整合肠道微生物组与尿液代谢组数据预测危重症患者继发感染
该研究纳入德国科隆大学医院(UHC)与美国哥伦比亚大学医学中心(CUMC)两个队列的机械通气危重症患者,核心数据集88例(UHC 64例、CUMC 24例),于入ICU或插管48小时内采集肠道与呼吸道微生物组(16S rRNA测序)及尿液代谢组(核磁共振波谱)数据。继发感染定义为入组48小时后新发血流感染和/或呼吸机相关性肺炎,发生率为28%。继发感染患者基线肠道微生物Shannon多样性更低(1.96 vs 3.47,p<0.01)、肠球菌属丰度更高(46% vs 11%,q=0.02),尿液0.935 ppm(2-氧代异己酸、异亮氨酸)与8.025 ppm(喹啉酸)特征升高。多组学整合模型较纯临床模型预测性能有中等但一致的提升(AUC 0.75 vs 0.64)。作者结论认为多组学整合可作为早期继发感染风险分层的概念验证方法,支持前瞻性验证。
要点
- 机械通气危重症患者中继发感染发生率为28%(25/88),中位发生时间为入组后11天。
- 继发感染患者基线肠道Shannon多样性显著更低(核心数据集1.96 vs 3.47,p<0.01;UHC子集1.55 vs 3.65,p<0.01)。
- 继发感染患者基线肠球菌属丰度更高(46% vs 11%,q<0.01),肠球菌优势定义为单一菌属相对丰度≥30%。
- 多组学整合模型AUC 0.75 vs 纯临床模型0.64;UHC子集整合模型AUC 0.88 vs 纯临床0.67。
- 既往抗生素暴露与继发感染相关(核心数据集84% vs 41%,q<0.01;OR 2.57,p=0.17)。
适用人群与场景
- 年龄≥18岁、入住ICU并在入组3天内启动机械通气的危重症患者。
- 排除标准包括:采样期间任何时间点COVID-19(UHC,实验室限制)、90天内既往艰难梭菌感染(CUMC)、近期细菌性血流感染或近期ICU入住(均在30天内,CUMC)。
- 核心数据集88例(UHC 64例、CUMC 24例);UHC子集80例(原64例加16例额外UHC患者),其中55例具有完整微生物组与尿液代谢组数据纳入整合预测建模。
诊断标准与关键阈值
- 继发感染定义为入组至少48小时后新发血流感染和/或呼吸机相关性肺炎,该阈值与Robert Koch Institute(RKI)院内肺炎指南一致(院内肺炎包括VAP定义为入院48小时后发生的肺炎)。
- 诊断标准进一步参照美国疾病控制与预防中心(CDC)VAP与BSI临床指南;单次阳性血培养且无临床支持证据不归类为感染。
- 肠球菌优势定义为单一分类单元相对丰度至少30%。
- 仅分析每位患者的首次ICU入住,所有继发感染在入组30天内捕获。
研究设计与关键结果
- 研究类型为基于两个独立三级学术队列(德国UHC医学ICU与美国CUMC五个内科或外科ICU)的分析,核心数据集88例,28%(25/88)发生继发感染,中位发生时间为入组后11天。
- 继发感染中17%(15/88)发生至少一次血流感染、16%(14/88)发生VAP;最常见血流感染病原为肠球菌属(部分为耐万古霉素菌株)与凝固酶阴性葡萄球菌属,VAP主要由革兰阴性菌引起,包括肺炎克雷伯菌(部分多重耐药)、铜绿假单胞菌和产超广谱β-内酰胺酶大肠埃希菌。
- 既往抗生素暴露与继发感染相关:核心数据集84% vs 41%(q=0.01),UHC子集78% vs 33%(q<0.01);作为预测因子纳入整合模型时核心数据集OR 2.57(p=0.17)、UHC子集OR 2.10(p=0.42)。
- 核心数据集多组学整合模型AIC 74.5、R² 0.53,优于纯临床模型AIC 104.71、R² 0.10;关键预测因子包括尿液0.935 ppm特征(OR 4.41,95%CI 2.18–10.86,p<0.01)与Shannon多样性(OR 0.35,95%CI 0.16–0.67,p<0.01),平均动脉压(OR 2.12,95%CI 1.06–4.56,p=0.04)与胆红素(OR 1.78,95%CI 1.05–4.27,p=0.07)亦有贡献。
- 核心数据集分类分析:仅整合微生物组(Shannon多样性)AUC由0.64升至0.66(ΔAUC=0.02,MCC 0.08升至0.14);整合代谢组AUC由0.64升至0.75(ΔAUC=0.11,MCC 0.08升至0.38);在代谢组模型上再加微生物组无额外获益(AUC 0.75,MCC 0.36)。
- UHC子集多变量模型:整合模型AIC 42.7、R² 0.61,优于纯临床模型AIC 96.3、R² 0.07;关键预测因子包括APACHE II评分(OR 3.21,95%CI 1.26–10.5,p=0.01)、Shannon多样性(OR 0.34,95%CI 0.11–0.84,p=0.02)、肠球菌优势(单独建模OR 4.96,95%CI 1.32–19.77,p=0.02;与临床及代谢组数据联合建模时OR 2.3,95%CI 0.4–12.99,p=0.34)。
- UHC子集分类分析:仅整合微生物组(Shannon多样性与肠球菌优势)AUC 0.82 vs 纯临床0.67(ΔAUC=0.15,MCC 0.52);整合代谢组AUC 0.83、MCC 0.52;三者联合AUC 0.88、MCC 0.52。
- 生存结局:核心数据集中位随访90天,继发感染未显著影响总死亡率(34%死亡率,p=0.79);UHC子集(43%死亡率,p=0.09)中继发感染患者ICU生存与住院生存显著更低(分别为p=0.048与p<0.01),ICU住院时间(33 vs 11天)与住院时间(69 vs 18天)均延长(均p<0.01)。
证据类型、等级与局限
- 证据类型为基于两个三级学术队列的分析(核心数据集88例、UHC子集80例)。
- 原文报告的方法学局限包括:测序技术目前不适合实时临床部署;NMR数据谱峰重叠限制可解释性,部分特征反映多种化合物;代谢组学关联为相关性而非因果性,危重症病理生理的共同混杂因素可能解释观察到的模式;微生物组贡献随数据集与微生物指标不同而变化。
- 原文结论指出多组学整合产生了—致的预测改善,支持前瞻性验证作为早期继发感染风险分层的概念验证方法。
对床旁实践的改变
- 作者认为多组学整合可作为早期继发感染风险分层的概念验证方法,并支持前瞻性验证;原文未据此给出可直接用于床旁的具体推荐。
指南或共识出处
- Robert Koch Institute(RKI)院内肺炎指南(院内肺炎包括VAP定义为入院48小时后发生的肺炎)。
- 美国疾病控制与预防中心(CDC)VAP与BSI临床指南。
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」,故未列出这些栏目。
全文中译31 节 · 点击展开
背景
继发感染(SI),尤其是呼吸机相关性肺炎(VAP)和血流感染(BSI),显著增加危重症患者的发病率、死亡率和医疗费用[1, 2]。超过一半的重症监护病房(ICU)患者在住院期间至少发生一次感染,其中约五分之一归类为ICU获得性感染。住院人群中的相关死亡率达28–34%[1]。多重耐药病原体的出现进一步限制了治疗选择,强调需要加强早期风险识别和预防策略[3]。
肠道微生物群通过定植抵抗机制在调节宿主对SI的易感性中发挥核心作用。许多医院获得性病原体来源于这一储库;然而,并非所有定植患者都会发展为活动性感染。这种保护功能依赖于共生厌氧菌,其通过营养竞争、抗菌化合物产生和噬菌体活性限制病原体扩增[4, 5]。粪便生物多样性通常被视为这种抵抗力的替代指标。微生物多样性降低和病原体过度生长与ICU人群中感染风险增加、疾病严重程度和死亡率相关[6–9]。抗生素暴露是危重症中几乎普遍存在的特征,进一步破坏这些保护性群落并有利于病原体增殖[6]。
尽管存在这些已确立的关联,基线微生物组特征尚未被系统评估其对SI发生的独立预测价值。这种不确定性反映了方法学差异、建立因果关系的纵向数据有限以及菌群失调反应的个体间异质性。基线微生物组特征对感染的预测价值仍不明确[10, 11]。此外,当前的测序技术仍不适合实时临床部署。因此,无创尿液代谢物值得作为微生物群完整性的潜在替代标志物进行研究。既往研究已发现尿液3-吲哚硫酸盐(3-IS)耗竭——一种由肠道共生细菌产生的色氨酸衍生代谢物——与不良结局之间的关联,包括肠道微生物群破坏和一年死亡率增加,分别在异基因干细胞移植后[12]和因主要为脓毒症、术后或心脏原因入住ICU后[13]。
因此,本研究针对三个相互关联的目标:[1]识别与SI发生相关的肠道微生物组和尿液代谢组特征(“多组学数据”)[2]研究呼吸道微生物组与肠道微生物组的汇聚,以及[3]评估将多组学数据与临床变量整合是否较单独临床评估提高预测判别能力。
患者与方法
研究框架和患者队列
本分析利用来自两个独立三级学术中心队列的数据:德国科隆大学医院(UHC)的内科ICU,以及美国纽约哥伦比亚大学医学中心(CUMC)的五个内科或外科ICU。采用逐步分析方法系统评估多组学整合。
最初,来自两个机构的患者被合并为一个核心数据集(n = 88;UHC 64例,CUMC 24例),以评估整合肠道微生物组和尿液代谢组数据对SI预测的基线影响。随后,对一个仅包含UHC患者的亚组(共80例患者:原始64例核心患者加上16例额外的UHC患者)进行了更详细的调查。从这个扩展队列中,55例具有完整微生物组和尿液代谢组数据的患者被纳入整合预测建模。该亚组使得更全面的微生物组分析成为可能,包括肠道微生物组的扩展特征描述,以及通过支气管肺泡灌洗(BAL)液和气管内吸出物(ETA)采样进行的呼吸道微生物群分析(数据集特征的更多细节见补充图S1,附加文件1)。
患者选择标准
纳入标准包括年龄≥18岁、入住ICU、以及入组后3天内开始机械通气。排除标准在初始队列招募期间适用,包括采样期间任何时间点存在COVID-19(实验室限制,UHC)、90天内既往艰难梭菌感染(CUMC)、近期细菌性BSI或近期ICU入住(均在30天内,CUMC)。
数据和标本采集
基线人口学、临床和实验室变量在入组时从病历中获取。对于UHC队列,生物标本包括BAL液、ETA、尿液、粪便和深部直肠拭子在插管后48小时内采集。鉴于粪便和直肠拭子微生物群谱之间的高度一致性,结果进行了相应合并[14]。对于CUMC队列,直肠拭子和尿液在入住ICU后4小时内采集。在核心数据集中,微生物组分析包括使用Shannon多样性指数评估肠道微生物多样性[15]。对于UHC患者亚组,分析扩展到包括呼吸道标本(BAL和ETA)以及超越标准多样性指标的更详细的微生物谱分析。
结局定义
SI定义为入组后至少48小时发生的新发BSI和/或VAP。该阈值与Robert Koch研究所(RKI)关于医院获得性肺炎的指南一致,该指南将医院获得性肺炎(包括VAP)定义为入院后超过48小时发生的肺炎[16]。诊断标准进一步参考了美国疾病控制与预防中心(CDC)关于VAP和BSI病例的临床指南[17, 18]。所有血培养均由经验丰富的临床医生独立审核,以区分真性菌血症与污染;无支持性临床证据的单一阳性培养不被归类为感染。对于每位患者,仅检查首次ICU入住,所有SI均在入组后30天内捕获。
描述性统计
统计分析使用R(v4.4.1和v4.2.0;R Foundation,维也纳,奥地利)进行[19]。连续变量以中位数或均值[四分位距(IQR);全距]表示,分类变量以频率[%]表示。组间比较采用Wilcoxon秩和检验(精确法)、Fisher精确检验或Pearson卡方检验,p值<0.05视为具有统计学显著性。在适当情况下,对临床、微生物组和代谢物数据应用Benjamini–Hochberg方法进行多重检验校正以控制错误发现率(FDR),q值阈值设为0.05。采用随机森林插补处理选定的随机缺失数据(见补充表S5,附加文件5)。
微生物组分析
微生物组谱分析在两个研究站点均按照既定方案独立进行。CUMC队列所使用的方法此前已有描述[13]。对于UHC队列,详情见附加文件3;简言之,使用ZymoBIOMICS™ DNA/RNA Miniprep试剂盒(Zymo Research;美国加利福尼亚州尔湾)提取基因组DNA,并在Illumina MiSeq平台(Illumina;美国加利福尼亚州圣迭戈)上对16S rRNA基因的V3‒V4区域进行测序。测序数据通过QIIME2[21]中的DADA2插件[20]进行处理。分类学鉴定通过基于SILVA数据库第138版[23]训练的朴素贝叶斯分类器(sklearn)[22]进行。微生物优势度定义为单个分类单元相对丰度至少30%。α多样性(α-diversity)采用Shannon[15]和Simpson多样性指数[24]、基于丰度的覆盖估计量(ACE)[25]、Chao1估计量[26]、物种丰富度(SR)和系统发育多样性(PD)[27]进行评估。β多样性(β-diversity)通过UniFrac[28]和Bray‒Curtis相异度[29]指标进行评估。差异丰度分析采用线性判别分析(LDA)效应量(LEfSe)[30]进行,考虑LDA评分高于2的分类单元。
尿液分析
尿液分析流程详见附加文件4;简言之,分析采用核磁共振(NMR)波谱法和超高效液相色谱-串联质谱法(UHPLC‒MS/MS)进行。前者在Bruker Avance III HD 600 MHz波谱仪上进行,代谢物鉴定和定量使用Chenomx NMR Suite 8.3(Chenomx Inc.,加拿大艾伯塔省埃德蒙顿)完成。数据使用TopSpin 4.14(Bruker)和AMIX 3.9.13(Bruker)处理。用于分类分析时,波谱被分为1029个等间距的0.01 ppm宽度区间,随后进行肌酐归一化。NMR数据中的波谱重叠限制了可解释性,部分特征反映多种化合物。肌酐和3-IS采用UHPLC-MS/MS定量,使用ExionLC-30AD HPLC系统联用Triple Quad 6500+质谱仪(AB Sciex,德国达姆施塔特)。3-IS浓度归一化至肌酐;定量基于使用稳定同位素标记标准品的校准曲线。
代谢组学区间选择
为解决数据集异质性问题,采用三种互补的特征选择方法进行核磁共振(NMR)光谱桶选择:基于机器学习算法(随机森林、xgbTree、glmnet)的特征重要性、基于随机森林的过滤法选择以及Boruta算法。通过整合各方法输出结果并去除冗余特征,对最终特征集进行精炼。详见附加文件4。
预测建模
为系统评估多组学整合的增量价值,整合建模通过四个序贯层次评估微生物组和代谢组特征:[1]仅临床数据[2]、临床数据联合微生物组数据[3]、临床数据联合所选代谢组桶,以及[4]三者联合。候选预测变量包括人口学、临床、合并症和疾病严重程度变量(详见附加文件5),以及Shannon多样性、肠球菌属优势(仅UHC亚组)和所选尿液代谢组桶。协变量选择通过前向、后向和双向逐步逻辑回归进行,参考模型性能指标包括赤池信息准则(AIC)和Nagelkerke伪R²。最终模型精炼由人工审查和专家共识指导。候选预测变量间的共线性通过方差膨胀因子(VIF)分析系统评估,VIF > 5的预测变量被排除,以确保系数稳定性和可解释性。
分类模型
机器学习分类模型通过训练集(80%)和测试集(20%)划分进行开发,采用递归特征消除(RFE)识别最优特征子集,确保类别平衡并避免训练集与测试集之间的数据重复使用。同样测试了四种数据配置:[1]仅临床数据[2]、临床数据联合微生物组数据[3]、临床数据联合所选代谢组桶,以及[4]三者联合(候选预测变量详见附加文件5)。模型采用5折交叉验证重复五次进行训练。模型性能通过马修斯相关系数(MCC)[31]以及受试者工作特征(ROC)曲线下面积(AUC)[32]进行评估。
生存分析
生存估计采用Kaplan-Meier法计算并进行对数秩检验。总生存期从入组至任何原因死亡,存活者在末次接触时删失。
结果
患者特征
核心数据集包括88例患者,其中25例(28%)在入组后中位11天发生SI。中位年龄为60岁;45例患者(52%)为男性。UHC子集包括80例患者,其中23例(28%)发生SI。中位年龄为58岁;46例患者(57%)为男性。各数据集和组间人口统计学特征大体相似;然而,既往抗生素暴露在两个数据集中均与SI发生显著相关(核心数据集:21[84%]对26[41%],q=0.01;UHC子集:18[78%]对19[33%],q<0.01)。在UHC子集中,SI患者的血液肿瘤合并症患病率更高(19[83%]对28[49%],q=0.045),同时免疫抑制剂(11[48%]对9[16%],q=0.02)和化疗(11[48%]对8[14%],q=0.01)使用增加。这些患者还表现出显著更低的血小板计数(75对180×109/L,q=0.046)、血红蛋白(8.7对11.1 g/dL,q<0.01)和血细胞比容水平(23%对31%,q<0.01)(UHC子集详情见表1和补充表S1,附加文件1)。
继发感染特征
28%(25/88)的患者发生SI,17%(15/88)经历至少一次BSI发作,16%(14/88)发生VAP;这些类别互不排斥。最常见的BSI病原体为肠球菌属(部分包括耐万古霉素菌株)和凝固酶阴性葡萄球菌属。VAP主要由革兰阴性菌引起,包括肺炎克雷伯菌(部分为多重耐药)、铜绿假单胞菌和产超广谱β-内酰胺酶(ESBL)的大肠埃希菌(见补充表S2,附加文件2)。
生存结局
在核心数据集中,中位随访延长至90天;SI未显著影响总体死亡率(死亡率34%,p=0.79)。随着可用数据增多,UHC子集(死亡率43%,p=0.09)显示SI患者的ICU生存率和住院生存率显著更低(分别为p=0.048和p<0.01),同时ICU住院时间(33对11天)和总住院时间(69对18天)延长(均p<0.01;见补充图S7和S8、表S7和S8,附加文件6)。
肠道和下呼吸道微生物组
在核心数据集中,随后发生SI的患者在入组时Shannon多样性显著降低(1.96对3.47,p<0.01;图1)。在具有全面分析的UHC子集中,SI患者基线肠球菌属丰度显著更高(46%对11%,q<0.01),在更高分类水平上呈现相似模式,包括芽孢杆菌纲(61%对19%,q<0.01)和厚壁菌门优势(70%对22%,q<0.01)。相反,未进展为SI的患者表现出更高的厌氧类群相对丰度,如梭菌纲(37%对19%,q=0.04)、拟杆菌纲(20%对7%,q<0.01)和γ-变形菌纲(12%对4%,q=0.01)。LEfSe分析证实芽孢杆菌纲(LDA:5.286,p<0.01)、乳杆菌目(LDA:5.258,p<0.01)和肠球菌科(LDA:5.208,p<0.01)为SI患者的关键鉴别类群,均属于厚壁菌门(见图1,以及补充表S3和图S2,附加文件3)。
与核心数据集一致,在所有测量的α多样性指数中,SI病例的微生物多样性均较低,Shannon多样性显著降低(UHC亚组:1.55 vs. 3.65,p < 0.01)。β多样性分析进一步揭示了感染组与非感染组之间的组成分离,加权UniFrac距离显示出最强的分离(11.3%,R2 = 0.11,伪F = 8.51,p < 0.01),表明组间方差超过组内方差八倍以上(见图1,以及补充表S3和图S2,附加文件3)。
来自UHC亚组的下呼吸道数据显示,SI患者中肠球菌属物种丰度增高和多样性降低的相似趋势,提示不同身体部位存在平行的微生物紊乱(见补充图S3和S4,表S4,附加文件3)。
尿液特征
NMR分析确定了与SI相关的若干关键波谱特征,详见附加文件4。值得注意的是,0.925和0.935 ppm处的波谱特征主要对应于2-氧代异己酸和异亮氨酸,尽管观察到与蛋白质信号存在部分重叠。如附加文件4的补充图S5所示,2-氧代异己酸和异亮氨酸(程度较轻)均对NMR谱库有显著贡献,该谱库包含化学位移范围为0.930至0.940 ppm的信号。经肌酐归一化后,SI患者尿液中这两种代谢物的水平相对于非SI对照均升高,其中2-氧代异己酸为主要成分(图2)。基于既往研究[13],本研究还评估了3-IS浓度及其对SI的影响,但在核心数据集中组间差异无统计学意义(见附加文件4的补充图S6)。
在UHC亚组中,喹啉酸升高(8.025 ppm)与SI相关,而随后发生SI的患者中3-IS浓度显著较低(p = 0.01)。然而,后一关联在单变量logistic回归中未保持显著性(见图2和附加文件4的补充图S6)。
通过回归和分类分析预测继发感染
核心数据集分析
整合多组学模型(临床数据+微生物组数据+代谢组数据)相较于仅临床模型(AIC = 104.71,R² = 0.10)表现出更优的性能(AIC = 74.5,R² = 0.53)。关键预测因子包括尿液NMR 0.935 ppm特征(比值比(OR)= 4.41,95%置信区间(CI)2.18–10.86,p < 0.01)和Shannon多样性(OR = 0.35,95% CI 0.16–0.67,p < 0.01)。临床变量包括平均动脉压(MAP;OR = 2.12,95% CI 1.06–4.56,p = 0.04)和胆红素(OR = 1.78,95% CI 1.05–4.27,p = 0.07)也有进一步贡献(表2)。
分类分析显示,仅整合微生物组(Shannon多样性指数)带来边际改善(AUC 0.64至0.66,ΔAUC = 0.02;MCC 0.08至0.14)。整合代谢组学则带来实质性提升(AUC 0.64至0.75,ΔAUC = 0.11;MCC 0.08至0.38)。在代谢组学模型中加入微生物组数据未带来额外获益(AUC 0.75,MCC 0.36)(图3)。
UHC亚组分析
多变量建模进一步证实了上述发现,综合整合模型(AIC = 42.7,R² = 0.61)显著优于仅临床方法(AIC = 96.3,R² = 0.07)。关键预测因子包括急性生理学与慢性健康状况评分II(APACHE II)评分(OR = 3.21,95% CI 1.26–10.5,p = 0.01)、Shannon多样性(OR = 0.34,95% CI 0.11–0.84,p = 0.02;表2)和肠球菌属优势(单独建模时OR = 4.96,95% CI 1.32–19.77,p = 0.02;与临床和代谢组数据联合建模时OR = 2.3,95% CI 0.4–12.99,p = 0.34;附加文件5的补充表S7)。
分类分析显示,在该数据集中微生物组的贡献更为显著:仅整合微生物组数据(Shannon多样性指数和肠球菌属优势度)即达到AUC 0.82,而仅使用临床数据为0.67(ΔAUC = 0.15,MCC 0.52)。代谢组整合同样获得AUC 0.83和MCC 0.52。将微生物组和代谢组特征与临床变量同时整合达到最高预测准确度(AUC 0.88,MCC 0.52),表明跨组学层面存在互补信息(图3)。
选定的NMR特征
最具信息量的尿液NMR特征因可用的临床和微生物组数据而异,0.935 ppm特征(2-氧代异己酸,以及程度较轻的异亮氨酸)在核心数据集中占主导,而8.025 ppm特征(喹啉酸)在UHC子集中占主导(表2)。然而,替代的NMR特征选择产生了相当的预测性能。不同特征组合间的模型拟合指标相似,核心数据集中AIC值范围为74.53至88.06,UHC子集中为41.96至50.17,表明多种代谢组特征标签可实现相似的判别能力。详细的特征选择结果和模型比较见表2和补充表S6(附加文件5)(表3)。
抗生素暴露
当替代最终模型中的其他临床参数进行建模时,既往抗生素暴露在整合模型中表现为一致的预测因子(核心数据集:OR = 2.57,p = 0.17;UHC子集:OR = 2.10,p = 0.42)。VIF分析分别证实与Shannon多样性(VIF = 1.20)和肠球菌属优势度(VIF = 1.22)无显著共线性。嵌套模型比较进一步表明,微生物组特征较仅含抗生素暴露的模型提高了预测性能(补充表S6,附加文件5)。
讨论
脓毒症诱导的免疫抑制(SI)仍是重症监护病房(ICU)中的重大挑战,可延长危重病程、增加死亡率并推高医疗费用[1, 2]。在本研究中,SI与较短的中位生存期、ICU及住院环境下总生存期降低以及各诊疗环境中住院时间延长相关。这些感染的临床负担凸显了一个重要缺口:尽管对SI宿主相关和病原体相关决定因素的机制认识不断加深,当前的预防和诊断策略仍不足以实现患者的早期精准风险识别。本研究通过识别与SI发生相关的肠道微生物组和尿液代谢组特征、探讨跨部位微生物群趋同模式,并确定将多组学数据与标准临床评估相结合是否较单独临床评估能提高预测判别能力,从而填补这一缺口。
本分析得出五项关键观察结果。第一,SI的发生与常规临床严重程度标志物相关,包括平均动脉压(MAP)、胆红素和APACHE II评分。第二,肠道微生物群紊乱——以多样性降低和肠球菌属优势为特征——是SI的独立且显著的危险因素。第三,抗生素诱导的微生物群紊乱在胃肠道和呼吸道部位协同显现。第四,映射至支链氨基酸(2-氧代异己酸、异亮氨酸)和色氨酸代谢物(喹啉酸)的独特尿液代谢组学特征成为感染的预测因子。第五,多组学整合以情境依赖的方式提高了预测准确性:代谢组学特征在两个数据集中均持续改善预测性能,而微生物组的贡献则表现出依赖于微生物指标特异性和所用数据集的变异性。
临床危险因素
在本分析中,已确立的临床严重程度指标对SI预测保留了显著的预后价值[33, 34]。MAP和胆红素作为序贯器官衰竭评估(SOFA)评分的核心组成部分[35],以及UHC亚组中的APACHE II评分[36],均成为一致的预测因子。这些发现与器官功能障碍加重和感染易感性之间已被充分确立的关系相一致。在UHC亚组中,SI患者恶性肿瘤患病率较高,与免疫受损人群中公认的感染风险相一致[37]。这一关联可能既反映了基础恶性肿瘤固有的疾病负担,也反映了癌症患者预后不良的既定易感性——这些特征常体现于严重程度评分升高之中[38, 39]。
微生物群紊乱作为感染风险的关键决定因素
除已确定的临床因素外,微生物组改变日益被认为是ICU患者不良结局的关键决定因素[4]。在我们的研究中,基线肠球菌属优势(相对丰度≥ 30%)与感染发生显著相关,这与既往报道将肠球菌属丰度与不良结局相关联的研究一致[6, 7, 40]。这一关联可能反映了在进展为SI的患者中观察到的既往抗生素暴露增加。驱动这一关系的生态学机制已被充分阐明。广谱抗生素,尤其是具有厌氧菌覆盖范围的抗生素,会破坏正常微生物组多样性并创造有利于肠球菌属增殖的生态位,常导致耐万古霉素肠球菌(VRE)定植[40]。研究表明,ICU患者微生物群在抗生素暴露后72小时内即可丧失多样性,促进与VRE定植和死亡率升高相关的肠球菌属优势[6, 7]。值得注意的是,ICU入院时肠球菌属优势分别与死亡率和感染风险增加19%和22%相关,其中77%的此类患者表现为VRE阳性[7]。在移植人群中,肠球菌属优势使VRE来源的血流感染(BSI)风险增加九倍[40]。
微生物多样性降低在两个研究数据集中均与SI发生独立相关。较高的基线多样性具有保护作用,这一模式在免疫功能受损人群中已有充分文献记载[8]。然而,传统多样性指标可能无法捕捉关键生态学变化,如机会性病原体暴发,且其预测能力随患者人群和免疫状态而变化[6]。在本研究中,核心数据集约三分之二来源于以血液肿瘤患者为重点的专科内科ICU,在该人群中维持微生物多样性似乎尤为重要。这很可能反映了该人群特有的免疫重建需求增强;这一关系在更为异质的ICU环境中可能不那么明显[7]。
新出现的证据支持肠-肺轴作为微生物易位和跨部位破坏的途径。在本分析中,呼吸微生物群在SI患者中显示出肠球菌属丰度增加和多样性降低的平行模式,与肠道模式一致。这些可能由抗生素诱导的生态学变化通过多个黏膜部位定植抵抗的丧失导致不良结局,强化了微生物群落在感染易感性中的相互依赖性[41]。
对尿液代谢物的机制性认识
实现定植风险评估的临床潜力需要可靠、可快速测量的生物标志物。尿液代谢物兼具非侵入性样本采集和与常规临床工作流程兼容的优势,加之其代谢丰富度高且相对不受蛋白质和细胞干扰[42–45]。在本研究中,NMR波谱识别出多个与后续SI发生相关的代谢组学特征,其中0.935 ppm和8.025 ppm处的谱峰在最终多变量模型中成为信息量最大的判别因子。这些特征是在结合临床和微生物组数据的背景下筛选出的,在部分重叠的数据集中产生了两个不同但生物学上合理的特征谱,并凸显了临床、微生物和代谢因素之间预期的协同相互作用。重要的是,这些关联仍是相关性而非因果性的;危重症病理生理学的共同混杂因素可能构成了所观察模式的基础。
0.935 ppm处的NMR特征包含2-氧代异己酸和异亮氨酸,二者均与支链氨基酸(BCAA)代谢密切相关,并在核心数据集中被确定为后续SI的关键判别因子。它们在尿液中的蓄积可能反映了宿主-微生物BCAA代谢的更广泛紊乱,可能源于消耗BCAA的菌群耗竭、全身性炎症或分解代谢应激——这些情况在危重症中常见,且常伴有肾功能障碍。实验数据表明,2-氧代异己酸等酮酸可调节巨噬细胞向促肿瘤或促炎巨噬细胞状态极化,为BCAA分解代谢与免疫功能之间提供了生物学上合理的联系[46]。反之,异亮氨酸升高与慢性代谢和炎症状态相关,包括肝病[47]和2型糖尿病[48]。它还可作为一种免疫营养素,在实验模型中支持免疫器官的发育和功能、促进宿主防御肽表达并增强抗菌应答[49, 50]。在此背景下,后续发生SI的患者尿异亮氨酸升高可能代表宿主对菌群失调相关或危重症相关免疫功能障碍的代偿性应答。尽管维生素缺乏——硫胺素[51]和吡哆醇[52]——理论上可以解释2-氧代异己酸和异亮氨酸水平升高,但ICU常规补充和富含维生素的营养使这些病因不太可能。
8.025 ppm处的信号对应于喹啉酸,这是一种来源于色氨酸降解的犬尿氨酸途径中间产物,其在UHC亚组中一致性地鉴别了SI。尿液中水平升高主要反映炎症诱导的宿主吲哚胺2,3-双加氧酶激活,该酶为限速酶,由促炎细胞因子驱动。共生菌耗竭(梭菌纲/拟杆菌纲)导致的微生物色氨酸分解代谢减少——SI患者中较低的3-IS支持了这一现象——可能继发性地增加了该途径的底物可利用性。在功能上,喹啉酸是烟酰胺腺嘌呤二核苷酸(NAD⁺)从头合成中的核心中间产物,而NAD⁺对细胞能量代谢、DNA修复和应激反应调控至关重要。在免疫激活期间,喹啉酸升高可能反映代谢向NAD⁺生成方向的转变以支持宿主防御,而喹啉酸磷酸核糖基转移酶活性降低——损害其向下游前体如烟酸单核苷酸的转化——可能在炎症条件下促进其蓄积[53–55]。在临床上,喹啉酸升高与其他感染性和炎症性环境中的不良结局[56]及神经毒性、促炎效应相关,支持其作为宿主反应标志物的相关性[57]。
值得注意的是,2-氧代异己酸、异亮氨酸和喹啉酸在很大程度上是宿主来源的代谢物,微生物群落以不同程度调节其水平。这表明尿液代谢物捕获了SI风险的宿主代谢维度,而该维度未被微生物群组成单独充分反映,从而补充了微生物组谱所包含的信息。
多组学整合的互补预测价值
在这些代谢物见解的基础上,将多组学数据整合到预测建模中一致地显示出优于传统临床模型的改进,尽管这些增益的程度和性质随着数据集特征和所采用的组学模态而显著变化。在核心数据集中,微生物组整合(仅香农多样性指数)仅带来边际预测改善(ΔAUC = 0.02),而特征更全面的UHC子集在加入微生物组数据(包括香农多样性和肠球菌属优势度)时显示出显著增强(ΔAUC = 0.15)。这一差异可能反映了这些微生物指标的判别能力不同:香农多样性量化了整体群落丰富度和均匀度[15],但提供的独立预后信息有限。相比之下,具有机制信息量的特征如肠球菌属优势度赋予了显著更大的预测价值。这些观察结果与危重症下肠道菌群失调的系统综述一致,其中α多样性的降低并不一致地与院内死亡率相关,而特定分类群的丰度,包括肠球菌属物种,则是临床结局更强的预测因子[6]。近期证据进一步强调了微生物组数据整合的优势:基于自编码器的多区室微生物组数据与临床变量的整合一致地产生更优的预测准确性,在肺部微生物组分析中死亡率预测准确率高达98%,而仅使用微生物组分类群的表现明显较弱(53–65%)[58]。同样,整合时间序列微生物组和临床数据用于预测早产儿生长迟缓的分层机器学习,与仅使用临床数据相比,在预测精度和成本效率方面均显示出显著改善[59]。
相比之下,尿液代谢组学整合在两个数据集中均一致地改善了预测性能。UHC队列从代谢组或微生物组数据单独均获得了相当的准确性。关键的是,同时整合两个组学层面与临床变量达到了最高的预测准确性(UHC子集中的AUC 0.88),表明不同生物学领域之间存在互补信息。这些发现强调了一个基本原则:代谢组学特征似乎捕捉了可泛化的免疫代谢状态和与感染易感性相关的微生物组相关紊乱,适用于异质性临床情境。相反,微生物组特征表现出依赖于情境的预测价值,根据所采用指标的特异性和生物学信息量而显著变化。
尿液代谢组学在危重症和感染风险中的新兴临床应用
越来越多的证据支持尿液代谢组学作为一种可行且信息丰富的方法,用于对危重症人群进行分层和预测不良结局。尿液代谢谱与1型糖尿病的心血管风险[60]和慢性肾脏病的进展[61]相关。此外,映射到氨基酸生物合成和糖脂代谢的尿液代谢物与免疫球蛋白A肾病的进展相关(AUC超过0.9)[62]。在肝硬化患者中,参与S-腺苷甲硫氨酸和色氨酸代谢的血清和尿液代谢物已显示出预测急性肾损伤和透析需求的预后价值[63]。同样,战斗伤员中尿液乳酸、甘氨酸和1-甲基烟酰胺水平与死亡率或肾脏替代治疗需求之间存在关联[64],支持基于尿液的预后模型在危重症人群中的可行性。
更具体地关于感染风险,并与当前关于喹啉酸和3-IS的发现相一致,近期研究证明了尿液代谢组学捕捉色氨酸-犬尿氨酸通路改变的能力。在住院COVID-19患者中,尿液犬尿氨酸、3-羟基犬尿氨酸和3-羟基邻氨基苯甲酸升高与全身性炎症和疾病严重程度相关[65]。在外科ICU患者中,血浆喹啉酸在区分非脓毒症和脓毒症前期患者方面表现出非常好的判别能力,支持了我们关于色氨酸通路激活预测感染风险的发现[66]。肠道来源的尿毒症毒素如3-IS已被提议作为器官功能障碍的候选生物标志物,并可能反映与感染易感性相关的微生物组活动[13]。在异基因干细胞移植受者中,低尿液3-IS水平与移植相关死亡率显著增加相关,强化了这种微生物组来源代谢物的保护作用[12]。新兴工作进一步证明了尿液代谢组学区分病原体特异性感染表型的能力——独特的尿液代谢物模式可将铜绿假单胞菌VAP与非铜绿假单胞菌VAP和未感染对照区分开来[67]。最后,尿液分析已鉴定出胍丁胺和N6-甲基腺嘌呤作为在大型队列中准确预测尿路感染病原体的标志物[68, 69]。
方法学考量与局限性
若干限制需要明确承认,因为它们影响对我们发现的适当解读和推广性。患者数量有限(核心数据集n = 88,UHC子集n = 55)加上临床异质性导致统计效力中等且过度拟合风险增加,特别是考虑到NMR代谢组学数据集的高维度(1,029个光谱桶)。因此,结果反映的是队列内性能,未经正式外部验证,限制了对模型可移植性至其他ICU环境的信心。
随后对两个在地理和临床上不同的队列进行了事后整合,以提高统计效能和普适性,但这本身会通过患者人口学特征、医疗体系、临床实践、感染控制方案和标本采集流程的差异引入异质性。这些差异可能混杂生物学信号,并使特征选择偏向队列特异性关联,从而限制其对其他重症监护室(ICU)环境的普适性。
从微生物学角度看,16 S rRNA基因测序仅提供属至种水平的分类分辨率,无法进行菌株水平的区分。测序工作流程的跨队列差异会引入批次效应,可能混杂生物学解释。
非靶向核磁共振(NMR)代谢组学中的谱峰重叠限制了代谢物的确定性注释,因此桶积分只能作为 underlying 代谢通路的替代指标。 consequently,涉及2-氧代异己酸、异亮氨酸和喹啉酸的所报告关联应谨慎解释,并通过正交定量检测独立验证,以确认代谢物身份并实现机制性解释。
抗生素暴露的特征描述仅限于临床记录,未按药物类别、剂量或药代动力学进行分层,无法定量评估选择压力及其对微生物群组成的类别特异性效应。
最后,单次基线采样仅提供代谢和微生物的横断面快照;采样之前或感染发病之前出现的动态变化仍未得到表征。该设计掩盖了预测标志物检测与感染发生之间的时间关系,无法确定所识别的特征谱是感染易感性的原发驱动因素还是早期菌群失调的下游后果。高风险期内微生物群-代谢组改变的动态轨迹仍未被探索。
临床转化要求
鉴于这些限制,建模结果应被解释为概念验证,而非可直接部署的临床预测工具。外部验证和进一步的机制研究是临床转化前必不可少的先决条件。前瞻性研究必须在更大、更同质的患者人群中验证 findings,同时检查 underlying 病理生理(如脓毒症、急性呼吸窘迫综合征、术后危重症)与菌群失调轨迹之间的相互作用。理想情况下,通过在一个队列上训练并在独立人群中进行前瞻性测试来实现真正的外部验证,将严格确立模型的可迁移性。
在ICU入住早期以频繁间隔进行纵向分析将能够开展轨迹分析,确定进行性微生物组破坏是否比基线评估具有更高的灵敏度来预测感染发生。新兴证据表明,随时间变化的生物标志物动力学较单时间点测量具有更优的预后价值[13];我们的初步数据显示微生物组趋同模式早在入组时即已出现,强调了时间分辨率在捕捉生态失调轨迹中的关键重要性。将这种纵向方法扩展至评估抗生素暴露对微生物组演化的影响,对于区分治疗效应与内在疾病动力学将至关重要。此外,比较成功治疗患者与继发感染患者的恢复轨迹,可能有助于识别具有比静态测量更高预测潜力的动态微生物组和代谢组标志物。
机制验证对于转化影响力仍然至关重要。靶向定量检测应确认与2-氧代异己酸、异亮氨酸和喹啉酸的关联,建立绝对浓度并验证氨基酸代谢失调作为微生物组来源的感染易感性机制。不同数据集之间NMR特征的差异选择进一步提示代谢组学特征的背景依赖性,需要对跨队列生物标志物选择的地理和临床变异进行系统探索,以阐明是否存在通用特征,还是需要背景特异性标志物才能达到最佳性能。
所有未来工作都必须以一项关键认识为框架:16S rRNA测序和NMR代谢组学仍然是研究工具,不适合用于实时临床决策。测序需要数小时至数天进行样本处理和分析;NMR同样需要大量分析基础设施和技术专业知识。弥合这一技术差距需要开发快速、即时检测方法,既保留本文所鉴定的机制洞察,又满足ICU的实际需求:最少样本处理、数小时而非数天的周转时间、允许常规部署的成本效益,以及无需专业培训的临床人员可解读性。
结论
本系统评价对多组学整合提供了适度但一致的证据,支持将肠道微生物组和尿液代谢组数据与标准临床评估相结合对危重患者SI预测的附加价值。SI易感性与临床严重程度标志物、微生物群破坏(特别是微生物多样性降低和肠球菌属优势)以及反映在尿液代谢物改变中的氨基酸和色氨酸代谢失调相关。多组学整合增强了预测判别能力,其程度取决于数据集和指标特异性。
这些发现为前瞻性验证研究和机制研究奠定了基础,使未来ICU感染预防的精准医学方法更加接近现实。然而,在这些生物标志物和分析方法从研究工具过渡为临床可部署的干预措施之前,仍需大量研究和技术开发。
补充信息
以下是电子补充材料的链接。
补充材料1:患者入组、研究设计及UHC亚组的临床特征。
补充材料2:继发感染特征。
补充材料3:微生物组分析及相应的扩展发现。
补充材料4:尿液分析及相应的扩展发现。
补充材料5:分类分析、缺失数据及多变量回归分析的扩展发现。
补充材料6:生存分析。
参考来源
- Linz C, Tsenova K, Dettmer K, et al. Integrating intestinal microbiome and urinary metabolome data to predict secondary infection in critically ill patients. Crit Care. 2026. PMID: 41827077. doi:10.1186/s13054-025-05818-5
- 全文:PMC13064364(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13064364/
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。