文献速递重症综合管理与镇静镇痛呼吸衰竭与机械通气

重症新型冠状病毒肺炎中可溶性程序性死亡配体1动态轨迹的探索性特征及其与病死率的关联

Exploratory characterization of dynamic soluble programmed death-ligand 1 trajectories and their association with mortality in critical coronavirus disease 2019.
PubMed 文献 · J Intensive Care · 2026-01-05
一句话结论重症COVID-19患者ICU第7天sPD-L1持续升高独立预测院内死亡,第5–7天动态监测比入院单点更有预后价值。

单中心回顾性观察研究纳入40例ICU重症COVID-19患者和23名健康对照,在ICU第1、5、7、14、21天检测血浆sPD-L1。患者入院时sPD-L1显著高于健康对照(中位294.15 vs 55.88 pg/mL,p<0.001),但存活者与死亡者入院时无显著差异(p=0.390)。存活者与死亡者在ICU第5天和第7天差异显著(p=0.023和0.001)。多变量Cox分析中ICU第7天sPD-L1和入院动脉乳酸独立预测死亡;支持向量机模型平均AUC=0.917,SHAP分析将ICU第5天sPD-L1列为主要预测因子。作者认为sPD-L1可作为免疫-肾脏-凝血交互作用的整合生物标志物,但需在更大多中心队列中验证。

要点

  • 40例重症COVID-19患者中10例(25%)院内死亡;患者入院sPD-L1显著高于23名健康对照(中位294.15 vs 55.88 pg/mL,p<0.001)。
  • 存活者与死亡者入院sPD-L1无显著差异(p=0.390),但ICU第5天和第7天差异显著(p=0.023和p=0.001),死亡者持续较高。
  • 多变量Cox中ICU第7天sPD-L1(每SD HR=2.09,95%CI 1.27–3.42,q=0.037)和入院动脉乳酸(每SD HR=2.69,95%CI 1.42–5.10,q=0.037)独立预测院内死亡。
  • 以ICU第7天sPD-L1中位171 pg/mL和入院乳酸中位1.4 mmol/L双阈值分层,高风险组与低风险组生存曲线显著分离(log-rank χ2=4.42,df=1,p=0.036)。
  • 支持向量机模型平均AUC=0.917;SHAP分析将ICU第5天sPD-L1列为最主要预测因子,其次为乳酸脱氢酶、血小板计数和纤维蛋白原。

适用人群与场景

  • 单中心(三重大学医院)2021年4月至2022年12月连续纳入的40例实验室确诊(SARS-CoV-2逆转录聚合酶链反应阳性)成人重症COVID-19肺炎ICU患者;另招募23名年龄和性别匹配的健康志愿者作为对照。
  • 排除关键变量缺失或无法获得知情同意的患者。
  • 研究场景为ICU;主要终点为院内死亡。

诊断标准与关键阈值

  • 重症COVID-19诊断:实验室确诊COVID-19,定义为SARS-CoV-2逆转录聚合酶链反应检测阳性。
  • 风险分层阈值(预设ICU第7天界标):sPD-L1中位171 pg/mL和入院动脉乳酸中位1.4 mmol/L;两项均超过阈值者归为高风险组,其余为低风险组。

研究设计与关键结果

  • 单中心回顾性观察研究,40例重症COVID-19 ICU患者(10例院内死亡,25%)和23名健康对照;检测ICU第1、5、7、14、21天血浆sPD-L1。
  • 入院sPD-L1患者显著高于健康对照(中位294.15 vs 55.88 pg/mL,p<0.001);存活者与死亡者入院时无显著差异(p=0.390)。
  • ICU第5天和第7天存活者与死亡者sPD-L1差异显著(p=0.023和p=0.001);第1、14、21天无显著差异;各时点存活者/死亡者例数:第1天30/10,第5天23/8,第7天21/8,第14天9/5,第21天3/2。
  • 单变量Cox经Benjamini–Hochberg校正(FDR=5%)后6个预测因子q<0.05:ICU第7天sPD-L1(每SD HR=2.09,95%CI 1.27–3.42,q=0.037)、入院动脉乳酸(每SD HR=2.69,95%CI 1.42–5.10,q=0.037)、肌酐(每SD HR=2.10,q=0.037)、总胆红素(每SD HR=2.20,q=0.044)、淀粉酶(每SD HR=1.98,q=0.037)、SOFA评分(每SD HR=2.10,q=0.037)。
  • LASSO-Cox模型(乳酸、ICU第7天sPD-L1、肌酐三个协变量,λ≈0.003)Harrell C-index=0.90,bootstrap乐观校正后C-index=0.853,乐观估计0.043;收缩后乳酸和ICU第7天sPD-L1仍独立关联死亡瞬时风险(分别约4.4倍和4.0倍),肌酐惩罚后无统计学意义。
  • ICU第7天界标风险分层:9例高风险、28例低风险,Kaplan–Meier曲线显著分离(log-rank χ2=4.42,df=1,p=0.036)。
  • 8种机器学习分类器中支持向量机平均AUC最高=0.917,其次神经网络AUC=0.883、线性判别分析AUC=0.733;SHAP分析显示ICU第5天sPD-L1为最主要预测因子,其次为乳酸脱氢酶、血小板计数、纤维蛋白原;较高sPD-L1与较高预测死亡风险相关,较高血小板和纤维蛋白原与风险降低相关。
  • 横断面相关分析:ICU第7天sPD-L1与肌酐、C反应蛋白、纤维蛋白原正相关(均p<0.05);入院时sPD-L1与血小板计数呈显著负相关。

证据类型、等级与局限

  • 证据类型:单中心回顾性观察性队列研究(作者在方法部分描述为single-center, retrospective observational study),探索性分析。
  • 局限:小样本单中心观察性队列,研究结果的外推性和治疗影响推断受限。
  • 局限:分析仅聚焦sPD-L1,未同时定量其他免疫检查点介质(如PD-1、TIM-3、淋巴细胞活化基因3)及功能性T细胞检测。
  • 局限:所有多变量和机器学习分析均为探索性,样本量和事件数有限,存在过拟合风险;交叉验证为内部验证而非外部验证,小数据集性能估计可能偏乐观,临床使用前需独立队列确认。
  • 局限:合并治疗(皮质类固醇、瑞德西韦、抗凝药、托珠单抗)存在个体差异,研究把握度不足以对治疗效应做校正建模,不能排除未测量混杂;所有机器学习和治疗相关发现应视为假设生成。
  • 局限:随机试验尚未明确显示PD-1/PD-L1阻断在脓毒症中的获益,靶向该轴在重症COVID-19中的临床效用仍属推测,需严格检验。

对床旁实践的改变

  • 作者认为,ICU第5–7天sPD-L1动态监测比入院单点检测更具预后区分价值,持续升高提示向免疫抑制阶段的转变。
  • 作者认为,sPD-L1联合入院乳酸的双阈值(ICU第7天sPD-L1中位171 pg/mL和入院乳酸中位1.4 mmol/L)可用于风险分层,两项均超过阈值者为高风险组。
  • 作者认为,将连续sPD-L1测量纳入床旁机器学习模型可显著提高风险区分度,但模型结果应视为探索性/假设生成,需外部验证。
  • 作者认为,连续sPD-L1监测可能支持临床分层和免疫干预时机的选择,但解释不应聚焦于单一生物标志物且须保持谨慎。
  • 作者指出,皮质类固醇在低氧性重症中有用,但在病毒复制迁延的患者中可能有害,因此应避免不加区分的免疫抑制。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:J Intensive Care. 2026 Jan 5;14:13. doi: 10.1186/s40560-025-00846-3

背景

需要重症监护的重型2019冠状病毒病(COVID-19)与高死亡率相关,不同研究和机构中危重型COVID-19患者的重症监护病房(ICU)死亡率平均为30–40% [1]。COVID-19早期“细胞因子风暴”高炎症阶段已被充分认识 [2, 3];然而,越来越多的证据表明许多危重症患者还会出现免疫耗竭或继发性免疫抑制 [4]。重型COVID-19中显著的淋巴细胞减少和T细胞功能障碍与更差结局相关,这与脓毒性休克中观察到的“免疫麻痹”现象相似 [5, 6]。

PD-L1是一种关键的免疫检查点分子,通过与T细胞上的程序性死亡-1(PD-1)蛋白结合而下调免疫反应,导致T细胞功能耗竭 [7, 8]。在脓毒症中,PD-L1表达增高与单核细胞功能障碍、细胞因子产生受损和不良临床结局相关 [5]。循环或可溶性PD-L1(sPD-L1)已成为危重症患者免疫抑制的潜在生物标志物。临床前研究表明阻断该通路可改善生存 [9]。这些发现使PD-L1既成为免疫功能障碍的机制性标志物,也成为危重症的潜在预后指标。

近期证据提示PD-1/PD-L1通路在重型COVID-19病例中也存在失调 [10, 11]。Beserra等报道住院COVID-19患者的sPD-L1浓度显著高于健康对照,提示其在该严重感染病理生理中的作用 [11]。在其他研究中,已发现包括PD-L1在内的可溶性免疫检查点“风暴”,并与疾病严重程度相关 [12]。这些数据提示PD-L1可能参与COVID-19相关免疫失调,与细菌性脓毒症中的观察结果一致。

目前,缺乏危重症期间PD-L1动力学的纵向数据是文献中的重要空白。在大多数研究中,PD-L1(或sPD-L1)仅在单一时间点进行评估,如入院时,仅提供疾病的有限截面信息 [9, 10]。PD-L1水平在重症监护期间的演变仍不清楚,这些变化是否与临床结局相关也未知。已有研究提出对脓毒症中的免疫检查点(如PD-1/PD-L1)进行动态监测以用于预后和免疫治疗 [5];然而纵向研究仍然罕见。COVID-19中PD-L1的时间序列数据尤为稀缺。一项研究报道严重急性呼吸综合征冠状病毒2(SARS-CoV-2)感染后sPD-L1水平随时间无显著变化,但仅分析了少数时间点 [11]。总体而言,PD-L1水平在ICU住院期间是持续升高、波动还是下降仍不确定。理解这些模式可能有助于识别高炎症与免疫抑制阶段之间的转换,指导免疫调节干预的最佳时机。

为填补这一空白,本研究旨在描述因COVID-19导致危重症患者PD-L1水平的纵向变化轨迹,并评估这些时间依赖性变化的预后意义。我们假设死亡患者会表现出持续升高或不断上升的PD-L1水平,而存活者则表现为水平下降。通过分析本研究中PD-L1水平的时间动态变化,我们旨在为重型COVID-19的宿主免疫反应提供新的见解,并确定PD-L1是否可作为重症监护中的动态预后生物标志物。

方法

研究设计与参与者

本单中心、回顾性观察性研究于2021年4月至2022年12月在三重大学医院开展。我们纳入40例连续住院的实验室确诊COVID-19成人患者(定义为SARS-CoV-2逆转录聚合酶链反应检测阳性)进行分析。我们还招募了23名年龄和性别匹配的健康志愿者作为对照组。若关键变量缺失或无法获得知情同意,则排除患者。研究方案经三重大学医院机构审查委员会批准(批准号:IRB No. 3026和H2021-191)。我们在患者入院时从患者或其近亲处获得了书面知情同意。

数据收集与测量

人口学数据、合并症和实验室检查值取自电子病历。血浆样本在入院24小时内(ICU第1天)采集,随后在住院的ICU第5、7、14和21天采集。血浆样本采集于含乙二胺四乙酸的试管中,并在–80 °C下保存至使用。PD-L1水平使用人PD-L1 SimpleStep酶联免疫吸附测定试剂盒(28–8克隆;Abcam,ab277712,英国剑桥)按照制造商说明进行测定。我们还常规进行血液检查,包括全血细胞计数、凝血研究和生化检测,以监测临床状态和疾病严重程度。主要结局为院内死亡率。

统计分析

连续变量以均值±标准差(SD)或中位数四分位距(IQR)表示,并使用Student t检验或Mann–Whitney U检验进行比较。分类变量采用Fisher精确检验进行分析。

Kaplan–Meier生存分析及log-rank检验用于比较组间死亡率并评估统计学显著性。Cox比例风险回归模型用于识别死亡预测因素。此外,使用lifelines Python软件包实现该模型以纳入纵向数据。所有46个候选预测因素首先使用单独的单变量Cox模型进行分析。我们随后使用Benjamini–Hochberg程序对p值进行多重性校正,将错误发现率(FDR)控制在5%。FDR校正后q值< 0.05的预测因素以及预先指定的临床重要协变量被纳入多变量分析。

为防止这个小数据集(10个事件)过拟合,我们将最终模型限制为三个临床相关变量(每变量事件比≈3.3),并应用L1惩罚(LASSO)Cox回归。惩罚参数(λ)通过对数尺度(10⁻⁴–1.0)上20个候选值进行网格搜索选择,使用分层三折交叉验证以最大化平均一致性指数;随后使用交叉验证最优λ(≈0.003)拟合最终模型。模型乐观度通过1000次bootstrap重采样量化,以获得乐观校正的C指数和置信区间,三个系数的稳定性通过其在bootstrap样本中的选择频率(非零系数)评估。模拟研究表明,在强惩罚下,即使事件与变量比低至5,也可维持可接受的偏倚和校准度[13, 14]。因此,所得模型应被视为假设生成性,其稳定性需要在更大的独立队列中确认。

机器学习模型

机器学习(ML)建模在Python 3.10中使用scikit-learn v1.4和Shapley加法解释(SHAP)v0.45.0进行。分析包括所有入院时实验室和临床变量,以及连续sPD-L1浓度(ICU第1、5、7、14和21天)。我们保留缺失数据≤25%的变量,缺失值用列均值替换。非信息性标识符和二分类结局标签从预测变量矩阵中排除。连续预测变量使用StandardScaler进行z变换,缩放参数在每个训练折上估计,随后应用于相应测试折以防止数据泄漏。

我们评估了八种监督分类器:支持向量机(SVM)、神经网络(NN)、决策树(DT)、AdaBoost、梯度提升机(GBM)、线性判别分析(LDA)、逻辑回归和随机森林(RF)。SVM、NN、DT和RF的超参数使用网格搜索调优(附加文件1)。

模型开发遵循分层五折交叉验证方案。在每个训练折内,进行内部网格搜索以确定最优超参数集(评分=受试者工作特征[ROC]曲线下面积[AUC])。然后最佳估计器在全训练折上重新拟合,并在留出测试折上评估。我们使用预测类别概率构建ROC曲线并计算每折的AUC。真阳性率在100个等间距假阳性率点上插值,并为每种算法生成跨折平均ROC曲线。

模型可解释性使用SHAP评估。KernelExplainer在训练数据上拟合,全局特征重要性基于平均绝对SHAP值排序。所有计算使用固定随机种子(random_state = 42)执行。鉴于小队列(40例患者;10个事件),ML组件仍存在过拟合风险。分层五折交叉验证提供内部验证而非外部验证,因此性能可能存在乐观偏倚;因此,这些结果应视为探索性/假设生成性,有待在更大队列中进行外部验证。

软件和工具

所有统计和机器学习分析均使用Python 3.11版本进行。使用了以下库:lifelines(用于生存建模)和scikit-learn(用于机器学习模型训练)。数据预处理和可视化使用pandas、NumPy、Matplotlib和Seaborn进行。

结果

患者特征

共有40例入住三重大学医院的重症COVID-19患者纳入研究。其中,10例(25%)在住院期间死亡。表1显示了按生存状态分层的入院时基线特征和实验室数据的汇总。存活者平均年龄为59.8 ± 14.3岁,非存活者为64.3 ± 14.4岁(p = 0.109)。

非存活者的序贯器官衰竭评估(SOFA)评分显著高于对照组(7.40 ± 3.60 vs. 3.57 ± 1.77;p < 0.001),血小板计数显著低于对照组(182.7 ± 102.7 vs. 249.1 ± 107.6 × 10³/μL;p = 0.036)。非存活组的肌酐和血尿素氮(BUN)水平也显著升高(肌酐:2.40 ± 1.80 vs. 0.90 ± 0.52 mg/dL,p = 0.009;BUN:45.5 ± 29.8 vs. 23.9 ± 17.6 mg/dL,p = 0.046),提示肾功能受损。

存活者与非存活者之间的药物治疗无显著差异。两组接受皮质类固醇、瑞德西韦、肝素和托珠单抗的患者比例相当(p分别为1.000、0.054、0.153和0.190)。

其他变量,包括格拉斯哥昏迷量表评分、动脉血氧分压与吸入氧分数比值、炎症标志物、凝血参数和动脉血气值,在两组之间均无显著差异。

表1 COVID-19患者的基线特征 查看原表 ↗

血浆程序性死亡配体1水平

COVID-19患者入院时血浆PD-L1水平显著高于健康对照(中位数[IQR]:294.15 vs. 55.88 pg/mL,p < 0.001)。然而,存活者与非存活者之间在入院时未观察到显著差异(p = 0.390)(图1A、B)。

纵向分析显示两组PD-L1水平随时间均呈下降趋势。值得注意的是,非存活者的PD-L1浓度在整个观察期间持续较高。在ICU第5天和第7天检测到显著差异(p = 0.023和p = 0.001),但在ICU第1天、第14天和第21天未检测到显著差异(图1C)。

图1 COVID-19患者入院时及纵向血浆sPD-L1。A 健康志愿者与总体患者组入院时血浆PD-L1水平的比较。B 健康志愿者、COVID-19存活者和非存活者入院时血浆PD-L1水平。C 存活者与非存活者在入院后ICU第1、5、7、14和21天的纵向sPD-L1比较;各组样本量(存活者/非存活者):第1天,30/10;第5天,23/8;第7天,21/8;第14天,9/5;第21天,3/2。箱体表示四分位距(IQR);中心线代表中位数;须线表示1.5 × IQR;点表示个体。各时间点组间比较采用双尾Mann–Whitney U检验;p < 0.05被认为具有统计学意义(星号表示p < 0.05)。PD-L1,程序性死亡配体1;IQR,四分位距;COVID-19,2019冠状病毒病;sPD-L1,可溶性程序性死亡配体1 查看原图 ↗

程序性死亡配体1水平与临床参数之间的相关性

我们进行了Spearman相关性分析,以探讨五个时间点(ICU第1、5、7、14和21天)PD-L1水平与各种临床和实验室参数之间的关系。结果以热图形式总结于图2,每个单元格中标注了相关系数。统计学显著相关(p < 0.05)用星号(*)标记。

入院时(ICU第1天)血小板计数与sPD-L1水平之间观察到统计学显著的负相关,表明从危重疾病一开始,较高的PD-L1浓度即与较低的血小板计数相关。相反,肌酐从ICU第1天至第14天与sPD-L1水平呈正相关,并在ICU第7天达到统计学显著。

图2 重症COVID-19患者血浆sPD-L1水平与临床变量的Spearman相关性。热图显示在重症监护病房第1、5、7、14和21天测量的sPD-L1浓度与选定临床参数之间的Spearman秩相关系数(ρ)。较暖的颜色表示正相关,较冷的颜色表示负相关。每个单元格中显示数值ρ值。星号(*)表示双侧检验后显著相关(p < 0.05)。分析使用了各时间点的可用样本。eGFR,估算肾小球滤过率;AST,天冬氨酸氨基转移酶;ALT,丙氨酸氨基转移酶;ALP,碱性磷酸酶;CPK,肌酸磷酸激酶;RBC,红细胞计数;sPD-L1,可溶性程序性死亡配体1 查看原图 ↗

Cox比例风险分析

将四十六个纵向候选变量分别纳入独立的Cox模型。经Benjamini–Hochberg校正(FDR = 5%)后,六个预测因子达到了预设阈值(q < 0.05),因此适合进行多变量建模。最强的信号为ICU第7天sPD-L1(每标准差风险比[HR] = 2.09,95%置信区间[CI] 1.27–3.42,q = 0.037)和入院时动脉乳酸(每标准差HR = 2.69,95% CI 1.42–5.10,q = 0.037)。通过FDR控制的额外预测因子包括肌酐(每标准差HR = 2.10,q = 0.037)、总胆红素(每标准差HR = 2.20,q = 0.044)、淀粉酶(每标准差HR = 1.98,q = 0.037)和SOFA评分(每标准差HR = 2.10,q = 0.037)。各预测因子对应的标准差以及完整的筛选统计数据见附加文件2。

随后,我们应用LASSO-Cox回归,仅限于三个临床合理的协变量:乳酸、sPD-L1(ICU第7天)和肌酐。惩罚参数(λ)通过分层三折交叉验证网格搜索选择(最优λ ≈ 0.003)。最终系数和HR总结于表2。该惩罚模型达到了一致性(Harrell's C指数)0.90,偏赤池信息准则为45.4,表明良好的表观判别能力。使用1,000次Bootstrap重采样,乐观度估计为0.043,得出乐观度校正C指数为0.853。经收缩后,较高的乳酸和升高的ICU第7天sPD-L1仍与瞬时死亡风险增加独立相关(分别约为4.4倍和4.0倍)。血浆肌酐在惩罚后无统计学显著性。

表2 院内死亡率的惩罚多变量Cox模型 查看原表 ↗

基于可溶性程序性死亡配体1和乳酸的风险分层

采用预先设定的重症监护室(ICU)第7天界值,以ICU第7天可溶性PD-L1(171 pg mL⁻¹)和入院时动脉血乳酸(1.4 mmol L⁻¹)的中位数截断值将患者二分类。超过两个阈值的个体被归类为高风险;所有其他个体构成低风险组。在ICU第7天界值之前,发生2例死亡和1例删失,并将其从风险集中排除;因此,ICU第7天人群包括9例高风险和28例低风险患者。从ICU第7天开始绘制Kaplan–Meier曲线(x轴显示为自入院以来的天数,从ICU第7天开始),并显示各分层之间显著分离(log-rank χ2 = 4.42,df = 1,p = 0.036)(图3)。

图3 重型COVID-19中按ICU第7天sPD-L1和动脉血乳酸风险组合分层的Kaplan–Meier生存曲线。图中显示研究人群中识别出的高风险(橙色)和低风险(蓝色)队列的生存概率(N = 40)。当重症监护室(ICU)第7天血浆sPD-L1超过中位数(171 pg mL⁻¹)且动脉血乳酸超过中位数(1.4 mmol L⁻¹)时,患者被分类为高风险。所有其他患者被归类为低风险。删失观测以垂直短线标记。使用log-rank检验,组间生存差异显著(χ.2 = 4.42,df = 1,p = 0.036)。sPD-L1,可溶性程序性死亡配体1;COVID-19,2019冠状病毒病 查看原图 ↗

基于机器学习的死亡预测

为进一步探索包括PD-L1水平在内的临床变量的预测潜力,我们训练并评估了八种分类算法以预测院内死亡。使用分层五折交叉验证评估模型性能,并报告平均AUC值。SVM表现出最高性能(平均AUC = 0.917),其次为NN(AUC = 0.883)和LDA(AUC = 0.733)。相比之下,DT和GBM显示出较低的预测准确性(图4A)。

使用SVM模型进行的SHAP分析显示,ICU第5天的PD-L1水平是最显著的死亡预测因子,其次为乳酸脱氢酶、血小板计数和纤维蛋白原水平(图4B)。蜂群图(图4C)显示,较高的PD-L1水平与较高的预测死亡风险相关,而较高的血小板和纤维蛋白原水平与风险降低相关。

图4 死亡结局的机器学习性能与SHAP归因。A 使用分层五折交叉验证为SVM、NN、DT、AdaBoost、GBM、LDA、LR和RF生成的ROC曲线。插图显示每个模型的平均AUC-ROC;SVM实现了最高区分度(AUC = 0.917)。对角虚线表示无区分度。B 按最佳SVM分类器的平均绝对SHAP值排序的全局特征重要性。ICU第5天sPD-L1是最显著的预测因子,其次是乳酸脱氢酶、血小板计数和纤维蛋白原。C 蜂群SHAP图,展示每个特征对个体患者SVM死亡预测影响的方向和幅度。阳性SHAP值(向右偏移)增加死亡风险,而阴性值(向左偏移)降低死亡风险。连续变量按低值(蓝色)到高值(红色)进行颜色编码。AUC,曲线下面积;CRP,C反应蛋白;DT,决策树;FiO₂,吸入氧分数;GBM,梯度提升机;LDA,线性判别分析;LDH,乳酸脱氢酶;LR,逻辑回归;NN,神经网络;P/F,PaO₂/FiO₂比值;RF,随机森林;ROC,受试者工作特征;SHAP,SHapley加法解释;sPD-L1,可溶性程序性死亡配体1;SVM,支持向量机 查看原图 ↗

讨论

在我们这组重症COVID-19患者队列中,循环sPD-L1在住院前3周总体下降,但在非存活者中持续升高。ICU第5天和第7天采集的sPD-L1测量值可区分存活者与非存活者,表明sPD-L1持续升高与不良结局相关。通过多变量Cox分析,ICU第7天sPD-L1和入院时乳酸水平进一步被确定为院内死亡的独立预测因子;乳酸的预后价值与既往报道一致[15–17]。综上所述,这些观察结果表明,较高的sPD-L1水平、乳酸升高、免疫失调和组织缺氧可能有助于识别院内死亡风险增加的患者。

如图2所示,较高的sPD-L1水平与较早发生的肾功能障碍相关。同样,炎症和凝血指标,如C反应蛋白(CRP)和纤维蛋白原,在多个ICU日均显示与sPD-L1水平呈正相关。这些相关性提示,sPD-L1可能反映危重症期间肾功能障碍、全身性炎症和凝血激活的综合负担,可能反映共同病理生理轴的组成要素。因此,sPD-L1值得考虑作为现有预后指标之外的补充生物标志物。

在中重度COVID-19中,免疫异质性十分显著,部分患者表现出明显的炎症反应,而另一些患者则表现为病毒复制持续存在(如RNA血症)[18]。后一种表型与多器官衰竭和死亡风险较高相关[19],而细胞因子风暴并非普遍存在于所有重症病例中[20]。在我们的队列中,入院时sPD-L1水平较高且分布广泛,与炎症状态和持续感染状态混合存在相一致。至ICU第5–7天,组间分离变得更加明显,且不同结局组之间的sPD-L1水平存在差异。sPD-L1持续升高可能反映持续的病毒复制、缺氧和代谢应激,而ICU第5–7天的测量可能更敏感地捕捉到这一免疫学阶段的转变。

在治疗方面,免疫调节的获益具有阶段依赖性。糖皮质激素对低氧性重症疾病可能有益,但对病毒复制迁延的患者可能有害;因此应避免不加选择地使用免疫抑制[18, 21]。因自身免疫性疾病而接受基线糖皮质激素治疗的患者结局更差,进一步强调了不适当免疫抑制的潜在弊端[22]。从这个角度来看,连续监测sPD-L1可能有助于临床分层和免疫干预时机的选择,但其解读不应聚焦于单一生物标志物,且必须保持谨慎。

既往研究已报道,在COVID-19和其他感染中,肺组织PD-L1表达上调,且单时间点循环sPD-L1升高[11, 23]。我们的发现建立在既往研究基础上,通过纵向分析sPD-L1并显示ICU第5–7天的值比入院时水平具有更好的预后判别能力,从而拓展了现有证据。

SVM模型提供了补充证据,该模型纳入了ICU第1天和第7天的sPD-L1水平以及其他常规变量,包括年龄、SOFA评分和CRP水平。该模型实现了优异的判别能力(AUC > 0.91),并且基于SHAP归因,ICU第7天sPD-L1水平被列为死亡的主导预测因子。Cox模型和SVM模型之间重要性排序的差异可能反映了多重共线性导致的方差膨胀,以及非线性核捕捉线性比例风险模型无法捕捉的复杂交互作用的能力[24, 25]。总体而言,我们的发现支持既往研究报告的重症COVID-19病例中sPD-L1升高[11, 26]。关键的是,我们通过证明sPD-L1的时间轨迹与患者预后直接相关,扩展了这些观察结果,并使用经典回归和现代机器学习方法进行了评估。

在设计上,本研究中的多变量Cox回归和机器学习分析是在一个小队列中进行的探索性分析,因此存在过拟合和泛化能力有限的问题。然而,聚焦于PD-1/PD-L1轴提供了超越传统预后指标的新颖性,而我们观察到sPD-L1持续升高与不良结局相关,支持了免疫麻痹的临床相关性。我们的分析并未确立sPD-L1优于传统器官功能障碍或基于炎症的评分。相反,其价值似乎在于通过为风险评估增加免疫学维度来补充现有指标。

PD-1/PD-L1轴作为免疫检查点,有助于在炎症应激期间减弱表达PD-1的T细胞的活化[7]。在COVID-19中,由于sPD-1保留了通过PD-1发出信号并抑制活化T细胞的能力,sPD-L1可能促进早期感染阶段的病毒免疫逃逸,最终减弱过度亢进的宿主反应[23]。因此,在ICU第7天观察到的sPD-L1水平持续升高可能标志着向疾病晚期免疫抑制阶段的转变,其特征为T细胞耗竭。这种持续的PD-L1表达可能由干扰素-γ、白细胞介素-6和缺氧诱导因子(HIFs)的晚期激增所驱动,这些因子通过信号转导和转录激活因子1(STAT1)/干扰素调节因子1(IRF1)或HIF-1α通路上调PD-L1[21, 27]。这种细胞因子和缺氧依赖性调节与我们观察到的ICU第7天sPD-L1与乳酸和CRP水平之间的正相关一致,其中乳酸作为组织缺氧的标志物,CRP作为全身性炎症的指标。

类似现象在细菌性脓毒症中已有充分记载,其中持续的PD-1/PD-L1信号传导驱动长时间的免疫麻痹[28],而PD-L1缺陷小鼠表现出生存改善[29]。PD-1/PD-L1阻断在临床前脓毒症模型中已取得良好结果;然而,其在临床试验中的治疗获益尚未得到证实[9, 28]。我们的观察性研究提供了病理生理学证据,表明在病毒感染所致的危重症期间存在持续的PD-L1上调。这些发现提示,如果将检查点抑制用于治疗,给药时机可能对临床疗效至关重要。

sPD-L1有望成为临床有用的预后标志物。在ICU入院时和ICU第7天再次进行快速评估,可能有助于早期识别病情危重且死亡风险升高的COVID-19患者,从而允许及时升级或调整免疫治疗策略。在我们的研究中,将sPD-L1水平加入基于常规血液检查的机器学习(ML)模型提高了其预测准确性,突显了其在多变量风险评分中的附加价值。在未来的研究中,将这一方法扩展至纳入其他可溶性免疫检查点分子,如sCD40、可溶性T细胞免疫球蛋白和黏蛋白结构域(TIM)1以及半乳糖凝集素-9——这些也与疾病严重程度相关[26, 30]——可能有助于实现更精细的免疫谱分析并指导个性化治疗算法。

本研究存在一些局限性。首先,这是一个小型、单中心观察性队列;因此,我们研究结果的普适性以及关于治疗影响的任何推断均受到限制。其次,我们的分析仅集中于sPD-L1。对宿主免疫功能障碍更全面的评估需要同时定量其他免疫检查点介质,如PD-1、TIM-3和淋巴细胞活化基因3,并结合功能性T细胞检测。

第三,鉴于样本量和事件数有限,所有多变量分析和机器学习分析均为探索性分析,存在过拟合风险。虽然我们采用了分层交叉验证和惩罚措施,但交叉验证属于内部验证而非外部验证;因此,小数据集中的性能估计可能存在乐观偏倚,在任何临床使用之前必须在独立队列中进行验证。第四,合并治疗(包括皮质类固醇、瑞德西韦、抗凝剂和托珠单抗)因患者而异。这些在表1中进行了总结;然而,本研究效能不足以对治疗效果进行校正建模,且不能排除未测量的混杂因素。因此,所有机器学习和治疗相关发现应被视为假设生成性的。

最后,由于随机试验尚未显示PD-1/PD-L1阻断在脓毒症中具有明确获益[31, 32],在重症COVID-19中靶向该轴的临床效用仍属推测性,需要严格的验证。需要在更大规模、多中心、纵向队列中进行验证,并结合广谱免疫分析和时变治疗的显式建模,以确认我们的观察结果并确定其转化意义。

结论

在本研究中,我们发现持续性升高的血浆sPD-L1水平与重症COVID-19患者的不良预后相关。这提示sPD-L1介导的免疫抑制可能促进重症病例的疾病进展和死亡。

sPD-L1和乳酸水平被用于风险分层,以有效预测院内死亡。机器学习模型进一步证明了这些标志物的临床效用。sPD-L1既可作为预后生物标志物,也可作为潜在的治疗靶点,需要进一步研究以验证其在COVID-19免疫发病机制中的作用。

补充信息

附加文件1。

附加文件2。

参考来源

  1. Takeuchi S, Kawamoto E, Matsusaki T, et al. Exploratory characterization of dynamic soluble programmed death-ligand 1 trajectories and their association with mortality in critical coronavirus disease 2019. J Intensive Care. 2026. PMID: 41491535. doi:10.1186/s40560-025-00846-3
  2. 全文:PMC12870821(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12870821/

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。