Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

技术摘要：脓毒症诱导的凝血功能障碍的动态轨迹及其基于机器学习的早期预测

问题陈述

脓毒症诱导的凝血功能障碍（SIC）是一个涉及炎症、内皮损伤和纤维蛋白溶解受损的动态过程，但目前仍使用静态的、单时间点的测量方法（SIC 评分）进行评估。这种方法无法捕捉危重症期间凝血功能和器官功能快速演变的特征。具有相似基线 SIC 评分的患者可能会出现截然不同的临床路径——快速改善、持续异常或逐渐缓解——而仅凭横断面数据无法区分这些路径。本研究旨在解决识别可重复的纵向 SIC 评分轨迹的需求，并确定其在异质性重症监护人群中的预后相关性。

方法学

这项多中心回顾性队列研究使用了四个不同的重症监护数据库：

• 开发队列： MIMIC-IV（6,416 名患者）。
• 验证队列： MIMIC-III CareVue（1,157 名患者）、eICU-CRD（2,077 名患者）以及 NWICU（641 名患者）。

数据处理与建模：

1. 队列选择： 入组标准为年龄 ≥18 岁、ICU 住院时间 >24 小时、符合 Sepsis-3 标准且诊断为 SIC（在脓毒症诊断后 24 小时内 SIC 评分 ≥4）的成年人。患者在 ICU 入院后的前 7 天内需至少有三次可计算的 SIC 评分。
2. 轨迹建模： 应用基于群组的轨迹模型（GBTM）对入院前 7 天内每 6 小时计算一次的连续 SIC 评分进行分析。通过评估 1–6 个潜在类别的二次模型，并使用贝叶斯信息准则（BIC）、熵（entropy）、平均后验概率（AvePP）和正确分类比率（OCC）进行筛选。
3. 统计分析：
   • 生存分析： 使用多变量 Cox 比例风险模型评估与 28 天全因死亡率的关联（已针对人口统计学、合并症、生命体征和实验室检查进行调整）。
   • 偏倚缓解： 分析包括用于处理缺失数据的多重插补、用于平衡协变量的校准逆概率加权（IPTW），以及为解决不朽时间偏倚（immortal-time bias）而进行的第 7 天地标分析（将分析限制在第 7 天仍存活的患者中）。
   • 亚组分析： 在各层级（如年龄、SOFA 评分、合并症）中测试交互项，并进行错误发现率（FDR）校正。
4. 机器学习（ML）预测： 开发了一个嵌套式机器学习流水线，利用在最初 24 小时内可获得的基线变量来预测“持续高水平”（Persistently High）轨迹表型。
   • 特征选择： 在 10 折嵌套交叉验证框架内使用 Boruta 和 LASSO 方法。
   • 算法： 对比了 Elastic net、随机森林（random forest）、XGBoost、SVM 和 k-最近邻（k-nearest neighbors）。
   • 验证： 最终模型（XGBoost）经过了时间验证（MIMIC-IV 2020–2022）和外部验证（MIMIC-III、eICU、NWICU）。通过 AUROC、AUPRC、校准曲线、决策曲线分析以及 SHAP（Shapley Additive Explanations）评估性能。

关键结果

1. 识别出三种轨迹：
GBTM 在所有四个数据库中均识别出了三种截然不同且可重复的 SIC 评分轨迹：

• 低水平-快速下降型 (Low-Rapid Decline) (19.25%)： 起始中位 SIC 为 4.0，迅速下降并趋于稳定。
• 持续高水平型 (Persistently High) (32.00%)： 起始中位 SIC 为 6.0，保持在高水平且改善极小。
• 中等-下降型 (Moderate-Decline) (48.75%)： 起始中位 SIC 为 5.0，逐渐下降。
  三类别模型表现出高质量的分类质量（熵 = 0.947；AvePP > 0.97）。

2. 预后关联：

• 死亡风险： 在所有队列中，“持续高水平”轨迹始终与最高的 28 天死亡风险相关。在完全调整的模型中，Class 2 相对于 Class 1 的风险比（HR）在 eICU 中为 2.45，在 NWICU 中为 3.93。
• 稳健性： 这些关联在经过 IPTW 校准和第 7 天地标分析后依然显著（例如，MIMIC-IV 中 Class 2 的 HR 为 3.09）。
• 增量价值： 将轨迹类别加入基线 SOFA 评分可适度提高对 28 天死亡率的判别能力（例如，MIMIC-IV 中的 ΔAUC = 0.028），而仅加入单个基线 SIC 评分提供的改进微乎其微。

3. 机器学习性能：

• 预测因子： XGBoost 模型识别出 10 个基线变量，其中基线 SOFA 评分和 SIC 血小板组成部分是最重要的预测因子。
• 判别力： 该模型在时间验证和外部验证队列中的 AUROC 介于 0.830 和 0.862 之间。
• 校准与效用： 模型显示出可接受的校准度（Brier 分数 0.141–0.154），并在决策曲线分析中在临床相关阈值下表现出正向净获益。SHAP 分析证实了跨队列的一致特征重要性排序。

意义与主张

本文主张，在 ICU 入院第一周内的纵向 SIC 测量揭示了静态评估所忽略的可重复预后亚型。具体而言：

• 预后亚型： “持续高水平”轨迹识别出一组具有持续过度死亡风险的特定患者群体，而“低水平-快速下降”型则标志着良好的病程。
• 时间维度： 轨迹信息为标准的严重程度评估（SOFA）增加了适度但有意义的时间维度，能够区分凝血功能障碍得到缓解与持续异常的患者。
• 早期预测： 研究表明，通过机器学习利用常规临床数据，可以在 24 小时内早期预测“持续高水平”表型，并具有跨不同机构和时期的广泛泛化性。

局限性与注意事项：
作者明确指出，这些是观察性研究结果，并不建立因果关系或定义特定的治疗方案。该研究并不声称轨迹信息驱动的干预措施能改善预后；相反，它提议将这些轨迹作为未来前瞻性验证的目标。作者警告称，回顾性设计可能存在残余混杂因素，且纳入标准（要求多次 SIC 评分）可能会引入倾向于较长 ICU 住院时间的选择性偏倚。在临床实施之前，这些发现需要经过前瞻性验证。