深度学习衍生的拯救脓毒症运动风险分组的死亡率与抗生素时机:一项多中心研究
该多中心观察性队列研究使用两个大型健康系统2016—2024年前瞻性应用的患者数据,纳入34,087例成人疑似脓毒症急诊患者,用COMPOSER和Shock-Net两个深度学习模型在临床怀疑脓毒症时将患者客观分为与SSC风险分组类似的四组。主要终点为短期死亡率(院内死亡或转安宁疗护的复合终点)。开发点各组死亡率分别为23.2%、17.7%、5.0%、1.9%,验证点结果相似。可能脓毒症且休克低概率组中,1小时与超过1小时、3小时与超过3小时给抗生素的死亡率无显著差异;很可能脓毒症组无论休克风险高低,1小时内给抗生素死亡率显著更低。作者认为对低风险组可更宽松地安排抗生素时机,但需进一步前瞻性研究验证。
要点
- 开发点四组短期死亡率:休克可能+脓毒症很可能23.2%、休克可能+脓毒症可能17.7%、休克不可能+脓毒症很可能5.0%、休克不可能+脓毒症可能1.9%,验证点相似。
- 可能脓毒症且休克低概率组,1小时内与超过1小时、3小时内与超过3小时给抗生素的短期死亡率无显著差异。
- 很可能脓毒症组(开发点)无论休克风险高低,1小时内给抗生素者死亡率显著更低,支持当前SSC指南。
- 开发点仅10.6%(3157/29765)、验证点11.1%(480/4322)的患者在分诊后1小时内接受抗生素,3小时内分别为40.7%和35.6%。
- 分诊后3小时内发生休克者死亡率高:开发点30.7%(470/1532),验证点40.0%(92/230)。
适用人群与场景
- 成人(至少18岁)急诊患者,在急诊分诊后24小时内符合临床怀疑脓毒症标准:6小时内出现4项SIRS标准中的2项(心率>90次/分、呼吸频率>20次/分、白细胞计数>12 cells/uL或<4 cells/uL或>10%杆状核或体温>38.3 C或<36 C),且分诊后24小时内开具以下两项:静脉抗生素、血培养或乳酸。
- 排除:潜在脓毒症时间晚于首次静脉抗生素给药者、儿童(<18岁)、住院期间转至其他机构者、急诊期间无任何实验室结果或生命体征的就诊、符合临床怀疑脓毒症定义时已处于休克者。
诊断标准与关键阈值
- 临床怀疑脓毒症:6小时内4项SIRS标准中2项且24小时内开具静脉抗生素、血培养或乳酸中的两项,时间零点为最后一项满足的时间。
- 临床脓毒症采用Sepsis-3定义:基线SOFA评分增加2分且怀疑感染(留取血培养并静脉使用抗菌药物至少72小时),SOFA变化可发生在怀疑感染前24小时至后12小时内。
- 脓毒症休克:存在脓毒症且启动可滴定血管活性药物,不要求乳酸至少2 mmol/L。
- COMPOSER评分≥6分为脓毒症很可能(probable,指发生脓毒症的概率至少50%),<6分为脓毒症可能(possible)。
- Shock-Net评分≥0.88为休克可能发生组,<0.88为休克不可能发生组。
红旗征与不能漏的情况
- 分诊后3小时内发生休克者死亡率高:开发点30.7%(470/1532),验证点40.0%(92/230)。
- 很可能脓毒症且休克可能发生组死亡率高(开发点23.2%),作者认为识别其高风险可能有助于判断ICU收治、连续评估及其他治疗(如液体复苏或可能的皮质类固醇使用)。
研究设计与关键结果
- 多中心观察性队列研究,两个大型健康系统,开发点UCSD两个急诊(2016年1月至2023年12月),验证点UCI单个急诊(2023年1月至2024年8月),共34,087例成人疑似脓毒症患者(开发点29,765例,验证点4,322例)。
- 开发点四组短期死亡率分别为23.2%、17.7%、5.0%、1.9%,中位抗生素时间分别为1.7[1.0-3.1]小时、3.0[1.7-6.2]小时、2.8[1.5-5.1]小时、4.6[2.7-8.0]小时,验证点结果相似。
- 调整年龄、性别、CCI和SOFA后,两组中休克不可能+脓毒症可能组1小时内与超过1小时、3小时内与超过3小时给抗生素的短期死亡率无显著差异。
- 开发点很可能脓毒症组无论休克风险高低,1小时内给抗生素者死亡率最低;排除分诊后3小时内发生休克者后结果相似。
- 总体短期死亡率:开发点6.1%(1824/29765),验证点9.3%(404/4322)。
- Shock-Net在UCSD测试集验证AUC为0.959,在UCI 4776例急诊患者外部验证AUC为93.7%。
证据类型、等级与局限
- 证据类型:多中心观察性队列研究。
- 局限:数据来自两个学术医学中心,结果可能不适用于所有环境;未评估医生如何与模型互动及模型使用如何影响抗菌药物处方和患者结局;潜在脓毒症、脓毒症和休克定义基于既往工作,不同定义可能影响结果;不同输入特征可能影响预测模型;休克且可能脓毒症组患者数少于其他组,可能难以识别结果;研究为回顾性,描述的是抗生素时机与短期死亡率之间的关联,不能推断因果;使用两个独立模型(COMPOSER和Shock-Net)学习相似任务存在冗余。
对床旁实践的改变
- 对于可能脓毒症且休克低概率的患者,作者认为更宽松的抗生素给药时间可能允许更详细的评估和审慎使用抗生素而不影响患者死亡率。
- 对于很可能脓毒症患者,无论休克风险高低,作者数据支持当前SSC指南关于1小时内给抗生素的推荐。
- 作者认为识别很可能脓毒症且休克可能发生的高风险患者可能有助于判断ICU收治、连续评估及其他治疗(如液体复苏或可能的皮质类固醇使用)。
- 作者指出这些发现为关联性,未测量的混杂因素可能影响抗生素时机与死亡率关系的发现,需进一步前瞻性研究验证。
指南或共识出处
- Surviving Sepsis Campaign (SSC) 2021年更新指南:对可能脓毒症患者强烈推荐3小时内给抗生素,对很可能或明确脓毒症或休克患者1小时内给抗生素,并指出该推荐证据等级为“very low level of evidence”。
- 美国Centers for Medicare and Medicaid (CMS) Severe Sepsis and Septic Shock Management Bundle (SEP-1):对疑似或确诊严重脓毒症或脓毒症休克患者抗生素时机有严格推荐。
提炼说明
- 原文未涉及「处置流程与药物剂量」,故未列出这些栏目。
全文中译16 节 · 点击展开
背景
脓毒症是宿主对感染反应失调所致,每年影响超过170万人,在美国(US)每年导致超过35万人死亡[1]。脓毒症仍是医疗费用的主要驱动因素,在美国年度总支出超过620亿美元[2]。2021年,拯救脓毒症运动(SSC)更新了其《脓毒症与脓毒性休克管理指南》,推荐根据疾病严重程度(是否存在休克)和脓毒症概率(“确定或很可能” vs. “可能”)确定抗生素使用时机(1–3小时内)[3]。这一临床构念产生了四个风险类别。然而,该方法本质上是主观的,在许多情况下医生可能对脓毒症概率存在分歧[4, 5]。
SSC强烈推荐对可能脓毒症患者在3小时内给予抗生素,对很可能或确定脓毒症患者或休克患者在1小时内给予抗生素[3]。在美国,医疗保险和医疗补助服务中心(CMS)严重脓毒症和脓毒性休克管理集束化治疗(SEP-1)也对疑似或确诊严重脓毒症或脓毒性休克患者的抗生素使用时机提供了严格建议[6]。多个专业学会对固定的抗生素给药时间窗表示担忧,尤其是在存在显著诊断不确定性时[7, 8]。事实上,对于可能脓毒症但无休克的患者,提示3小时内给予抗生素可改善以患者为中心结局的中等或高质量数据极少[9]。然而,识别哪些患者患有脓毒症以及哪些患者随后会发生休克可能很困难,据我们所知,尚无客观工具或模型可用于协助识别这些高危患者。因此,我们应用了两种深度学习(DL)模型来确定患者发生以下情况的风险:(1)患有脓毒症(“可能” vs. “很可能”),以及(2)发生休克(“可能发生休克”或“不太可能发生休克”)。这两个模型的输出产生四个风险组,与上述SSC描述的组别类似。
在本研究中,我们旨在基于脓毒症概率和发生休克的风险,确定临床怀疑脓毒症患者中抗生素治疗时机与短期死亡率之间的关联。为实现这一目标,我们首先使用2个DL模型将临床怀疑脓毒症的患者划分为上述SSC风险组。接下来,我们根据从临床怀疑脓毒症至抗生素给药的时间,对这些分区中的患者进行分层,以确定与短期死亡率的关联。我们假设死亡率会随每个风险组内以及跨风险组的抗生素时机而变化。
方法
研究设计与设置
我们在两个大型医疗系统中开展了一项针对急诊科(ED)患者的多中心队列研究。我们的开发站点是加利福尼亚大学圣地亚哥分校健康中心(UCSD),我们在2016年1月至2023年12月期间从两家医院急诊科收集了患者数据。UCSD其中一家医院是圣地亚哥的“安全网”医院,另一家是四级诊疗中心,两家医院急诊科年就诊总量合计为100,000名患者。我们的验证站点是加利福尼亚大学尔湾分校(UCI),我们在2023年1月至2024年8月期间收集了患者数据。UCI拥有单一急诊科,年就诊量约为64,000名患者。已获得机构审查委员会批准并豁免知情同意。
研究人群和参与者选择
在研究期间就诊于急诊科的所有成年患者(至少18岁)均通过电子健康记录(EHR)中可用的数据自动查询是否存在临床疑似脓毒症。我们的数据提取方法已在其他地方描述[10]。我们纳入了在急诊科分诊后最初24小时内符合临床疑似脓毒症标准的所有成年急诊患者。我们将临床疑似脓毒症定义为:6小时内存在4项全身炎症反应综合征(SIRS)标准中的2项(心率>90次/分钟、呼吸频率>20次/分钟、白细胞计数>12个/μL或<4个/μL或>10%杆状核或体温>38.3℃或<36℃),并且在急诊科分诊后最初24小时内开具以下两项医嘱:静脉抗生素、血培养或乳酸。潜在脓毒症时间(“零时”)定义为满足这些标准中最后一项的时间。我们选择这种方法及定义,是因为它对应于床旁医务人员对脓毒症有足够担忧并开具脓毒症相关医嘱的时间。我们排除了潜在脓毒症时间晚于首次给予静脉抗生素的患者,以避免使结果产生偏倚。我们还排除了儿科患者(年龄<18岁)、住院期间转至其他机构的患者、在急诊科期间没有任何实验室结果或生命体征的就诊记录(见图1和图2)。由于SSC指南建议休克患者应在1小时内接受抗生素治疗,我们排除了在满足“临床疑似脓毒症”定义时已处于休克状态的患者。
我们使用“Sepsis 3”定义来定义临床脓毒症和脓毒性休克[11]。在该框架内,临床脓毒症定义为患者基线序贯器官衰竭评估(SOFA)评分增加2分并怀疑感染(进行血培养并给予静脉抗菌药物至少72小时)。SOFA的2分变化可发生在怀疑感染前24小时或怀疑感染后最多12小时。临床脓毒症发病时间(tsepsis)定义为SOFA评分变化2分或怀疑感染中较早发生者。脓毒性休克定义为存在脓毒症并开始使用可滴定血管活性药物。由于部分患者在休克发生前后未检测血清乳酸,我们的脓毒性休克标准不要求乳酸至少为2 mmol/L。
变量选择与数据预处理
纳入的变量包括患者人口学信息、生命体征、实验室检验结果、用药及合并症等。生命体征和实验室检验结果的数据缺失情况见补充表S1和S2。其他使用的变量列于补充表S3和S4。输入特征的完整描述可见我们先前的工作。每个模型训练集中的特征均经过正态性变换和Z分数标准化(减去均值并除以标准差)。所有测试和验证数据集均使用从训练集计算得到的均值和标准差进行标准化。
脓毒症风险分组
在临床怀疑脓毒症时,使用两种深度学习模型,根据患者患有脓毒症的可能性和发生休克的可能性,将患者客观地分为类似于SSC风险分组的组别。这些风险分组为:(1)可能发生休克且脓毒症很可能,(2)可能发生休克且脓毒症有可能,(3)不太可能发生休克且脓毒症很可能,(4)不太可能发生休克且脓毒症有可能。
深度学习模型开发
为确定脓毒症的可能性,我们使用了COMPOSER(脓毒症风险共形多维投影)模型,该模型此前已有描述[12]。COMPOSER是使用UCSD和Emory大学的患者就诊数据开发的。它在急诊科脓毒症实时预测中达到了较高的曲线下面积(AUC:0.938–0.945),其实施与脓毒症患者死亡率相对下降17%相关[13]。COMPOSER生成一个评分(0至11之间),评分越高对应脓毒症可能性越高。在本研究中,COMPOSER评分≥6的患者被归入SSC类别“脓毒症很可能”,评分<6的患者被归入SSC类别“脓毒症有可能”。COMPOSER评分是在临床怀疑“脓毒症”时得出的。我们确定“有可能”和“很可能”脓毒症的方法源自Taylor等[14],其中“很可能脓毒症”指发生脓毒症的概率至少为50%。
为了预测发生休克的风险,我们创建了Shock-Net,一个基于Transformer的神经网络。Shock-Net基于先前描述的AISE模型来预测急诊科(ED)患者的休克[10]。与COMPOSER一样,Shock-Net评分旨在在临床怀疑潜在脓毒症时提供患者发生休克概率的预测。Shock-Net生成一个评分(介于0和1之间),评分越高对应发生休克的可能性越大。Shock-Net评分< 0.88的患者被归入“不太可能发生休克”组,而评分≥ 0.88的患者被归入“可能发生休克”组。Shock-Net模型在UC San Diego急诊科、ICU和普通病房的62,846名患者上进行训练,预测窗口为6小时。模型预测休克的阈值由模型测试集(在开发站点)上的验证确定,我们将其调整为每位患者60%的灵敏度。该测试集由开发站点这些科室的另外15,716名患者组成。这对应于开发站点患者数据按80/20比例分为训练集和测试集。Shock-Net在UCSD测试集患者数据的验证测试中达到了0.959的AUC。它在UC Irvine的4,776名急诊科患者上进一步验证,在该外部验证集上达到了93.7%的AUC。
对于两个模型,我们仅使用感兴趣事件之前可用的数据(例如,对于COMPOSER,我们仅使用截至脓毒症发生时的数据;对于Shock-Net,我们仅使用截至休克发生时可用的数据)。模型在我们数据集上的性能可视化见补充材料中的DL Model Performance部分(补充图S1–S4),Shock-Net性能的验证在补充材料中的Shock-Net Model Validation部分讨论。
结局和其他定义
我们的主要结局是短期死亡率,即院内死亡或转为临终关怀的复合指标,它比仅用院内死亡率更完整地代表临终去向[15, 16]。我们按SSC风险组和抗生素使用时间(< 1小时 vs. < 3小时)对主要结局进行了分层。抗生素使用时间定义为从急诊科分诊到给予静脉(IV)抗生素的时间。如果患者符合Sepsis 3标准,则被标记为“临床脓毒症”(用于地面真实标注);如果在急诊科分诊后24小时内开始使用血管活性药物,则被标记为“临床休克”。
分析
在我们的主要分析中,我们纳入了所有符合纳入标准的患者,以评估发生脓毒症和休克的可能性。我们还进行了一项亚组分析,排除了在急诊科分诊后最初3小时内发生休克的患者。进行该亚组分析是因为既往研究强调了在初始提供者评估后识别迟发性脓毒性休克患者的重要性[17, 18]。我们选择分诊后3小时的时间间隔作为合理时间,基于临床研究者既往经验及已发表文献[10, 17, 18]。
为评估各风险组内抗生素使用时机与短期死亡率之间的关联,我们拟合了多变量逻辑回归模型,并校正了年龄、性别、Charlson合并症指数(CCI)和SOFA评分。这些变量是基于生物学合理性而选取的。抗生素使用时机按分类变量建模:急诊分诊前1小时内与后1小时内,以及急诊分诊前3小时内与后3小时内。
在标准最大似然估计未能收敛的情况下(例如由于样本量小或完全分离),我们采用带有L1正则化的惩罚逻辑回归以获得稳定的校正比值比。这种正则化方法将不稳定的估计值向零收缩,为罕见事件数据或完全预测情形提供了实用的解决方案。惩罚模型的比值比报告时不附p值或置信区间,因为L1正则化估计无法提供这些指标。我们还计算了校正比值比的E值,以评估解释观察到的关联所需未测量混杂因素的最小强度。
我们还使用描述性统计报告了各风险组的死亡率和抗生素使用时间。组间差异和组内差异分别采用Kruskal-Wallis检验评估连续变量(如抗生素使用时间分布)和卡方检验评估二分类变量(如死亡率)。在作出单侧声明时,我们使用这些检验的单侧版本。为降低评估多重两两比较时I类错误的风险,我们使用Bonferroni校正来调整显著性阈值。在我们的总体比较中,p值<0.05被视为显著;为在各组间进行6次两两比较时维持这一显著性水平,我们通过将显著性阈值除以两两比较的次数,将显著性阈值调整为α = 0.0083。
比较4个风险组的完整统计分析报告见补充材料中“风险组间短期死亡率与抗生素使用时间分布的统计比较”部分(补充表S35–S48)。两个深度学习模型均使用Tensorflow和Python 3开发和处理。所有统计分析均使用SciPy stats包和statsmodels包进行。
结果
患者特征
我们在开发站点纳入了29,765例临床怀疑潜在脓毒症的患者,在验证站点纳入了4,322例患者(图1)。开发站点和验证站点的完整患者特征(按SSC分层)报告于表1和表2。
抗生素使用时机
在开发站点接受抗生素治疗的患者中,40.7%(12100/29765)在分诊后3小时内接受了抗生素,10.6%(3157/29765)在分诊后1小时内接受了抗生素。在验证站点,接受抗生素治疗的患者中35.6%(1537/4322)在分诊后3小时内接受了抗生素,其中11.1%(480/4322)在分诊后1小时内接受了抗生素。所有风险组中抗生素使用时机的详细描述见补充表S5和S6。
短期死亡率
在所有患者中,开发中心和验证中心的短期死亡率分别为6.1%(1824/29765)和9.3%(404/4322)(图3)。
在开发中心,被Shock-net识别为发生休克可能性高的组别短期死亡率最高(第1组,23.2%;第2组,17.7%[p < 0.001])。这两组到抗生素使用的时间也最短(第1组:1.7小时[IQR 1.0至3.1],第2组:3.0小时[IQR 1.7至6.2](p < 0.001)。验证中心的结果相似(p < 0.001)。在分诊后3小时内发生休克的患者中,开发中心(30.7%[470/1,532])和验证中心(40.0%[92/230])的死亡率均较高。
表3提供了按发生休克概率和脓毒症可能性分层的患者的调整后死亡率。在开发中心和验证中心,调整患者年龄、性别、CCI和SOFA后,第4组(不太可能发生休克且可能存在脓毒症)中在分诊后1小时内或1小时后、或3小时内或3小时后接受抗生素治疗的患者,其短期死亡率无显著降低(表3)。在开发中心,可能脓毒症患者无论发生休克的风险如何,如果在第一小时内给予抗生素,死亡率最低。未调整比较见补充表S9。按风险组从分诊开始抗生素使用时间的详细分析见补充表11–18。我们的逻辑回归模型中所有变量的结果见补充表S27–S30。
排除急诊分诊后3小时内发生休克的患者的亚组分析
排除急诊分诊后3小时内发生休克的患者后,开发中心和验证中心分别有28,233例和4,092例患者(图2)。在该亚组分析中,到抗生素使用时间和死亡率见图4。到抗生素使用时间对可能脓毒症患者的结局无影响,然而,可能脓毒症患者如果在分诊后1小时内给予抗生素,死亡率最低(表4,补充表S7和S8)。未调整比较见补充表S10。按风险组从分诊开始抗生素使用时间的详细分析见补充表S19–S26。我们的逻辑回归模型中所有变量的结果见补充表S31–S34。
讨论
在这项多中心研究中,我们前瞻性地应用了34,087例患者的数据,得出两项可能有助于指导潜在脓毒症患者抗生素使用时机的重大发现。首先,我们证明两种深度学习模型可以基于患者患有脓毒症的可能性和发生休克的可能性,客观地将患者分组。其次,我们的研究结果表明,对于许多疑似脓毒症患者,在SSC推荐的严格时间范围内给予抗生素可能并不能改善短期死亡率。我们的发现之所以重要,有几个原因。首先,我们的数据显示,对于可能患有脓毒症的患者(约占队列的40%),极少数患者随后发展为脓毒症,且基于抗生素治疗时机的结局变化极小。我们研究人群中相当大一部分被识别为很可能患有脓毒症且发生休克的风险较高。这一患者群体在我们的研究中死亡率较高,但目前研究不足,且目前缺乏关于如何管理这一高危群体的建议。在开发中心和验证中心,这些患者的死亡风险显著高于休克低概率患者,但低于明显休克患者。这些患者的最佳护理和抗生素使用时机仍不明确;然而,识别这些患者的高风险可能有助于合理使用重症监护病房(ICU)入住、连续检查和其他治疗(例如,液体复苏或可能的皮质类固醇使用)。最后,我们的数据显示,在开发中心很可能患有脓毒症的患者,无论发生休克的可能性如何,如果在脓毒症发生后一小时内给予抗生素,死亡率较低,这支持了当前的SSC指南。
据我们所知,目前尚无经过验证的模型能够帮助医生在怀疑潜在脓毒症时客观地将患者分层到SSC类别中。重要的是,我们选择将临床怀疑潜在脓毒症的时间点作为我们的时间点,这与照护这些患者的临床医生相关,并允许在短时间内进行有意义的干预。Taylor等人开展了一项观察性回顾性研究,开发了一个感染预测模型,并在大型医疗系统内的不同临床中心进行了测试[14]。然而,他们评估休克的方法侧重于潜在脓毒症时休克的存在与否,这在临床环境中不具备预测性。我们的研究首次通过可重复的预测性深度学习模型展示了类似结果,这些模型应用于两个不同医疗系统的多个中心,并提供了适用于实时临床环境的客观评估。随着深度学习模型的发展和改进,这些工具可用于辅助临床判断,对患者护理和结局产生广泛影响,并可能特别有助于抗菌药物管理。在广泛使用之前,需要在更多机构、各种临床实践环境(农村、社区、县级)以及不同地理位置完成未来研究以验证这些工具。
2021年,SSC根据是否存在休克以及脓毒症的可能性,更新了关于抗生素给药时机的推荐意见[3]。支持经验性使用抗生素的最有力数据来自脓毒性休克患者[19–21]。另一方面,多个专业学会对可能脓毒症但未处于休克状态的患者设定僵硬的初始抗微生物治疗时间框架表示担忧,理由包括缺乏支持3小时抗生素时间框架获益的数据、抗生素耐药性增加、对宿主的附带损害以及医院获得性感染的发生[7, 8, 22]。我们的研究结果表明,预测模型可用于将患者划分为不同风险组,这可能为那些可能脓毒症且不太可能在不增加抗生素给药所致死亡风险的情况下(超出SSC推荐的3小时时间框架)发展的患者提供治疗参考。我们认识到我们的发现是关联性的,未测量的混杂因素可能影响作为抗生素给药时机函数的死亡结局。最近,Taylor等人在无休克的脓毒症患者中发现,抗生素治疗时间较长时死亡率较低(可能脓毒症和潜在脓毒症患者的平均时间分别为3.2小时和5.5小时)[14]。在欧洲开展的一项随机试验中,对于急诊科疑似脓毒症患者,与较为宽松的方案(抗生素平均时间113分钟)相比,完成1小时集束化治疗(抗生素平均时间40分钟)并未发现死亡率获益[23]。总体而言,这些近期数据与我们的数据共同凸显了该领域需要进一步研究,以及这些患者需要更精准的诊疗。风险评估工具,如本手稿中所述的工具,可能为临床医生提供客观的工具来评估风险,从而指导治疗。
在我们的队列中,约40%的患者被划分至第4组:休克不太可能且脓毒症可能。这一发现很重要,因为该组中少数患者(在开发中心和验证中心分别为14.7%和12.9%)随后符合脓毒症的定义。然而,该组中开发中心75.7%的患者和验证中心88.6%的患者接受了抗生素治疗,这说明抗生素过度治疗的潜在规模。对于这些患者,在SSC和SEP-1推荐的3小时窗口之外进行额外的诊断检测和评估可能是安全的。未来需要进一步研究以确定脓毒症概率应如何影响抗生素推荐时机,因为SSC对3小时内抗生素治疗给予了强烈推荐,但在其2021年指南中指出“证据级别极低”[3]。同样,SEP-1不允许临床医生对可能严重脓毒症和脓毒性休克患者偏离3小时抗生素给药时间[6]。
既往研究已强调急诊科患者发生延迟性脓毒性休克的风险因素(如高龄、性别、某些合并症、高乳酸血症),但这些因素并不可干预 [17, 18, 24, 25]。重要的是,尽管这些患者在急诊分诊时或接近分诊时初始表现较轻,但其死亡率仍然很高 [17, 25]。在我们的分析中,我们注意到 Shock-Net 能够准确识别后续会发生脓毒性休克的患者。我们还发现,在脓毒症可能组和休克很可能组中,患者的死亡率显著高于休克不太可能组的患者。我们的敏感性分析排除了在急诊分诊后 3 小时内发生休克的患者,在开发中心和验证中心得出的死亡率和开始使用抗生素时间结果相似。早期识别这些患者(没有预测模型时,临床医生 arguably 需要较少辅助即可识别和分层)可能有助于通过加强监测来指导诊疗,或为额外治疗提供信息(例如,审慎决定液体管理、重新评估抗生素的适当性、感染源控制),从而可能改善这一高风险人群以患者为中心的结局。
局限性
本研究存在若干局限性。首先,我们的数据来自两家学术医疗中心,尽管我们的患者人群具有多样性,但我们的发现可能无法推广至所有环境。其次,尽管我们使用了前瞻性应用数据的深度学习(DL)模型,但我们未评估医生如何与这些模型互动,以及使用这些模型如何影响抗菌药物处方和以患者为中心的结局。我们对潜在脓毒症、脓毒症和休克的定义是基于我们既往工作选择的;然而,使用这些术语的不同构建方式可能会影响结果。此外,不同的输入特征可能会影响我们的预测模型;然而,我们选择了目前在本卫生系统临床实践中常用的输入特征。休克、可能脓毒症的患者数量相比其他组较少,并且这一发现在开发中心和训练中心均观察到。该组规模可能使结果难以充分理解,并可能反映患者人群、训练模型以及各急诊科分布性休克的患病率。我们的研究为回顾性研究,我们描述了抗生素使用时间与短期死亡率之间的关联。我们的发现不应被用于推断因果关系。我们还承认,在 COMPOSER 和 Shock-Net 中使用两个独立模型(尽管架构非常相似)来学习相似任务存在冗余。可能的情况是,采用更简约的方法,即通过多任务学习同时学习我们特征中用于脓毒症和休克预测的低层表示,可能会产生更准确的预测 [26]。此外,这种联合模型将使我们能够分析脓毒症和休克预测之间在这一联合表示空间中的相似性和差异。这可能促成针对这些任务组合优化的更好的特征选择,而无需维护和重新训练单独的模型。
结论
我们证明,两个深度学习(DL)模型能够利用来自两个学术医疗系统的患者数据,根据发生脓毒症和休克的可能性,将疑似脓毒症患者分层划分为不同分区。对于可能脓毒症且休克可能性低的患者,即使在后来的脓毒症存活运动(SSC)推荐的3小时时间窗之后接受抗生素治疗,其死亡率仍然较低。对于很可能脓毒症的患者,无论休克风险如何,如果在最初1小时内给予抗生素,开发地点的死亡率显著更低。需要在不同实践环境中开展进一步的前瞻性研究以验证这些发现。
电子补充材料
补充材料1
参考来源
- Gross BJ, Donahue A, Ford JS, et al. Mortality and antibiotic timing in deep learning-derived surviving sepsis campaign risk groups: a multicenter study. Crit Care. 2025. PMID: 40660326. doi:10.1186/s13054-025-05493-6
- 全文:PMC12257722(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12257722/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。