Development of a predictive model for sepsis‑induced immunosuppression using neural networks

技术摘要：利用神经网络开发脓毒症诱导型免疫抑制的预测模型

问题陈述
脓毒症的特征是对感染引起的宿主反应失调，导致超敏反应（hyperimmunity）与低敏反应（hypoimmunity）的双重状态。当低敏状态占据主导时，会导致脓毒症诱导的免疫抑制，这种状态与继发感染、多器官功能障碍及死亡率增加密切相关。虽然临床界已认识到免疫稳态的重要性，但准确预测免疫抑制的发生仍处于探索阶段。目前的指标（如单核细胞 HLA-DR, mHLA-DR）对于大规模数据库分析而言往往过于复杂或昂贵。相比之下，淋巴细胞计数更为易于获取，但在现有文献中缺乏明确定义的监测阈值。本研究旨在解决早期、准确预测脓毒症患者免疫抑制的需求，以促进精准治疗和动态预后评估。

研究方法
本研究采用回顾性队列设计，使用来自 MIMIC-IV 数据库的数据。

• 数据来源与队列： 分析纳入了 6,954 名因 Sepsis-3.0 诊断首次入住 ICU 的成年患者（≥18 岁）。
• 结局定义： 免疫抑制被定义为淋巴细胞计数 < 1.0 × 10⁹/L。
• 预测变量： 研究收集了 14 个变量，包括人口统计学数据（年龄、性别、种族）、临床指标（BMI、SOFA 评分、Charlson 共病指数、最大乳酸值）以及治疗因素（急诊入院、血管活性药物使用/持续时间、机械通气/持续时间、皮质类固醇使用、真菌感染及恶性肿瘤史）。
• 数据处理： 缺失数据通过多重插补进行处理（特别针对缺失率为 22.16% 的乳酸数据）。由于 BMI 变量缺失率高达 51.13%，故将其排除。数据被分为训练集（80%）和验证集（20%）。
• 建模方法： 构建并比较了三种机器学习算法：
  1. 多层感知器 (MLP)： 一种神经网络方法。
  2. 逻辑回归 (LR)： 一种传统的统计基准模型。
  3. XGBoost： 一种梯度提升决策树模型。
• 评估指标： 使用曲线下面积 (AUC)、精确率 (Precision)、召回率 (Recall)、F1 分数、校准曲线（Hosmer-Lemeshow 检验）以及决策曲线分析 (DCA) 来评估模型性能。

关键结果

• 队列特征： 该队列中免疫抑制的发生率为 28.5%（6,954 名患者中的 1,983 名）。
• 单变量分析： 发现免疫抑制与年龄、性别、急诊入院、SOFA 评分、Charlson 共病指数、真菌感染、血管活性药物使用、血管活性药物总持续时间、机械通气及乳酸水平具有显著相关性。
• 多变量分析： 最终的逻辑回归模型确定了八个独立预测因子：年龄、急诊入院、Charlson 共病指数、真菌感染、血管活性药物使用、血管活性药物总持续时间、机械通气及乳酸水平。值得注意的是，性别、SOFA 评分、恶性肿瘤及机械通气持续时间在多变量逻辑回归模型中并不具有统计学显著性，尽管它们在机器学习语境下仍然具有相关性。
• 模型性能：
  • MLP 模型： 表现最优，AUC 为 0.82，精确率为 0.7208，召回率为 0.8441，F1 分数为 0.7776。
  • XGBoost 模型： 表现较差，AUC 为 0.602，召回率为 0.113，F1 分数为 0.177。
  • 逻辑回归： 表现中等，AUC 为 0.686。
• 特征重要性： 在 MLP 模型中，预测免疫抑制最显著的因素按顺序依次为：急诊入院、SOFA 评分、年龄、最大乳酸值、机械通气持续时间、血管活性药物总持续时间、Charlson 共病指数、性别、恶性肿瘤、种族、皮质类固醇使用及真菌感染。

意义与主张
作者声称所开发的 MLP 模型可作为早期识别脓毒症诱导型免疫抑制风险的可靠工具。研究认为，该模型整合多种临床变量的能力有助于实现：

1. 早期干预： 识别高风险患者，从而实现及时调整治疗方案，例如使用免疫增强剂（如胸腺肽、粒细胞集落刺激因子）。
2. 精准医学： 促进个体化治疗计划，例如避免过度使用免疫抑制剂或优化激素停用时机。
3. 资源优化： 通过改善患者预后评估，更好地分配重症监护资源。

文章结论指出，尽管该模型显示出潜在的临床价值，但在广泛临床应用前，仍需通过多中心和大规模数据集的进一步验证，以提高其准确性和普适性。作者承认了回顾性研究固有的局限性，包括选择偏倚以及因数据缺失而排除 BMI 等变量，并指出因果关系仍需进一步验证。