脓毒症相关性脑病院内死亡风险预测模型的构建与验证

牛昆仑 陈福进 赵晶晶 王菁 徐跃文 姚莉

[摘要] 目的 建立膿毒症相关性脑病（sepsis-associated encephalopathy，SAE）患者的死亡风险预测模型并进行验证。方法 提取2008—2019年重症医学信息数据库（Medical Information Mart for Intensive Care-Ⅳ，MIMIC-Ⅳ）中2767例SAE患者的临床数据作为训练集，构建死亡风险预测模型，并对其预测准确性及拟合优度进行评价。回顾性收集2018年6月至2021年6月合肥市第二人民医院重症医学科的134例SAE患者临床数据纳入验证集，代入预测模型进行外部验证。结果 多因素Logistic回归分析显示，年龄、使用血管活性药物、格拉斯哥昏迷评分、国际标准化比值、动脉血氧分压、血乳酸、血尿素氮、白蛋白是SAE患者院内死亡的独立影响因素（P<0.05）。使用影响因素构建预测模型，受试者操作特征（receiver operator characteristic，ROC）曲线下面积为0.765，95%置信区间为74.45%～78.53%，Hosmer-Lemeshow检验显示预测模型的拟合优度良好（χ2=13.090，P=0.109）。将预测模型代入验证集，敏感度为80.00%，特异性为61.60%，准确性为76.87%，ROC曲线下面积为0.757，提示模型外部数据验证中区分度良好。结论 构建的预测模型可用于预测SAE患者的院内死亡风险，有助于临床及时调整治疗策略，降低死亡率，改善预后。

[关键词] 脓毒症相关性脑病；院内死亡；预测模型；重症医学信息数据库

[中图分类号] R447      [文献标识码] A      [DOI] 10.3969/j.issn.1673-9701.2023.20.013

Development and evaluation of a predictive model for in-hospital mortality in patients with sepsis-associated encephalopathy

NIU Kunlun1，2， CHEN Fujin1，2， ZHAO Jingjing1，2， WANG Jing1，2， XU Yuewen1，2， YAO Li1，2

1.Department of Intensive Care Unit， the Affiliated Hefei Hospital of Anhui Medical University （the Second Peoples Hospital of Hefei）， Hefei 230011， Anhui， China; 2.the Fifth Clinical College of Anhui Medical University， Hefei 230032， Anhui， China

[Abstract] Objective To develop and validate a predictive model for the risk of death in patients with sepsis-associated encephalopathy （SAE）. Methods Clinical data of 2767 SAE patients in the Medical Information Mart for Intensive Care-Ⅳ （MIMIC-Ⅳ） from 2008 to 2019 were extracted as the training set to construct a mortality risk prediction model and evaluated its prediction accuracy and goodness of fit. Clinical data of 134 SAE patients from the department of intensive care medicine of the Second People Hospital of Hefei from June 2018 to June 2021 were retrospectively collected into the validation set and substituted into the prediction model for external validation. Results Multi-factor Logistic regression analysis showed that age， use of vasoactive drugs， Glasgow coma scale （GCS）， international normalized ratio （INR）， arterial partial pressure of oxygen （PaO2）， blood lactate， blood urea nitrogen and albumin were independent influences on in-hospital mortality in patients with SAE （P<0.05）. The predictive model was constructed using the influence factors and the area under the curve was 0.765， 95% confidence interval was 74.45% to 78.53%， and the Hosmer-Lemeshow test showed good goodness of fit （χ2=13.090， P=0.109）. Substituting the predictive model into the validation set， the sensitivity was 80.00%， the specificity was 61.60%， the accuracy was 76.87% and the area under the ROC curve was 0.757， suggesting good discrimination in external data validation of the model. Conclusion The predictive model constructed can be used to predict the risk of in-hospital mortality in SAE patients， which helps the clinic to adjust the treatment strategy in time to reduce mortality and improve prognosis.

[Key words] Sepsis-associated encephalopathy; In-hospital mortality; Predictive model; Medical Information Mart for Intensive Care

脓毒症相关性脑病（sepsis-associated encephalopathy，SAE）指脓毒症患者因非中枢性感染所致的脑功能障碍，主要表现为谵妄、精神错乱及意识障碍[1]。合并SAE的脓毒症患者院内死亡率显著升高，虽然目前临床常用评分系统可对重症患者的死亡风险进行评估，但其特异性低，预测效果差[2-4]。而早期识别高死亡风险SAE患者有利于及时调整治疗策略，降低死亡率。重症医学信息数据库（Medical Information Mart for Intensive Care，MIMIC-Ⅳ）是急危重症领域最大的公开数据库，所含患者数量大且信息完善，以此建立的模型更可信。外部检验指用与模型建立过程来源不同的数据评价模型在新数据下的表现，因不同来源数据收集难度大，现公开的预测模型较少进行外部验证，但通过外部验证的模型有较好的可移植性和可泛化性[5-6]。本研究基于MIMIC-Ⅳ数据库构建SAE患者院内死亡风险预测模型，通过合肥市第二人民医院重症医学科SAE患者的临床数据对模型进行外部检验。

1  资料与方法

1.1  一般资料

提取2008—2019年MIMIC-Ⅳ数据库中2767例SAE患者的临床资料纳入训练集。回顾性收集2018年6月至2021年6月合肥市第二人民医院重症医学科134例SAE患者的临床数据纳入验证集。诊断标准：SAE是脓毒症的严重并发症，目前无统一的诊断标准，临床是在排除中枢神经系统感染、脑血管意外、代谢性脑病等病变的基础上，根据谵妄评估量表进行最终诊断[7]。纳入标准：①《第三版脓毒症与感染性休克定义国际共识》[8]诊断为脓毒症的成年患者；②入重症监护病房（intensive care unit，ICU）首个24h内出现格拉斯哥昏迷评分（Glasgow coma scale，GCS）≤14分或谵妄。排除标准：①原发性脑损伤，包括创伤性脑损伤、脑血管性疾病、癫痫、颅内感染；②肝、肾衰竭和（或）代谢异常导致的意识障碍；③严重烧伤、入ICU前接受过心肺复苏以及低氧和（或）高碳酸血症导致的意识障碍；④药物、酒精导致的意识障碍；⑤ICU治疗不足24h。本研究通过合肥市第二人民医院伦理委员会审查（伦理审批号：2021-科研-033）。

1.2  方法

收集数据项目包括：①患者基本信息：性别、年龄等；②入住ICU首个24g内生命体征的平均值；③入住ICU首个24h内辅助检查结果；④呼吸机、血管活性药物使用情况；⑤入院首日GCS评分的最低分；⑥入ICU后首次序贯器官衰竭估计评分（sequential organ failure assessment，SOFA）、简化急性生理评分（simplified acute physiology score，SAPS）Ⅱ。根据患者院内死亡情况，将训练集分为生存组（n=2102）与死亡组（n=665），验证集分为生存组（n=99）与死亡组（n=35）。

1.3  统计学方法

采用STATA 15.1和R统计学软件对数据进行处理分析，呈正态分布的计量资料以均数±标准差（）表示，组间比较采用t检验；非正态分布的计量资料采用中位数（四分位数间距）[M（Q1，Q3）]表示，组间比较采用Mann-Whitney U检验；计数资料采用例数（百分比）[n（%）]表示，组间比较采用χ2检验。以训练集为基础进行单因素分析，通过多因素Logistic回归分析确定SAE患者院内死亡的独立危险因素，构建预测模型，绘制列线图[9]。采用Hosmer-Lemeshow（H-L）检验模型拟合优度，绘制受试者操作特征（receiver operator characteristic，ROC）曲线，评估预测效能，将模型代入验证集进行外部验证。P<0.05为差异有统计学意义。

2  结果

2.1  训练集临床资料比较

除性别、ICU治疗时间、PaCO2、血糖、消化道/腹腔感染、导管相关感染外，两组临床各指标比较，差异均有统计学意义（P<0.05），见表1。

2.2  预测模型构建

将训练集单因素分析中差异有统计学意义的危险因素作为变量，纳入多因素Logistic回归分析，剔除存在严重多重共线性（方差膨胀因子＞10）的变量后，显示年龄、使用血管活性药物、GCS评分、国际标准化比值、PaO2、血乳酸、尿素氮、白蛋白是SAE患者院內死亡的独立影响因素（P<0.05）。构建预测模型生成列线图，见表2、图1。

繪制预测模型ROC曲线，敏感度为58.90%，特异性为80.10%，预测准确性为78.82%，ROC曲线下面积为0.765（95%置信区间为74.45%～78.53%），大于SOFA（0.666）和SAPSⅡ（0.693），见图2，经H-L检验显示模型拟合优度良好（χ2=13.090，P=0.109）。将预测模型代入验证集，预测模型敏感度为80.00%，特异性为61.60%，准确性为76.87%，ROC曲线下面积为0.757，提示模型外部数据验证中区分度良好，见图3。H-L检验显示，模型在验证集中同样保持良好的拟合优度（χ2=5.810，P=0.669）。

3  讨论

SAE是脓毒症的严重并发症，合并SAE的脓毒症患者院内死亡率显著升高。患者可因感染而出现脑功能障碍，临床可表现为谵妄、精神错乱及意识障碍等[1]，对患者健康造成严重影响。因此，早期识别高死亡风险SAE患者有助于临床及时调整治疗策略，降低死亡率，改善预后。

本研究结果显示，年龄、使用血管活性药物、GCS评分、INR、PaO2、血乳酸、尿素氮、白蛋白是SAE患者院内死亡的影响因素。目前年龄与SAE患者的死亡相关性已被多项研究证实，高龄患者的基础健康状况差，在急慢性疾病中死亡率较高[10-11]。李鹏飞等[12]发现，使用血管活性药物是脓毒症患者死亡的独立危险因素，血管活性药物的使用常代表患者已出现休克，死亡风险升高，而长时间、大剂量血管活性药物的应用会加重缺氧，形成恶性循环。血管活性药物使用与SAE患者死亡相关，但在模型所占权重较小，可能与未统计药物使用剂量有关。GCS评分是ICU最常用的意识障碍评估工具，GCS评分越低的SAE患者院内死亡率越高，与本研究结果一致[13]。本研究中白蛋白是SAE患者院内死亡的保护因素。Wang等[14]发现，白蛋白水平反映机体营养水平和免疫功能，是脓毒症患者死亡的重要预测因子，低蛋白血症不仅代表患者营养状况恶化，还影响免疫功能和高蛋白结合率抗生素发挥疗效。白蛋白还具有一定的脑保护功能，通过参与脑损伤患者的神经血管重塑，改善预后[15]。在本研究中，血乳酸是SAE患者死亡最重要预测变量之一。血乳酸可有效反映组织灌注情况，患者进入ICU时的血乳酸水平与死亡密切相关[16]。但血乳酸同时受到肝功能、微循环、氧代谢等影响，单独的血乳酸预测难以满足临床需求[17]。有研究显示，尿素氮与心力衰竭、脓毒症的死亡独立相关，尿素氮不仅可以反映肾功能情况，还与心功能、神经体液反应性等有关[18-19]，本研究与其结果相近。研究发现，PaO2与意识障碍患者死亡相关，SAE患者常合并不同程度意识障碍，随着意识水平降低，误吸等风险增高，易引发感染，最终导致低氧血症。低氧血症进一步加重脑部的缺血、缺氧而形成恶性循环，增加死亡率[20-21]。另外有研究指出INR在评估脓毒症相关的凝血系统紊乱以及死亡预测方面具有不可替代的作用，与本研究结果一致[22]。

本研究存在一定的局限性：①因SAE尚无统一诊断标准，为减少误诊所致偏倚，本研究SAE患者的纳入较为严格，可能导致SAE诊断的特异性高而敏感性低，使得部分潜在SAE病例被排除；②MIMIC-Ⅳ数据库中未提供急性生理与慢性健康评分，虽有研究提示该数据库提供的SAPSⅡ评分与其在死亡预测效用类似，但后续应纳入研究；③外部验证的样本量少，且为单中心回顾性资料，还需多中心、大样本的前瞻性研究进一步检验[23]。

综上，本研究构建的SAE患者死亡风险预测模型能有效预测院内死亡风险，可应用于临床早期识别高死亡风险SAE患者。

[参考文献]

[1] FENG Q， AI Y H， GONG H， et al. Characterization of sepsis and sepsis-associated encephalopathy[J]. J Intensive Care Med， 2019， 34（11-12）： 938–945.

[2] 胡畅， 胡波， 李志峰， 等. 四种评分系统对脓毒症患者ICU死亡风险的预测价值比较[J]. 南方医科大学学报， 2020， 40（4）： 513–518.

[3] ZHANG F X， LI Z L， ZHANG Z D， et al. Prognostic value of red blood cell distribution width for severe acute pancreatitis[J]. World J Gastroenterol， 2019， 25（32）： 4739–4748.

[4] KANG M W， KIM J， KIM D K， et al. Machine learning algorithm to predict mortality in patients undergoing continuous renal replacement therapy[J]. Crit Care， 2020， 24（1）： 42.

[5] MOONS K G， KENGNE A P， GROBBEE D E， et al. Risk prediction models： Ⅱ. External validation， model updating， and impact assessment[J]. Heart， 2012， 98（9）： 691–698.

[6] STEYERBERG E W， HARRELL F E J R. Prediction models need appropriate internal， internal-external， and external validation[J]. J Clin Epidemiol， 2016， 69： 245–247.

[7] 周藝蕉， 杨春燕， 苏美仙. 脓毒症相关性脑病脑功能监测的研究进展[J]. 医学综述， 2022， 16： 3246–3251.

[8] 黄伟. 《第三版脓毒症与感染性休克定义国际共识》解读[J]. 中国实用内科杂志， 2016， 36（11）： 959–962.

[9] VAN DEN BERG H A. Occams razor： from Ockhams via moderna to modern data science[J]. Sci Prog， 2018， 101（3）： 261–272.

[10] CHEN J， SHI X， DIAO M， et al. A retrospective study of sepsis-associated encephalopathy： epidemiology， clinical features and adverse outcomes[J]. BMC Emerg Med， 2020， 20（1）： 77.

[11] ABE T， OGURA H， SHIRAISHI A， et al. Characteristics， management， and in-hospital mortality among patients with severe sepsis in intensive care units in Japan： the FORECAST study[J]. Crit Care， 2018， 22（1）： 322.

[12] 李鹏飞， 陈齐齐， 蒋文， 等. 不同时间的血管活性药物评分对脓毒性休克患者死亡风险的预测价值[J]. 中华急诊医学杂志， 2021， 30（5）： 582–587.

[13] BERISAVAC I I， PADJEN V V， ERCEGOVAC M D， et al. Focal epileptic seizures， electroencephalography and outcome of sepsis associated encephalopathy-a pilot study[J]. Clin Neurol Neurosurg， 2016， 148： 60–66.

[14] WANG B， CHEN G， CAO Y， et al. Correlation of lactate/albumin ratio level to organ failure and mortality in severe sepsis and septic shock[J]. J Crit Care， 2015， 30（2）： 271–275.

[15] XIE Y， LIU W， ZHANG X， et al. Human albumin improves long-term behavioral sequelae after subarachnoid hemorrhage through neurovascular remodeling[J]. Crit Care Med， 2015， 43（10）： e440–e449.

[16] FERRERUELA M， RAURICH J M， AYESTAR?N I， et al. Hyperlactatemia in ICU patients： incidence， causes and associated mortality[J]. J Crit Care， 2017， 42： 200–205.

[17] 趙梦雅， 段美丽. 血乳酸和乳酸清除率与降钙素原联合检测对脓毒症患者病情严重程度及预后评估的临床意义[J]. 中华危重病急救医学， 2020， 32（4）： 449–453.

[18] GUARRACINO F， BERTINI P， PINSKY M R. Cardiovascular determinants of resuscitation from sepsis and septic shock[J]. Crit Care， 2019， 23（1）： 118.

[19] 王传合， 李影， 韩苏， 等. 血清尿素氮水平对心力衰竭患者院内死亡的评估价值[J]. 中国医师进修杂志， 2020， 43（7）： 590–595.

[20] ASHER S R， CURRY P， SHARMA D， et al. Survival advantage and PaO2 threshold in severe traumatic brain injury[J]. J Neurosurg Anesthesiol， 2013， 25（2）： 168–173.

[21] 刘群， 缪茜虹， 余晓燕. ICU脓毒症患者认知功能障碍影响因素分析[J]. 中国现代医生， 2019， 57（31）： 78–81.

[22] ZHENG R， PAN H， WANG J F， et al. The association of coagulation indicators with in-hospital mortality and 1-year mortality of patients with sepsis at ICU admissions： a retrospective cohort study[J]. Clin Chim Acta， 2020， 504： 109–118.

[23] GODINJAK A， IGLICA A， RAMA A， et al. Predictive value of SAPS Ⅱ and APACHE Ⅱ scoring systems for patient outcome in a medical intensive care unit[J]. Acta Med Acad， 2016， 45（2）： 97–103.

（收稿日期：2023–01–11）

（修回日期：2023–06–27）