脓毒症患者预后评估的研究进展

[摘要]"及时的脓毒症患者预后判断、精准识别高风险群体是降低脓毒症死亡率的关键策略。随着对脓毒症研究的深入，风险预测评分系统、生物标志物和风险预测模型逐步应用于脓毒症的预后评估中，以提高临床医生对脓毒症患者预后判断的精确度。本文综述当前脓毒症患者预后评估的最新研究进展，以期为脓毒症的临床管理与科研探索提供参考。

[关键词]"脓毒症；预后评估；生物标志物；评分系统；预测模型

[中图分类号]"R459.7""""""[文献标识码]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.35.028

“sepsis”源自希腊语，意为分解、腐烂。20世纪初，其含义逐渐演变成现代医学中的“脓毒症”。1991年，脓毒症1.0（sepsis"1.0）被定义为由感染引起的全身炎症反应综合征。而相较于既往版本，研究团队在脓毒症3.0（sepsis"3.0）中纳入序贯器官衰竭评估（sequential"organ"failure"assessment，SOFA）评分，以识别并评估脓毒症[1]。

1""脓毒症概述

Rudd等[2]将低中等收入国家的流行病学数据纳入研究范围，结果显示1990—2017年，年龄标准化脓毒症的发病率和死亡率均较之前下降，且脓毒症的发病率和死亡率存在显著地区差异。2017—2019年，中国脓毒症年标准化发病率从328.25/10万增长至421.85/10万，脓毒症院内死亡率达28.4%，且脓毒症的院内死亡率呈逐年上升趋势[3]。目前，脓毒症的发病机制尚未完全明确。脓毒症的病理生理过程涵盖全身炎症反应、组织器官损伤、凝血功能异常、免疫功能障碍、微生物毒素作用等机制，还涉及神经-内分泌-免疫网络失衡、细胞自噬、基因多态性等方面，与机体多器官、多系统密切相关[4-5]。

2""风险预测评分系统

2.1""SOFA评分

SOFA评分由Vincent等[6]提出，用于评估呼吸、凝血、肝脏、心血管、肾脏、中枢神经系统功能障碍/衰竭。2016年，sepsis"3.0纳入SOFA评分。然而，SOFA评分依赖大量实验室数据，时效性较低，限制了其在急诊科中的应用。

2.2""快速SOFA评分

为增强可行性和实用性，专家学者提出更简易的评分系统，即快速SOFA（quick"SOFA，qSOFA）评分。该评分仅纳入“意识形态改变、收缩压≤100mmHg（1mmHg=0.133kPa）、呼吸频率≥22次/min”3个指标。尽管qSOFA评分在设计上力求简便快捷，但在临床应用中其有效性和准确性受到一定程度的争议。

为提高qSOFA评分预测脓毒症患者预后风险的敏感度，专家学者对其进行不断改良，形成降钙素原增强qSOFA（procalcitonin-enhanced"qSOFA，PqSOFA）评分、改良qSOFA（modified"qSOFA，MqSOFA）评分等。PqSOFA评分将降钙素原（procalcitonin，PCT）引入qSOFA评分。Xia等[7]在821例成人急性脓毒症患者中进行回顾性分析，将患者PCTgt;0.5ng/ml计为1分，证实PqSOFA评分显著优于qSOFA评分。MqSOFA评分是将氧合指数引入qSOFA，外周血氧饱和度（peripheral"oxygen"saturation，SpO2）/吸入氧浓度（inspired"fraction"of"oxygen，FiO2）≥315评分计为0分，SpO2/FiO2在314～236范围内评分计为1分，SpO2/FiO2≤235评分计为2分。Guarino等[8]研究发现MqSOFA评分预测不同病因所致脓毒症患者28d死亡率显著优于qSOFA评分。

2.3""急性生理学和慢性健康状况评价Ⅱ评分

急性生理学和慢性健康状况评价Ⅱ（acute"physiology"and"chronic"health"evaluation"Ⅱ，APACHE"Ⅱ）评分是临床上重要的评估脓毒症病情及预后的工具[9]。研究证实APACHE"Ⅱ评分是脓毒症患者死亡的独立危险因素，评分越高预示患者的预后越差、病死率越高[10-11]。在临床实践中应结合患者的实际情况，综合评估APACHE"Ⅱ评分的参考价值。

2.4""急诊科脓毒血症死亡率评分

急诊科脓毒血症死亡率（mortality"in"emergency"department"sepsis，MEDS）评分根据急诊科特点设计，涵盖终末期疾病、呼吸困难、感染性休克、血小板计数、杆状核中性粒细胞、年龄、下呼吸道感染、居住在疗养院及意识改变共9项指标[12]。MEDS评分范围为0～27分，根据评分将患者分为5个死亡风险亚组，包括极低危、低危、中危、高危、极高危。MEDS评分在预测全身炎症反应综合征、脓毒症急诊患者28d死亡风险方面表现卓越，还可预测急诊感染患者1年远期病死率。国际上已有多项研究证实MEDS评分对评估急诊科脓毒症患者1个月死亡风险的准确性极高，甚至优于SOFA评分和其他评分系统[13-15]。MEDS评分的部分评价指标依赖临床医生的主观判断。尽管现有研究已广泛证实该评分预测院内死亡风险的准确性，但针对各死亡风险亚组病死率的详细验证仍显不足[16]。

3""预后生物标志物

近年来，除使用相关量表评估脓毒症患者预后外，生物标志物也用于脓毒症患者的预后判断[17]。

3.1""血常规相关标志物

血小板计数在炎症反应中的重要性逐渐被探究[18]。研究显示脓毒症休克患者在病程初始24h内出现血小板减少，这与28d死亡率显著升高紧密相关[19]。红细胞体积分布宽度（red"cell"volume"distribution"width，RDW）作为衡量红细胞体积异质性的指标，其重要性在脓毒症预后评估中逐渐显现。伍羿等[20]通过回顾性研究发现，RDW水平可作为脓毒症患者死亡的独立预测因子，表现为RDW水平每上升1%，患者的死亡率增加18%。Huang等[21]研究发现脓毒症死亡患者的RDW水平在入院首周内持续攀升。单核细胞分布宽度（monocyte"distribution"width，MDW）是反映血液中单核细胞分布情况的指标。脓毒症发生时，不仅单核细胞的数量有所变化，其大小、功能、表型等也呈现多样化；且随着疾病严重程度的加剧更加明显，直观表现为单核细胞形态的改变[22]。Malinovska等[23]研究揭示，MDW水平的升高与病情严重程度及器官障碍的发生呈正相关。

3.2""炎症标志物

C反应蛋白（C-reactive"protein，CRP）是经典的非特异性炎症标志物，在肝脏内合成。在机体发生严重感染、脓毒症或严重组织损伤时，CRP水平可急剧升至正常水平的千倍以上，并促进多种炎症介质的释放，加速器官组织损伤[24]。Koozi等[25]纳入851例重症监护病房（intensive"care"unit，ICU）脓毒症患者的研究发现，CRPgt;100mg/L患者的死亡风险显著增加。

PCT是降钙素的前体物质，在生理状态下主要由甲状腺滤泡旁细胞产生。引入PCT的PqSOFA评分可用于脓毒症患者的预后评估，其单独使用对预测脓毒症患者的预后也有极高价值。除生理功能外，PCT的基因表达受脂多糖和全身炎症介质的诱导。Samuel等[26]研究发现PCT可很好地预测脓毒症患者的预后，且PCTgt;2ng/ml较PCTgt;0.5ng/ml的特异性更佳，更具预测价值。Liang等[27]通过回顾性分析146例ICU脓毒症患者证实，PCT与脓毒症患者预后相关，且PCT是患者28d死亡率的独立危险因素。

血清淀粉样蛋白A（serum"amyloid"A，SAA）是一种急性时相反应蛋白，其通过多种信号通路参与炎症反应[28]。谭睿等[29]研究阐明，SAA水平及其动态变化在预测脓毒症患者预后方面有重要作用，其中24hnbsp;AA水平预测的效果最佳。

3.3""白细胞介素

白细胞介素（interleukin，IL）-10是一种主要由辅助性T细胞2、脂多糖等刺激单核巨噬细胞和上皮细胞产生的抑制因子，可调节过量促炎性细胞因子和趋化因子所致的免疫宿主反应[30]。既往研究表明，IL-10的过表达可作为预测脓毒症患者死亡的显著标志[31]。IL-37属于IL-1家族，主要由造血细胞产生，是固有免疫反应的天然抑制剂，是调节炎症反应的重要细胞因子[32]。林芳崇等[33]研究表明，IL-37在脓毒症患者中呈高水平表达，且其水平随病情进展而逐渐升高，更是影响患者28d预后的独立危险因素。

3.4""可溶性CD14亚型sCD14-ST

可溶性CD14亚型sCD14-ST主要分布于血清中；在全身炎症反应期间，sCD14-ST由血浆蛋白酶切割可溶性CD14后形成[34]。sCD14-ST对机体炎症反应、感染性休克、器官衰竭的发生发展具有重要意义[35]。Liu等[36]研究指出，sCD14-ST是评估脓毒症患者预后的可靠指标。研究证实脓毒症死亡组患者的sCD14-ST水平显著高于存活组，且病情严重患者的sCD14-ST水平更高[35]。

4""风险预测模型

近年来，随着大数据与人工智能（artificial"intelligence，AI）的蓬勃发展，机器学习、列线图模型等先进工具被广泛应用于临床研究中，促进众多风险预测模型的诞生与发展，这些模型涵盖疾病的早期预测与诊断及预后预测等方面。研究表明基于大数据和机器学习的筛查工具可提高脓毒症诊断的敏感度和准确性[37]。筛查模型通过AI技术对临床数据进行持续监测，可提前数小时预测脓毒症的发生，准确率接近90%，较传统疾病严重程度评分有很大提高[38]。Nemati等[39]通过构建人工智能脓毒症专家（artificial"intelligence"sepsis"expert，AISE）模型预测脓毒症，结果显示AISE模型可提前4～12h预测脓毒症的发生。Mao等[40]将基于机器学习的脓毒症预测算法InSight模型应用于ICU患者脓毒症发生的预测中，结果显示其可提前4h预测脓毒症的发生。既往研究主要集中于ICU危重症脓毒症患者中，近期Meta分析结果显示，与应用于ICU患者相比，AI预警系统在急诊科和普通病房中的益处更明显[41]。Honeyford等[42]将基于圣约翰脓毒症算法开发的数字脓毒症警报用于急诊脓毒症患者的早期预测，结果显示其可早期预测脓毒症的发生，改善患者预后，降低病死率。Burdick等[43]应用机器学习算法预测脓毒症，结果显示其可有效预测严重脓毒症的发生，改善患者预后。Gupta等[44]应用树形增强型朴素贝叶斯网络开发的脓毒症预测模型的受试者操作特征曲线下面积（area"under"the"curve，AUC）为0.840。García-Gallo等[45]采用随机梯度推进法建立的脓毒症预测模型的AUC为0.804。综上，AI预测模型对脓毒症预后的预测较临床医生的判断及传统的评分系统更精准，具有显著优势。然而，上述模型中的大部分研究均为回顾性研究，各项研究之间存在较大的异质性，无法相互验证，尚不具备广泛适用性。

5""小结与展望

脓毒症的预后与多种因素相关，早期识别高风险患者可为临床提供及时干预依据，从而降低患者病死率。目前临床上用于评估脓毒症预后的工具众多，包括风险预测评分系统、生物标志物和风险预测模型等。然而，各种工具均有其优势及局限性，尚未形成统一、公认的脓毒症预后预测“金标准”。鉴于脓毒症居高不下的发病率和死亡率，其依然是全球亟待解决的热点问题之一。随着AI、机器算法在医学领域的普及和广泛应用，利用风险预测模型评估脓毒症患者的预后将成为未来发展的主流趋势，但需考虑脓毒症在不同人种、地域中的异质性，以便构建更有针对性的预测模型，确保其在不同临床环境中的实用性和准确性。

利益冲突：所有作者均声明不存在利益冲突。

[参考文献]

[1] RHODES"A，"EVANS"L"E，"ALHAZZANI"W，"et"al."Surviving"sepsis"campaign："International"guidelines"for"management"of"sepsis"and"septic"shock："2016[J]."Crit"Care"Med，"2017，"45（3）："486–552.

[2] RUDD"K"E，"JOHNSON"S"C，"AGESA"K"M，"et"al."Global，"regional，"and"national"sepsis"incidence"and"mortality，"1990–2017："Analysis"for"the"global"burden"of"disease"study[J]."Lancet，"2020，"395（10219）："200–211.

[3] WENG"L，"XU"Y，"YIN"P，"et"al."National"incidence"and"mortality"of"hospitalized"sepsis"in"China[J]."Crit"Care，"2023，"27（1）："84.

[4] 姚咏明，"张艳敏."脓毒症发病机制最新认识[J]."医学研究生学报，"2017，"30（7）："678–683.

[5] 栾樱译，"祝筱梅，"姚咏明."关于脓毒症的发生机制与识别和干预[J]."中华危重病急救医学，"2021，"33（5）："513–516.

[6] VINCENT"J"L，"MORENO"R，"TAKALA"J，"et"al."The"SOFA"（sepsis-related"organ"failure"assessment）"score"to"describe"organ"dysfunction/failure."On"behalf"of"the"working"group"on"sepsis-related"problems"of"the"European"society"of"intensive"care"medicine[J]."Intensive"Care"Med，"1996，"22（7）："707–710.

[7] XIA"Y，"ZOU"L，"LI"D，"et"al."The"ability"of"an"improved"qSOFA"score"to"predict"acute"sepsis"severity"and"prognosis"among"adult"patients[J]."Medicine"（Baltimore），"2020，"99（5）："e18942.

[8] GUARINO"M，"PERNA"B，"DE"GIORGI"A，"et"al."A"2-year"retrospective"analysis"of"the"prognostic"value"of"MqSOFA"compared"to"lactate，"NEWS"and"qSOFA"in"patients"with"sepsis[J]."Infection，"2022，"50（4）："941–948.

[9] HAI"P"D，"VIET"HOA"L"T."The"Prognostic"accuracy"evaluation"of"mNUTRIC，"APACHE"Ⅱ，"SOFA，"and"SAPS"2"scores"for"mortality"prediction"in"patients"with"sepsis[J]."Crit"Care"Res"Pract，"2022，"2022："4666594.

[10] 李艳秀，"左祥荣，"曹权."PCT联合APACHEⅡ评分对ICU肺部感染合并脓毒症的评估[J]."南京医科大学学报（自然科学版），"2018，"38（12）："1725–1728.

[11] KUMAR"S，"GATTANI"S"C，"BAHETI"A"H，"et"al."Comparison"of"the"performance"of"APACHE"Ⅱ，"SOFA，"and"mNUTRIC"scoring"systems"in"critically"ill"patients："A"2-year"cross-sectional"study[J]."Indian"J"Crit"Care"Med，"2020，"24（11）："1057–1061.

[12] SHAPIRO"N"I，"WOLFE"R"E，"MOORE"R"B，"et"al."Mortality"in"emergency"department"sepsis"（MEDS）"score："A"prospectively"derived"and"validated"clinical"prediction"rule[J]."Crit"Care"Med，"2003，"31（3）："670–675.

[13] VAFAEI"A，"HEYDARI"K，"HASHEMI-NAZARI"S"S，"et"al."PIRO，"SOFA"and"MEDS"scores"in"predicting"one-month"mortality"of"sepsis"patients："A"diagnostic"accuracy"study[J]."Arch"Acad"Emerg"Med，"2019，"7（1）："e59.

[14] ELBAIH"A"H，"ELSAYED"Z"M，"AHMED"R"M，"et"al."Sepsis"patient"evaluation"emergency"department"（SPEED）"score"amp;"mortality"in"emergency"department"sepsis"（MEDS）"score"in"predicting"28-day"mortality"of"emergency"sepsis"patients[J]."Chin"J"Traumatol，"2019，"22（6）："316–322.

[15] PONG"J"Z，"KOH"Z"X，"SAMSUDIN"M"I，"et"al."Validation"of"the"mortality"in"emergency"department"sepsis"（MEDS）"score"in"a"Singaporean"cohort[J]."Medicine"（Baltimore），"2019，"98（34）："e16962.

[16] 张恺，"张淑芳，"张根生."脓毒症评分体系的研究进展[J]."中华急诊医学杂志，"2021，"30（10）："1279–1282.

[17] PIERRAKOS"C，"VELISSARIS"D，"BISDORFF"M，"et"al."Biomarkers"of"sepsis："Time"for"a"reappraisal[J]."Crit"Care，"2020，"24（1）："287.

[18] SHEN"Y，"HUANG"X，"ZHANG"W."Platelet-to-lymphocyte"ratio"as"a"prognostic"predictor"of"mortality"for"sepsis："Interaction"effect"with"disease"severity-A"retrospective"study[J]."BMJ"Open，"2019，"9（1）："e022896.

[19] THIERY-ANTIER"N，"BINQUET"C，"VINAULT"S，"et"al."Is"thrombocytopenia"an"early"prognostic"marker"in"septic"shock？[J]."Crit"Care"Med，"2016，"44（4）："764–772.

[20] 伍羿，"王德宇，"赵祥庚."红细胞分布宽度与老年脓毒症患者死亡率的相关性[J]."中国老年学杂志，"2019，"39（17）："4274–4277.

[21] HUANG"R，"XIA"J，"WANG"J，"et"al."Red"blood"cell"distribution"width："A"potential"prognostic"index"for"short-term"mortality"of"patients"admitted"to"emergency"department"for"acute"decompensation"of"liver"cirrhosis"？"[J]."Eur"J"Gastroenterol"Hepatol，"2018，"30（3）："328.

[22] 于佳琪，"梁群，"刘雨默，"等."单核细胞分布宽度在脓毒症早期诊断和预后评估中的研究进展[J]."中国医药导报，"2023，"20（12）："40–43，"47.

[23] MALINOVSKA"A，"HINSON"J"S，"BADAKI-MAKUN"O，"et"al."Monocyte"distribution"width"as"part"of"a"broad"pragmatic"sepsis"screen"in"the"emergency"department[J]."J"Am"Coll"Emerg"Physicians"Open，"2022，"3（2）："e12679.

[24] 柴韩飞，"谢海波，"杜晓红，"等."PCT、CRP和HBP对脓毒症的诊断及预后评估价值[J]."现代实用医学，"2021，"33（5）："617–619.

[25] KOOZI"H，"LENGQUIST"M，"FRIGYESI"A."C-reactive"protein"as"a"prognostic"factor"in"intensive"care"admissions"for"sepsis："A"Swedish"multicenter"study[J]."J"Crit"Care，"2020，"56："73–79.

[26] SAMUEL"M"S，"LATHA"R，"KAVITHA"K，"et"al."A"study"on"biomarkers"of"sepsis"and"potential"role"of"procalcitonin"and"ferritin"marker"in"diagnosis，"prognosis"and"treatment[J]."J"Family"Med"Prim"Care，"2022，"11（6）："2608–2612.

[27] LIANGnbsp;P，"YU"F."Value"of"CRP，"PCT，"and"NLR"in"prediction"of"severity"and"prognosis"of"patients"with"bloodstream"infections"and"sepsis[J]."Front"Surg，"2022，"9："857218.

[28] GABAY"C，"KUSHNER"I."Acute-phase"proteins"and"other"systemic"responses"to"inflammation[J]."N"Engl"J"Med，"1999，"340（6）："448–454.

[29] 谭睿，"杨鹏磊，"王晶，"等."载脂蛋白A-I联合血清淀粉样蛋白A判断脓毒症及脓毒症休克患者的病情及预后价值[J]."中华急诊医学杂志，"2024，"33（5）："643–650.

[30] 陈琛，"苏华."白细胞介素-10与严重脓毒症患者疾病预后的关系[J]."武汉大学学报（医学版），"2018，"39（3）："485–488，"492.

[31] TAMAYO"E，"FERNÁNDEZ"A，"ALMANSA"R，"et"al."Pro-"and"anti-inflammatory"responses"are"regulated"simultaneously"from"the"first"moments"of"septic"shock[J]."Eur"Cytokine"Netw，"2011，"22（2）："82–87.

[32] 樊柳汝，"李金兰，"李筱妍."脓毒症生物标志物研究进展[J]."中国急救医学，"2022，"42（7）："620–624.

[33] 林芳崇，"符超，"李芬."白细胞介素37表达水平与脓毒症患者免疫功能及临床预后关系[J]."创伤与急危重病医学，"2023，"11（6）："376–381.

[34] 曾茁，"彭毅志，"袁志强."脓毒症生物标志物的研究进展[J]."中华烧伤与创面修复杂志，"2023，"39（7）："679–684.

[35] 陆骏灏."比较sCD14-ST和PCT、CRP对脓毒症的诊断和预后评估有效性[J]."系统医学，"2018，"3（24）："57–59.

[36] LIU"B，"CHEN"Y"X，"YIN"Q，"et"al."Diagnostic"value"and"prognostic"evaluation"of"presepsin"for"sepsis"in"an"emergency"department[J]."Crit"Care，"2013，"17（5）："R244.

[37] DELAHANTY"R"J，"ALVAREZ"J，"FLYNN"L"M，"et"al."Development"and"evaluation"of"a"machine"learning"model"for"the"early"identification"of"patients"at"risk"for"sepsis[J]."Ann"Emerg"Med，"2019，"73（4）："334–344.

[38] ISLAM"M"M，"NASRIN"T，"WALTHER"B"A，"et"al."Prediction"of"sepsis"patients"using"machine"learning"approach："A"Meta-analysis[J]."Comput"Methods"Programs"Biomed，"2019，"170："1–9.

[39] NEMATI"S，"HOLDER"A，"RAZMI"F，"et"al."An"interpretable"machine"learning"model"for"accurate"prediction"of"sepsis"in"the"ICU[J]."Crit"Care"Med，"2018，"46（4）："547 553.

[40] MAO"Q，"JAY"M，"HOFFMAN"J"L，"et"al."Multicentre"validation"of"a"sepsis"prediction"algorithm"using"only"vital"sign"data"in"the"emergency"department，"general"ward"and"ICU[J]."BMJ"Open，"2018，"8（1）："e017833.

[41] YANG"J，"HAO"S，"HUANG"J，"et"al."The"application"of"artificial"intelligence"in"the"management"of"sepsis[J]."Med"Rev，"2023，"3（5）："369–380.

[42] HONEYFORD"K，"COOKE"G"S，"KINDERLERER"A，"et"al."Evaluating"a"digital"sepsis"alert"in"a"London"multisite"hospital"network："A"natural"experiment"using"electronic"health"record"data[J]."J"Am"Med"Inform"Assoc，"2020，"27（2）："274–283.

[43] BURDICK"H，"PINO"E，"GABEL-COMEAU"D，"et"al."Effect"of"a"sepsis"prediction"algorithm"on"patient"mortality，"length"of"stay"and"readmission："A"prospective"multicentre"clinical"outcomes"evaluation"of"real-world"patient"data"from"US"hospitals[J]."BMJ"Health"Care"Inform，"2020，"27（1）："e100109.

[44] GUPTA"A，"LIU"T，"SHEPHERD"S."Clinical"decision"support"system"to"assess"the"risk"of"sepsis"using"tree"augmented"Bayesian"networks"and"electronic"medical"record"data[J]."Health"Informatics"J，"2020，"26（2）："841–861.

[45] GARCÍA-GALLO"J"E，"FONSECA-RUIZ"N"J，nbsp;CELI"L"A，"et"al."A"machine"learning-based"model"for"1-year"mortality"prediction"in"patients"admitted"to"an"intensive"care"unit"with"a"diagnosis"of"sepsis[J]."Med"Intensiva"（Engl"Ed），"2020，"44（3）："160 170.

（收稿日期：2024–08–08）

（修回日期：2024–10–09）