📄 医学

Coagulation Trajectory Subphenotypes Identify High-Risk Sepsis Patients Missed by the Sepsis-Induced Coagulopathy Score: A Retrospective Cohort Study with External Validation

这项回顾性队列研究表明，通过分析常规凝血指标的 72 小时轨迹，可以识别出一种高死亡率的脓毒症亚型，而静态的脓毒症诱导的凝血病 (SIC) 评分在超过 80% 的病例中未能识别出该亚型，这一发现已在外部数据集中得到验证。

原作者： Xueshu Yu, Wen Xu, Yincai Ye, Luwei Xu, Jingye Pan

发布于 2026-10-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Xueshu Yu, Wen Xu, Yincai Ye, Luwei Xu, Jingye Pan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

脓毒症是对感染的一种危及生命的反应，即人体自身的防御机制转而攻击自身器官的一种状况。在随之而来的器官衰竭级联反应中，血液的凝血系统扮演了核心且危险的角色。通常情况下，凝血能止血，但在脓毒症中，这一系统可能会失控，产生微小的血栓以阻塞血流，同时消耗掉体内的凝血因子，使患者处于出血风险之中。长期以来，医生一直依赖一种被称为“脓毒症诱导的凝血功能障碍评分”的特定评分系统，来识别那些血液处于这种危险状态的患者。该评分就像是一张快照，在患者进入重症监护室时，通过对血小板和凝血时间的单次测量，来决定患者是否面临风险。其逻辑在于：如果当时的数值看起来很糟糕，患者就需要关注；如果数值看起来正常，患者则可能安全。

然而，一项新研究表明，仅仅依靠这一个时刻的信息可能会遗漏故事的关键部分。正如照片无法捕捉汽车的速度或转向方向一样，单次的血液检查也无法显示患者的情况是在趋于稳定还是在迅速恶化。研究人员想知道，观察住院前三天内血液凝血指标的变化，是否能发现一群在第一眼看上去似乎安全的高风险患者。通过追踪这些数字的移动轨迹而非仅仅关注它们的起点，研究团队希望找到一种现有工具所忽视的隐藏危险模式。

为了进行这项调查，研究小组分析了数千名在重症监护室至少停留了三天的成年脓毒症患者的数据。他们专注于医院中已经作为标准配置的常规血液检查：有助于血液凝固的血小板计数，以及两种衡量血液凝固所需时间的指标。该团队并没有仅在患者入院时查看这些数字，而是绘制了前七十二小时内每八小时一次的数值变化图。他们使用了一种计算机方法，根据患者数值随时间变化的曲线形状进行分组，寻找数值上升或下降过程中是否存在明显的模式。这种方法使他们能够看到患者血液凝血系统随着时间推移而展开的故事，而不仅仅是一个画面。

分析揭示了三类截然不同的患者群体。规模最大的群体被研究人员称为“低风险组”，该组患者的血液凝血指标相对稳定，死亡率较低。第二组是“中等风险组”，其表现出轻微变化，但死亡率与第一组非常接近。第三组被标记为“高风险组”，讲述了另一个故事。这些患者在进入医院时并不一定拥有最差的指标，但他们的血液凝血指标在最初三天呈现出持续升高的模式。他们的血液凝固时间变长，且这种情况并未改善。这一组面临着显著更高的死亡风险，其中近百分之二十八的患者在住院期间死亡，而低风险组的死亡率为百分之十六。

最令人震惊的发现是，标准的筛查工具完全未能捕捉到大多数这类高风险患者。研究人员发现，“高风险组”中百分之八十二的患者并未达到标准脓毒症凝血评分的触发标准。根据现有的规则，由于这些患者最初的血液测试结果还不够糟糕，不足以触发警报，因此被视为低风险。然而，他们的死亡率几乎是那些被正确识别为安全的低风险患者的两倍。事实上，标准评分仅将约百分之七的患者标记为高风险，错过了绝大多数血液凝血系统正在悄然衰竭的患者。

为了确保这并非单一医院数据的偶然现象，研究人员在包含来自全美两百多家医院患者的独立数据库上测试了他们的发现。结果依然成立。即便是在这个多元化的群体中，那些血液凝血指标在三天内保持高位的患者仍面临着更高的死亡风险，且标准评分继续漏掉他们。这证实了问题不在于特定的数据集，而在于仅观察单一时刻的方法。研究表明，血液检查的变化方向携带了单次快照无法捕捉的重要信息。

研究人员还观察了使用血液稀释剂（一种常见的干预措施）是否会对这些患者产生影响。他们发现，在接受肝素（一种抗凝药物）治疗的高风险组患者中，其生存率似乎比未接受治疗的患者更高。然而，研究人员谨慎地指出，这是基于既往数据的观察，而非来自受控实验的证实结果。这种治疗与结果之间的联系在高风险组中非常显著，而在其他组中则不然，这表明这类特定的患者可能是最能从该疗法中获益的人群，尽管这一点仍需在未来的临床试验中得到证实。

这项工作并不是要提出一种新的机器或一种新的检测手段。所使用的血液检查已属于常规护理的一部分，数据也已经在收集之中。改变在于医生如何解读这些数据。研究认为，目前仅检查一次患者血液凝血状态并随后不再关注的做法，不足以识别出所有的风险人群。通过关注前三天内这些指标的变化趋势，临床医生可以识别出一大群目前正处于监管盲区的患者。研究人员总结道，未来的脓毒症指南应将血液指标的变化方向和速度纳入考量，将静态的清单转变为一个反映疾病进展现实的动态过程。

技术摘要：脓毒症中的凝血轨迹亚型

问题陈述
目前的脓毒症相关凝血功能评估工具（如脓毒症诱导的凝血功能障碍 [SIC] 评分）依赖于静态的、单时间点的实验室评估（例如入院时的血小板计数、INR 和 SOFA 子评分）。作者认为，这些“快照式”评估无法捕捉脓毒症发生后最初几天内凝血谱的动态演变。因此，那些凝血状态正在恶化（例如 INR 上升或血小板下降）的患者，如果其入院时的基线值尚未达到阈值，可能会被误分类为低风险。虽然机器学习模型已被开发用于预测 SIC 状态或死亡率，但它们通常将 SIC 分数视为“地面真值”（ground truth）标签，而非研究 SIC 这一概念本身是否系统性地遗漏了由连续测量定义的具有高风险特征的亚群。

方法论
本回顾性队列研究利用了两个大型去标识化的重症监护数据库：MIMIC-IV（衍生队列，2008–2022）和 eICU-CRD（外部验证，2014–2015）。

人群： 符合 Sepsis-3 标准且首次 ICU 入住时间至少 72 小时的成年人（≥18 岁）。排除肝脏疾病、转移性癌症、创伤性脑损伤或主要入院出血患者，以隔离脓毒症驱动的凝血功能障碍。
数据提取： 提取 ICU 入住前 72 小时内的常规凝血指标（血小板计数、INR、PTT）。时间轴被划分为九个 8 小时的窗口。在每个窗口内，记录血小板最低值（nadir）以及 INR/PTT 的峰值，从而为每位患者生成 27 个特征。
聚类： 应用具有对角协方差的高斯混合模型（GMM）对这 27 个特征进行处理，以识别无监督的轨迹亚型。通过贝叶斯信息准则（BIC）和临床可解释性确定最佳聚类数 ( $k$ )，最终得到了一个 3 类聚类方案。
验证： 对 eICU-CRD 队列进行了独立的 GMM 重新拟合（而非直接的模型迁移），以应对不同数据库之间实验室数据密度和时间差异的问题。
比较分析： 研究将 GMM 衍生的亚型与标准 SIC 分数（定义为总分 ≥4 且血小板加 INR 子总分 >2）进行了比较。结局指标包括医院死亡率，并对 SOFA 评分和年龄进行了调整。
治疗效应分析： 采用了目标试验模拟（target trial emulation）方法，通过逆概率加权和因果森林分析，探讨了 72 小时内使用肝素的使用情况与各亚型间 28 天死亡率之间的关联。

关键结果

亚型识别： GMM 识别出了三种具有可重复性的亚型：低风险型（ $n=1,814$ $n = 1, 814$ ）、中风险型（ $n=633$ $n = 633$ ）和高风险型（ $n=691$ $n = 691$ ）。
- 死亡率梯度： 医院死亡率分别为：低风险型 16.2%、中风险型 17.7%、高风险型 27.8%（ $p < 0.001$ ）。高风险组的特征是持续升高的 INR 和 PTT 比值，而血小板轨迹在各组间高度重叠。
- 独立于静态评分： 在调整 SOFA 评分后，高风险组的死亡风险显著高于低风险组（HR 1.62, 95% CI 1.35–1.96）。
“SIC 盲点”： 研究发现，SIC 评分未能识别出轨迹分析所识别出的多数高风险患者。
- 在高死亡率 GMM 组中，81.9% 的患者（566/691）被分类为入院时 SIC 阴性。
- 尽管这些患者被归为 SIC 阴性，但其死亡率为 26.3%，是 SIC 阴性低风险组（15.8%）的 1.7 倍。
- 在所有 SIC 阴性患者中，依然存在显著的死亡率梯度（15.8% 至 26.3%, $p < 0.001$ ）。
外部验证： 在 eICU-CRD（ $n=12,828$ ）中的独立重新拟合结果重现了死亡率梯度（低风险 15.6%，中风险 21.5%，高风险 24.7%）以及 SIC 盲点（高风险组中 86.3% 的患者为 SIC 阴性）。
预测性能： 将轨迹聚类加入包含 SOFA 和年龄的模型后，AUC 仅有轻微提升（从 0.645 提升至 0.656）。采用 GMM 方法（将中风险和高风险归为阳性）具有更高的敏感度（50.9%），相比之下，SIC 分数的敏感度为 11.2%，但其特异度较低。
肝素关联： 在高风险亚型中，72 小时内使用肝素与 28 天死亡率降低相关（调整后 HR 0.67）。然而，治疗与亚型之间的形式交互作用检验在统计学上并不显著（ $p=0.49$ ），这表明该发现是一个效应梯度，而非确凿的差异性获益证据。

意义与主张
作者声称，这项工作的核心贡献在于识别出了一个可重复的高死亡率亚型，该亚型被 SIC 分数等静态筛查工具系统性地遗漏。

临床意义： 研究表明，ICU 流水表中已常规收集的连续凝血测量值应被视为一个动态过程，而非静态快照。具体而言，变化的趋势（例如持续升高的 INR/PTT）携带了仅凭入院值无法观察到的预后信息。
现有工具的局限性： 本文指出，SIC 分数对于那些风险通过连续测量轨迹而非基线值显现出来的患者存在结构性盲点。
未来方向： 作者提出，轨迹定义的亚群可以作为未来脓毒症抗凝治疗前瞻性试验的富集层。他们明确表示，研究结果值得通过前瞻性评估来确定，将“变化方向”纳入凝血功能筛查是否能改善患者预后。
谦逊态度： 作者承认区分度提升（ $\Delta\text{AUC}$ ）较为轻微，且 GMM 目前尚未产生一种简单的、可部署于床边的规则。他们强调，中风险组在死亡率方面与低风险组在统计学上无法区分，因此临床上具有行动意义的划分实际上是“高风险 vs 非高风险”。他们同时指出，关于肝素的发现是观察性的且仅具假设生成性质，而非因果性的。

技术摘要：脓毒症中的凝血轨迹亚型

类似论文