染是重症患者的主要威胁，并常引发脓毒症；基于此，本研究分析严重创伤患者免疫功能动态变化规律以及与创伤感染间的关系，报道如下。

1 资料与方法

1.1 一般资料 回顾性选取2020 年6 月至2022 年6 月丽水市人民医院收治的严重创伤患者172 例，纳入训练集。致伤原因：交通伤94 例，重物砸伤17 例，锐器伤15 例，坠落伤41 例，爆炸伤3 例，其他2 例。根据是否发生感染[感染诊断参照《2001 年中华人民共和国卫生部医院感染诊断标准（试行）》[5]]分为感染组（n=49）和未感染组（n=123），感染组男26 例，女23 例；平均年龄（42.7±8.2）岁；未感染组男63 例，女60 例；平均年龄（43.2±9.7）岁。按照相同纳入和排除标准选取同期于丽水市人民医院治疗的86 例严重创伤患者作为验证集，用于对模型的外部验证。本研究已通过丽水市人民医院科研伦理委员会审批通过。

1.2 纳入和排除标准 纳入标准：（1）格拉斯哥昏迷量表评分＞8 分；（2）外伤后存活＞2d；（3）外伤时无局部或全身感染（如肺炎或败血症）；（4）受伤至入院时间＜24 h。排除标准：（1）有严重认知障碍；（2）患有免疫系统疾病、家族性遗传病或凝血功能障碍患者；（3）无法接受治疗或长期随访的患者；（4）合并其他精神疾病、器质性疾病、全身性疾病或神经病变患者。

1.3 观察指标（1）临床资料，包括年龄、性别、致伤原因及损伤部位数量等。（2）损伤严重程度评分（ISS）[6]：每种损伤都分配有一个简化的损伤量表分数，并分配到以下6个身体区域之一：头部、面部、胸部、腹部、四肢（包括骨盆）和外部，仅使用每个身体区域的最高简化伤害量表分数，分数越高越严重。（3）入院时急性生理学和慢性健康评估II（APACHE II）评分[7]：主要由急性生理参数、慢性健康状况和年龄三部分构成，分数越高代表病情越严重。（4）入院时序贯器官衰竭估计评分（SOFA）[8]：评估时应采取每日最差值，共6 个器官，各0 ～4 分，分数越高预后越差。（5）中性粒细胞与淋巴细胞比值（NLR），利用XE2100 型血细胞分析仪（日本，SYSMEX 公司）检测。（6）T 细胞、B 淋巴细胞、自然杀伤细胞（NK 细胞）比例及CD64 指数，通过7.FACSC anto型流式细胞分析仪及配套试剂（美国BD 公司）检测。

1.4 统计方法 应用SPSS 22.2统计软件进行分析。计量资料以均数±标准差表示，两组间比较采用独立样本t 检验，多组间比较采用单因素方差分析；计数资料以率表示，采用检验。危险因素分析采用多因素Logistic 回归模型；基于Softmax 策略建人工神经网络模型，模型的预测效能评价采用受试者工作特征（ROC）曲线、校准曲线及临床决策曲线。P ＜0.05 表示差异有统计学意义。

2 结果

2.1 两组基线资料比较 感染组入院时APACHE II 评分、ISS 评分、入院时SOFA 评分及损伤部位数量与未感染组相比，差异均有统计学意义（均P ＜0.05）；两组年龄、性别及致伤原因差异均无统计学意义（均P ＞0.05），见表1。

表1 感染组和未感染组基线资料比较

2.2 两组免疫指标的比较 两组第1 天的CD3+T、B细胞比例及CD64 指数差异均有统计学意义（均P＜0.05），两组CD3+T、B 细胞、NK 细胞、CD4+T、CD8+T、CD4+/CD8+T、CD4+CD28+T、CD8+CD28+T比例，NLR和CD64 指数第14 天与第1 天的差值差异均有统计学意义（均P ＜0.05），见表2。

表2 感染组和未感染组患者免疫指标比较

2.3 创伤感染的多因素分析 将表2 中差异有统计学意义的指标纳入多因素Logistic回归分析，发现B细胞差值大，NK 细胞差值大，CD4+T 差值大，CD4+/CD8+T 差值大，NLR 差值大和CD64 指数差值大都是引起创伤感染的危险因素（均P ＜0.05），见表3。

表3 创伤感染的多因素Logistic 回归分析

2.4 基于人工神经网络模型的创伤后感染的预测根据多因素分析结果，将B 细胞差值，NK 细胞差值，CD4+T 差值，CD4+/CD8+T 差值，NLR 差值和CD64指数差值作为第一层的输入变量，将每个变量与隐藏层中的所有节点（H1∶1 ～H1∶4）进行连接，结局指标即为输出层，同样连接到隐藏层节点。线条的粗细程度与各个因素的重要性呈正比，NK细胞差值、CD4+/CD8+T差值，NLR差值和CD64 指数差值所占权重均较高，见图1。

图1 创伤后感染的人工神经网络架构图

2.5 模型的评价

2.5.1 模型区分度评价 训练集AUC为0.749（95%CI：0.679 ～0.815，P ＜0.05）；C-index 为0.846，见图2a。验证集AUC为0.788（95%CI：0.716 ～0.867，P ＜0.05）；C-index 为0.848，见图2b。

图2 基于人工神经网络模型的创伤后感染的预测模型的ROC曲线

2.5.2 校准度评价 校准曲线的Hosmer-Lemeshow拟合优度检验结果显示：不论在训练集，还是验证集中，拟合优度差异无统计学意义（=1.026、0.982，均P ＞0.05），见图3。

图3 基于人工神经网络模型的创伤后感染的预测模型的校准度

2.5.3 临床决策曲线 训练集中，当阈概率在12%～96% 时使用人工神经网络模型预测创伤后感染的净获益率高，见图4a；而在验证集中，阈概率在12%～89%范围内净获益高，见图4b。

图4 基于人工神经网络模型的创伤后感染的预测模型预测模型的决策曲线分析

3 讨论

严重感染是重症患者的主要威胁，在危重病、受伤、失血等情况下，T 细胞和B 细胞都受到影响，呈现相对免疫功能低下的状态，更容易发生感染[9]。本研究结果显示，B细胞差值、NK细胞差值、CD4+T差值、CD4+/CD8+T 差值、NLR 差值和CD64 指数差值大都是影响患者创伤后感染的危险因素（均P ＜0.05）。由细菌病原体或病毒引起的感染会引起强烈的抗菌型T 细胞反应，因为抗原呈递细胞的激活方式会使CD4+T 细胞分化偏向Th1 或Th17 CD4+T 细胞亚群。这些CD4+T 细胞亚群产生细胞因子，然后向先天细胞（如中性粒细胞、巨噬细胞和NK 细胞）提供激活信号，以增强抗菌效应活性。

循环中CD4+/CD8+T 细胞平衡的不适当改变可能导致对感染的抵抗力下降。近期研究表明，严重烧伤后外周血CD4+/CD8+T 比值降低[10]，而CD4+/CD8+T可反映细胞免疫功能情况。在另一项研究中感染烧伤大鼠血液中CD4+T 淋巴细胞比例降低，而CD8+T 淋巴细胞比例升高[11]。这种亚群的相对转移导致感染烧伤大鼠CD4+/CD8+T 细胞比率较未烧伤大鼠明显降低，而且肠系膜淋巴结中CD8+T 细胞的减少导致CD4+/CD8+T 细胞比率升高。这一比例的变化可能反映了免疫刺激和抑制之间平衡的变化。

NK细胞是先天免疫反应的重要组成部分，在感染过程中，活化的NK 细胞主要以两种方式发挥作用：细胞毒性和免疫调节[12]。在过度炎症阶段，炎症因子的紊乱导致NK 细胞异常活化，通过正反馈回路引发细胞因子风暴，导致严重的器官损伤[13]。CD64可能是一种感染特异性标志物，其在全身和局部感染诊断中的疗效均有报道。关于CD64 评估的时间，Cid 等[14]证明，CD64 在感染开始后24 h 内增加，48 h后开始下降，并在7 d 内达到基线水平。因此，CD64在慢性感染中的诊断敏感性较低。

中性粒细胞、淋巴细胞含量的变化可以在一定程度上反映机体免疫状态与病原体入侵状态之间的平衡[15]。各种损伤的免疫反应通常具有显着特征：中性粒细胞计数增加和淋巴细胞计数减少。当感染持续存在时，会产生大量中性粒细胞。Salciccioli 等[16]在一项观察性队列研究中调查了NLR 与重症患者死亡率之间的关联，发现脓毒症患者的基线NLR值显著高于没有脓毒症的患者。在一项将NLR 作为脓毒症致死结果预测因子的研究中，发现NLR在非幸存者中显著升高，是致死结果的独立预测因子[17]。本研究基于多因素分析结果构建了人工神经网络模型，区分度较高，准确性和有效性较好。

综上所述，严重创伤患者免疫功能动态变化规律与创伤后感染结局之间存在明确的相关性，以上研究指标可作为感染早期诊断指标，并给予针对性的治疗干预有助于恢复宿主免疫力。

利益冲突所有作者声明无利益冲突