人工智能算法在脓毒症早期筛选诊断、治疗及预后预测中的应用进展

舒欣1 李雨捷1 张炬2 易斌1

1陆军军医大学第一附属医院麻醉科，重庆 400038；2中国科学院重庆绿色智能研究院，重庆 400714

国际麻醉学与复苏杂志,2022,43(12):1327-1331.

DOI：10.3760/cma.j.cn321761-20210204‑00705

基金项目 

国家重点研发计划（2018YFC0116702）；

重庆市技术创新与应用研究发展专项（cstc2019jscx‑msxmX0237）

REVIEW ARTICLES

【综述】

脓毒症是宿主对感染反应失调所致的危及生命的器官功能障碍，病死率为30%~50%，存活的患者中有超过20%存在认知功能障碍。早期筛选诊断、及时治疗是改善脓毒症预后、降低病死率的关键。然而脓毒症是一个无法用“金标准”确诊的症候群，其临床症状和实验室检查缺乏特异性；近年来许多生物标记物可用于排除或确诊脓毒症，但准确性与敏感性差，临床应用效果欠佳。因此，亟待采用新技术实现脓毒症的早期筛选诊断及预后预测。

人工智能（artificial intelligence, AI）旨在研究人类智能的本质，进而模拟延伸和拓展人类的智能，其主要涉及语言和图像识别、自然语言处理、机器人以及专家系统等，其算法又称为机器学习（machine learning, ML）。AI及ML通过分析大量医疗数据，建立模型，辅助临床医师进行准确决策，进而达到改善患者预后、节约医疗资源的目的。在脓毒症领域，AI主要应用于早期预测与诊断、预后预测以及优化治疗管理。

1 AI在脓毒症的应用     

1.1　在早期筛选诊断中的应用

脓毒症进展到晚期后难以有效治疗，早期筛选诊断是改善患者预后、逆转病程的关键，因此利用新技术早期筛选诊断脓毒症有重要临床意义。Nemati等纳入27 527例ICU患者，根据时序监护数据，基于ML构建了人工智能脓毒症专家（Artificial Intelligence Sepsis Expert, AISE）来预测脓毒症，同时另纳入42 411例ICU患者对该模型进一步验证，结果显示AISE可提前4~12 h预测脓毒症的发生。Hasegawa等为预测脓毒症患者凝血障碍的发生纳入1 017例患者，采用随机森林（random forest，RF）、支持向量机（support vector machine, SVM）以及人工神经网络（artificial neural network, ANN）等算法构建模型，其预测准确率为59.8%~67.0%。van Wyk等纳入1 161例患者，构建了基于时序生理数据的AI模型，能够提前5 h预测脓毒症。上述研究表明，ML可用于脓毒症的早期预测和筛选诊断，但仍需要改进算法或采用深度学习（deep learning, DL）算法提升其敏感性和准确性。

Kaji等纳入36 176例患者，利用DL算法预测了当日与次日脓毒症的发生，其受试者工作特征曲线下面积（area under the curve, AUC）分别为0.952和0.876。Henry等纳入13 014例ICU患者，根据常规采集的生理与检验数据设置风险系数，对算法进行改进，创建实时“TREWScore”模型来预测脓毒症的发生，其AUC为0.83，敏感度达到了85%。Desautels等纳入22 853例ICU患者，仅采用基本生命体征（SpO2、心率、呼吸频率、体温、SBP和DBP）和年龄对ML进行改进与创新，构建了“InSight”模型来预测ICU人群中脓毒症的发生，其AUC亦达到了0.880。此外，Mao等纳入684 443例ICU患者，验证了“InSight”模型，结果显示其可提前4 h预测脓毒症与脓毒性休克的发生，AUC分别为0.924和0.960。Kam和Kim则采用DL算法，依照“InSight”模型，进一步构建了一个预测脓毒症的模型，其AUC达到了0.929。Yuan等纳入1 588例ICU患者，构建了AI模型，利用电子病历（electronic medical record, EMR）中的实时数据，能够对脓毒症进行及时诊断（AUC为0.890），优于传统的序贯器官衰竭（Sequential Organ Failure Assessment, SOFA）评分（AUC=0.596）。

此外，采用ML改进全身炎症反应综合征（systemic inflammatory response syndrome, SIRS）诊断标准、SOFA评分、快速序贯器官衰竭（quick Sequential Organ Failure Assessment, qSOFA）评分、改良早期预警评分（Modified Early Warning Score, MEWS）等筛查技术，亦可显著提升效果。Delahanty等纳入22个月49个城市社区医院急诊科共2 759 529例成年患者的电子病历资料，使用梯度提升（gradient boosting）的方法构建了“脓毒症风险评分（Risk of Sepsis score, ROS）”，入院后第1小时其AUC达到0.930，24 h后升高至0.970。Barton等纳入112 952例入院时无脓毒症的成年患者，仅根据基本生命体征，采用极端梯度提升（eXtreme Gradient Boosting, XGBoost）的方法，就能提前48 h预测脓毒症，其AUC为0.830，且均优于SIRS（AUC=0.660）、MEWS（AUC=0.610）、SOFA（AUC=0.720）和qSOFA（AUC=0.600）。

尽管目前许多研究看似取得了较好的成果，但其几乎都仅依赖于标准临床数据或生物标记物。Taneja等纳入EMR数据和生物标志物（如IL‑6、降钙素原等），构建了两个SVM模型，其中基于生物标志物和EMR数据的脓毒症预测模型AUC为0.810，而仅使用EMR数据的预测模型AUC只有0.750。由此可见，开发更多数据用以构建AI模型可能有益于提高预测能力。其次，ICU患者有大量可供AI分析的参数，因此目前的脓毒症预测模型主要基于ICU患者，应用于其他人群的甚少。Giannini等纳入162 212例非ICU患者，构建AI模型来预测严重脓毒症及脓毒性休克，并纳入10 448例患者进行验证，其特异性为98%，但敏感度仅26%。因此，AI预测模型在非ICU人群中的应用仍面临着巨大的挑战。此外，脓毒症是一种复杂的综合征，不同患者脓毒症的发生可能基于不同的病理生理机制并可能表现出不同的临床特征。而目前的预测模型没有考虑异质性，没有纳入有临床意义的亚群进行分析。因此，还需要更多的多中心研究来探索脓毒症患者的病因学和生理变化以提高预测能力。

1.2　在治疗管理中的应用

目前脓毒症的治疗管理主要包括：早期诊断、增强筛查力度、源头控制、液体复苏和及时、合理应用抗生素。如何合理应用抗生素及各种药物的剂量一直是脓毒症治疗的难点和敏感问题。在脓毒症治疗领域，主要创建了预测抗生素耐药性、选择经验疗法和预测不同治疗反应的AI模型。Komorowski等纳入美国5个三级教学医院ICU 17 083例脓毒症患者，使用强化学习的方法，创建了“AI临床医师”，该决策系统可为患者个性化选用最佳的液体入量和血管加压药剂量。此外，该研究还纳入了128个ICU的79 073例患者验证该模型，结果显示，接受与“AI临床医师”建议剂量相似患者的病死率更低。Merouani等的小样本随机对照试验使用模糊逻辑的方法构建AI模型来提高血管加压药的戒断率，与临床医师组相比，AI组的脓毒性休克持续时间更短，血管加压药总用量更低。Rawson等建立了基于案例推理的AI模型，相比临床医师，其选用的抗生素更合适，抗菌谱更窄。Lal等纳入29例患者，选用145个便于观察的指标，基于贝叶斯网络创建了脓毒症患者的数字孪生模型，用于模拟重要器官系统的治疗效果，其观察结果与预期结果达到了较高的一致性（Kappa系数0.41~0.65）。Turner等的研究发现，贝叶斯网络推荐的给药方式有助于使万古霉素达到最佳的药动学/药效学疗效目标，使之用药更安全、有效。

以上研究表明，与临床医师相比，在脓毒症治疗领域利用AI技术对患者进行个体化管理，似乎更加精准、有效。然而脓毒症患者是高度异质的，治疗管理还需要深刻把握患者的体格、病史以及病理生理。因此选择最合适的治疗策略仍然少不了医师的临床判断，两者结合可能会明显改善患者预后。

1.3　对脓毒症预后的预测

预测脓毒症病情改变的趋势，评估其最可能的预后方向，可为临床选择治疗方式及强度提供有力的指导。然而影响脓毒症病情变化和转归的因素是多种多样的，临床医师依赖于单一静态指标或相关的危重病评分方法来预判脓毒症预后的方法都是复杂且缺乏精确性的。而AI模型预测脓毒症预后简便、快捷，其准确性甚至高于目前临床常用的急性生理学和慢性健康状况评价Ⅱ（Acute Physiology and Chronic Health Evaluation, APACHEⅡ）：Sadaka等发现APACHEⅡ预测病死率的AUC为0.830；Taylor等使用RF，基于本地大数据构建的病死率预测模型AUC为0.863；García‑Gallo等则纳入5 650例脓毒症患者，采用随机梯度推进方法，根据患者入院后24 h的临床资料建立了AI模型，其AUC为0.804；Meiring等构建AI模型预测ICU中脓毒症患者随时间变化的病死率，AUC达到了0.895；Aushev等构建的贝叶斯网络模型，AUC为0.845。以上研究表明，AI对脓毒症预后的预测较为精准，且优于目前的临床决策系统和传统分析技术。

将研究创新进展成功转化为临床实践始终是困难的。Shimabukuro等的一项随机对照试验结果显示，与标准临床管理相比，在ICU患者中使用“InSight”模型检测脓毒症患者，其病死率降低，住院时间缩短。但该小型试验只是极少数证明AI应用有效的一员，其可行性仍需进一步评估，仍然需要大规模临床试验来检验其临床应用价值。

2 需要解决的关键问题     

2.1　数据与人才问题

数据质量对于AI在计算和学习能力的提升上具有至关重要的作用，是机器能否准确、高效学习的关键。然而目前已经开发的数据仍未实现国家统一的标准化和规范化，如病历、影像、检验报告里的非结构化数据如何转化成机器可以识别的结构化数据，临床医师标准不一，构建的模型不具备广泛适用性。此外，目前缺乏同时精通生物医学知识和各种算法构建的人才。

2.2　伦理问题

虽然目前研究显示AI的诊疗速度高于临床医师，诊疗准确性亦达到甚至高于临床主治医师的水平，但面临同一问题而临床医师与AI的决策不一样时，该怎么选择？AI如果出现差错，责任如何判定？归咎于选择相信它的临床医师还是模型开发技术人员？AI医疗是目前仅适用于相对小众群体的先进医疗手段，涉及到患者公平受益问题。此外，AI模型的建立依赖于海量数据的训练、验证，数据一旦被泄露，将直接影响患者个人隐私。

3 展望     

目前AI在医学上的应用前景广阔，在脓毒症领域也已取得了较佳的临床运用效果。AI模型早期筛选诊断脓毒症的AUC可达到0.598~0.952，预测脓毒症预后的AUC达到0.804~0.895，甚至超过了基准筛查工具。此外，基于AI技术的脓毒症治疗管理策略似乎更加精准、有效。

随着对脓毒症发病机制研究的逐渐深入，从遗传、表观遗传及蛋白质水平等各个层面进行探索，结合AI算法对海量数据进行整合，构建新的诊断工具与治疗策略，是未来脓毒症诊疗的新方向。如果我们构建足够多的AI模型，并不断进行验证、改进，与以数据密集型、知识密集型和脑力劳动密集型为特征的医疗产业深度结合，同时不断完善相关的法律法规，那么AI应用于脓毒症领域将指日可待。临床医师可携手AI系统为患者提供最佳的治疗决策。