公众号 / 文章重症综合管理与镇静镇痛复苏、休克与脓毒症

脓毒症的临床亚表型与分子内型:走向整合与动态框架

Clinical subphenotypes and molecular endotypes in sepsis: toward an integrated and dynamic framework.
PubMed 文献 · Ann Intensive Care · 2026-04-06
一句话结论脓毒症亚型研究仍处探索阶段,临床亚表型便于床旁分层但机制不明,分子内型机制深入但床旁可操作性不足,动态整合框架是未来方向。

本文为叙述性综述,检索PubMed至2026年2月的文献,总结脓毒症静态与动态临床亚表型、组学来源的分子内型及整合框架。静态临床亚表型(如α/β/γ/δ)可重复性不一致,SENECA框架纳入微生物数据后近半数患者被重新分类;生物标志物驱动的Hyperinflammatory/Hypoinflammatory及MALS/SII亚型已用于ImmunoSep RCT指导免疫治疗。动态亚表型(体温轨迹、生命体征轨迹)揭示亚型转换与治疗反应异质性,但现有分类多为静态评估,不能充分反映脓毒症的动态演变。整合多维度、纵向数据构建共识框架是推进脓毒症精准医学的关键方向。

要点

  • 脓毒症高度异质导致大型RCT反复失败,平均治疗效应掩盖亚组特异性反应,是精准医学的主要障碍。
  • 静态临床亚表型α/β/γ/δ中δ亚型循环与代谢障碍最重、死亡率最高,试验模拟显示δ比例越高EGDT危害越大。
  • SENECA框架纳入微生物学数据后近半数患者被重新分配亚型,外部验证仍有限,可重复性不一致。
  • ImmunoSep RCT显示按亚型免疫治疗(MALS用阿那白滞素,SII用干扰素-γ)显著改善器官功能,标志从描述性分型走向生物标志物指导干预。
  • 动态体温轨迹亚型HT为持续高风险组,生命体征轨迹Group D(低体温、心动过缓、呼吸慢、低血压)风险最高,平衡晶体液可降低其死亡率。

适用人群与场景

  • 脓毒症与脓毒性休克患者,涵盖成人及儿童脓毒症人群的亚型研究。
  • 亚型研究多基于入院时或住院早期(如入院后前8小时、72小时体温轨迹)数据。
  • 生物标志物亚型研究涉及社区获得性肺炎所致脓毒症、脓毒性休克等队列。

诊断标准与关键阈值

  • 表型定义为基因型与环境暴露相互作用产生的临床可观察特征集合,如脓毒症或ARDS;亚表型为数据驱动可重复识别的亚组;内型为具有明确功能或病理生物学机制、可能影响治疗反应异质性的亚表型。
  • MALS与SII亚型由血铁蛋白水平及CD45/CD14单核细胞HLA-DR表达定义,MALS反映过度炎症,SII提示免疫耗竭。
  • 静态临床亚表型α/β/γ/δ基于29个临床变量无监督聚类:α为较轻疾病,β与高龄和合并症相关,γ反映过度炎症,δ为严重循环与代谢障碍、死亡率最高。
  • 体温轨迹72小时模型定义四个动态亚型:持续高热缓慢消退(HSR)、持续高热快速消退(HFR)、正常体温(NT)、低体温(HT)。
  • 入院后前8小时生命体征轨迹定义四组,Group D以低体温、心动过缓、呼吸慢、低血压为特征。

处置流程与药物剂量

  • Hyperinflammatory亚型患者从糖皮质激素和活化蛋白C获益,瑞舒伐他汀未见一致的亚型特异性获益。
  • ImmunoSep RCT中按亚型免疫治疗:MALS用阿那白滞素,SII用干扰素-γ,器官功能显著改善。
  • γ亚型从重组人活化蛋白C获益,δ亚型主要从vilobelimab改善结局,γ和δ亚型血必净注射液降低死亡率。
  • 动态亚型中,Group A/B使用托珠单抗增加死亡率,Group C使用托珠单抗改善生存;Group D使用平衡晶体液降低死亡率。
  • Hyperinflammatory患者使用糖皮质激素降低死亡率,Hypoinflammatory患者使用糖皮质激素死亡率增加。
  • SRS2患者使用氢化可的松死亡率增加,SRS1患者未见此效应。
  • SAVE-MORE事后分析显示阿那白滞素稳定Adaptive内型并减少Coagulopathic患者的严重呼吸衰竭。

红旗征与不能漏的情况

  • HT动态亚型持续识别为高风险组,特征为免疫抑制、内皮与凝血激活、心功能障碍及不良结局。
  • 生命体征轨迹Group D(低体温、心动过缓、呼吸慢、低血压)为特别高风险人群,存在免疫与血流动力学联合损害证据。
  • 持续Hyperinflammatory状态与不良结局相关。
  • Mars1转录体内型表现明显免疫抑制且死亡率最高。
  • SPC1蛋白组亚型病情最重,SOFA评分和死亡率更高。
  • CTS1共识转录亚型以全身过度炎症和广泛内皮激活为特征,与持续临床不稳定和不良预后相关。

研究设计与关键结果

  • 本文为叙述性综述,检索PubMed至2026年2月的文献,采用基于共识的表型框架,非正式系统综述。
  • 多中心回顾性分析用29个临床变量识别四个静态临床亚型,δ亚型循环与代谢障碍最重、死亡率最高,试验模拟显示δ比例越高EGDT危害越大。
  • SENECA框架纳入微生物学数据后近半数患者被重新分配亚型,外部验证仍有限。
  • Hyperinflammatory亚型炎症和内皮生物标志物更高、器官障碍更重、结局更差;已建立简化生物标志物模型、临床分类器和AI分类器,并推进POCT(NCT04009330)。
  • 72小时体温轨迹模型识别HSR、HFR、NT、HT四个动态亚型,HT为持续高风险组;HSR呈过度炎症特征,糖皮质激素治疗与HSR成员概率降低相关。
  • 基于入院后前8小时生命体征识别四个动态亚型,Group D风险最高;Group A/B托珠单抗增加死亡率,Group C改善生存,Group D平衡晶体液降低死亡率;NCT05826223评估EHR亚型分型可行性,NCT06253585为Group D脓毒症平衡晶体液vs生理盐水RCT。
  • 转录组SRS1/SRS2内型中SRS1特征为T细胞耗竭、内毒素耐受、HLA-II下调,与死亡率增加相关;MARS联盟识别Mars1–4,Mars1免疫抑制最明显、死亡率最高,Mars2为NF-κB/IL-6驱动过度炎症,Mars4上调干扰素和RLR通路。
  • 血浆蛋白组SPC1–3中SPC1病情最重、SOFA和死亡率更高;动态转换主要从SPC1到SPC3;代谢组三个内型中Cluster 1代谢物广泛升高(尤其脂质)并随时间演变为优势轨迹,Cluster 2和3与持续代谢抑制和器官障碍增加相关。

证据类型、等级与局限

  • 证据类型:叙述性综述,采用针对性文献检索和专家判断,非正式系统综述。
  • 多数精准治疗分析证据来自回顾性分析,某一亚组的获益可能对应另一亚组的危害。
  • 现有分类框架多基于静态评估,不能充分反映脓毒症病理生理的动态演变。
  • 不同聚类方法即使在同一数据集也可能产生不一致亚型且一致性差,亚型识别存在方法学依赖性。
  • 不同组学模态分类一致性低,如USE与USS分类一致性低。
  • 临床亚表型推导主要依赖常规电子健康记录,纳入额外生物学或病原学数据后可能改变。
  • 生物标志物亚型依赖单时间点测量,可能无法捕捉脓毒症动态免疫轨迹,预测价值主要限于短期结局,且复杂生物标志物组合限制可扩展性和标准化。
  • 动态亚型实施面临挑战:持续标准化数据收集困难,许多患者在48小时内频繁发生亚型转换并影响治疗效果,部分变量缺失常见,观察窗口短和多组学验证有限进一步限制普适性。

对床旁实践的改变

  • 临床亚表型可用于早期风险分层和早期临床决策,尤其在资源有限环境中具有快速部署潜力。
  • 生物标志物亚型已作为临床试验入选或分层变量,以避免平均治疗效应掩盖真正 responders。
  • 作者认为,未来分类器可简化为简化生物标志物组合并整合入EHR系统,在ICU入院后最初数小时内自动完成亚型分配,并随临床参数演变动态重新分类。
  • 作者认为,应开发能快速识别患者亚型的POCT平台并验证其普适性和稳健性。
  • 作者认为,未来研究应纳入低收入和中等收入国家数据以确保全球代表性,并利用多中心纵向多模态数据集追踪动态生物学轨迹。
  • 作者认为,研究应聚焦多模态、纵向共识脓毒症框架的建立,并前瞻性评估脓毒症亚型间治疗效应异质性,以识别可能从特定干预中获益或受害的患者群体。

指南或共识出处

  • 文献检索来源:PubMed,检索截止2026年2月。
  • 表型框架参考文献:当代文献共识表型框架(参考文献8,9)。
  • 指南或共识名称:原文未引用具体指南或共识名称。
全文中译18 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:Ann Intensive Care. 2026 Apr 6;16:100060. doi: 10.1016/j.aicoj.2026.100060

引言

脓毒症是由宿主对感染反应失调所致的危及生命的器官功能障碍,仍然是全球重大健康负担,2017年估计有4890万例病例和1100万例死亡[1,2]。尽管近年来大量基础研究和临床前试验确定了多种治疗靶点,但大多数干预措施在大规模临床试验中失败,当前治疗仍主要依赖早期抗微生物治疗、感染源控制和支持治疗,基于机制的精准治疗有限[3]。

脓毒症临床试验的高失败率在很大程度上归因于脓毒症人群的生物学和临床异质性[4]。越来越多的证据表明,脓毒症患者在病原体类型、免疫反应、代谢状态和遗传背景方面表现出显著差异,这不仅影响临床特征和预后,还直接决定其对特定治疗干预的反应。在传统试验中,“平均治疗效应”往往掩盖了亚组特异性反应,导致可能使某些亚组获益的治疗措施未能显示其优势,并在某些情况下对其他患者无效甚至可能有害,这已成为脓毒症精准医学发展的主要障碍之一。

近年来,机器学习算法和多组学技术的进步为研究患者异质性提供了新工具。亚型分型框架已成功应用于肿瘤学和哮喘,为脓毒症亚型分型研究奠定了基础[[5], [6], [7]]。越来越多的努力致力于将脓毒症分类为亚表型和内型,以揭示潜在的生物学差异并指导精准治疗(图1)。

尽管这些方法提供了重要见解,但大多数框架将亚组视为静态且互斥的。实际上,脓毒症中的宿主反应是动态的,随时间演变。需要在纵向框架内结合临床变量、循环生物标志物和高维组学数据的整合策略。这种整合的目标是识别生物学上一致、时间上适应的疾病状态,以指导差异化治疗策略。通过从平均治疗效应转向状态特异性、时间敏感的干预措施,整合模型可能克服历史上限制脓毒症试验的局限性。在本综述中,我们总结静态和动态临床亚表型、组学衍生的内型,并探索整合性纵向框架,强调对未来试验设计和个性化治疗的意义。

图1 当前脓毒症亚型分型方法概述。本图说明应用于临床特征、生物标志物和多组学数据的机器学习如何能够识别不同的亚表型和内型,从而为指导靶向治疗策略提供机制基础。图由BioRender.com创建 查看原图 ↗

文献检索和概念框架

我们检索了PubMed截至2026年2月发表的文献,以识别关于脓毒症亚型的关键研究。本综述的文献通过MeSH主题词与自由文本关键词相结合的方式获取。核心检索词包括(“Sepsis” OR “Septic Shock” OR “Bacteremia”)AND(“Subtype” OR “Subphenotype” OR “Endotype”)。根据需要补充了特定主题词,以扩大对脓毒症异质性在机制、临床和转化方面的覆盖范围。本综述设计为在针对性文献检索和专家判断支持下的叙述性综合,而非正式的系统综述。最终参考文献集根据其与综述目的的相关性进行筛选,并通过作者间共识加以完善,而非通过预设的系统筛选方案。通过数据库检索识别的文章以及相关出版物参考文献列表中引用的文章均被纳入考虑范围。

为确保概念精确性,我们采用了基于当代文献的共识性表型分型框架[8,9]。表型被定义为由基因型与环境暴露(如脓毒症或ARDS)相互作用产生的临床可观察特征集合。亚表型是指通过数据驱动的多维属性评估可靠区分的独特亚组,且在不同人群中具有可重复性。内型是一种具有独特功能或病理生物学机制的亚表型,对治疗反应的异质性具有潜在意义。

脓毒症的亚表型

目前,通过整合多种数据类型(包括临床特征和生物标志物),已识别出脓毒症及其他危重病的多种亚表型(表1)。其中,某些亚表型不仅在独立队列中被一致重复验证,还被用于评估患者对特定治疗干预的反应,从而为精准医学的推进提供了关键见解。

表1 脓毒症亚表型的关键研究。 查看原表 ↗

静态亚表型

脓毒症的静态亚表型是指基于单一时间点信息(通常为入院时的临床数据或生物标志物水平)得出的患者分类,常用于早期分层或干预。与动态亚表型分析相比,静态亚表型更简单、更易获取且具有高度可解释性,因而在临床研究中被广泛采用。

临床静态亚表型

脓毒症的临床静态亚表型是指利用入院数据(如生命体征、合并症和实验室结果),通过无监督聚类算法或潜变量模型识别的患者集群。由于依赖常规收集且临床熟悉的数据,其具有较强可解释性和较高的床旁实施可行性。近年来,已开发出多个仅使用常规可用变量的模型,凸显了其在不同场景中快速部署的潜力。

一项使用29个临床变量的多中心回顾性分析识别出四种脓毒症静态临床亚型,这些亚型在患病率、器官功能障碍模式和死亡率方面存在差异[10]。α亚型代表较轻的疾病,β亚型与高龄和合并症相关[11],γ亚型反映过度炎症反应,δ亚型表现为严重的循环和代谢功能障碍,死亡率最高。试验模拟提示,随着δ患者比例升高,早期目标导向治疗(EGDT)的危害增加。一致地,不同亚型间的治疗效果存在差异:重组人活化蛋白C使γ亚型获益[12],vilobelimab主要在δ亚型中改善结局[13],血必净注射液降低了γ和δ亚型的死亡率。

然而,现有静态亚型框架的可重复性在各研究间仍不一致。近期几项分析使用脓毒症和脓毒性休克中常规可获得的变量推导出临床静态亚型,支持其用于快速风险分层和早期临床决策的潜在价值,尤其是在资源有限的环境中[14,15]。尽管如此,仍存在若干局限性。目前的亚型推导主要依赖常规采集的电子健康记录(EHR),当纳入额外的生物学或病原体相关数据时可能发生变化。例如,在SENECA框架中,纳入微生物学数据后近半数患者被重新分配到不同亚型,且跨队列的外部验证仍然有限[12,16]。此外,聚类结果可能受方法学假设、数据完整性和队列异质性的影响。临床亚型可为早期风险分层提供实用框架,但其稳健性仍对队列构成和方法学假设敏感。需要进一步研究以增强其在不同临床环境中的通用性和可重复性。

生物标志物驱动的静态亚型

脓毒症的生物标志物驱动静态亚型是利用单一时间点的生物标志物数据(如炎性细胞因子和免疫相关蛋白)构建的,以揭示疾病早期阶段的机制异质性。聚类分析识别出具有不同免疫特征的患者亚组,阐明了免疫失调在脓毒症发病机制和进展中的关键作用。此外,这些亚型具有用于预后预测和免疫调节治疗的转化潜力,是推动精准医学发展的关键桥梁。

基于整合的临床和生物标志物数据,脓毒症队列中已描述了以高炎症型和低炎症型为特征亚型 [17,18]。高炎症型亚型的特征是炎症和内皮生物标志物水平更高、器官功能障碍更严重以及临床结局更差。为便于识别,已建立了精简的生物标志物模型、临床分类器和基于人工智能的分类器 [[19], [20], [21], [22]],同时也在努力开发即时检验(POCT)以便及时临床应用(NCT04009330)[23]。不同炎症亚型的治疗反应存在差异,高炎症型患者从糖皮质激素和活化蛋白C中获益,而瑞舒伐他汀未显示出 consistent 的亚型特异性获益 [17,18,24]。以生物标志物为中心的补充分析已识别出两种相关亚型,即无炎症型和反应型,它们分别大致对应于低炎症型和高炎症型特征 [25]。反应型组显示出更强的生物标志物激活、更高的疾病严重程度以及氧化磷酸化和胆固醇代谢通路的富集 [26]。

在这些生物标志物驱动的分类框架基础上,近期研究进一步定义了两种具有临床可操作性的、生物标志物驱动的静态亚型:巨噬细胞活化样综合征(MALS)、中间状态和脓毒症诱导的免疫麻痹(SII),其余患者代表中间免疫状态。这些亚型由血铁蛋白水平和CD45/CD14单核细胞上的HLA-DR表达定义,其中MALS反映高炎症,SII提示免疫耗竭 [27,28]。代谢组学分析将MALS与泛醌生物合成和氨基酸代谢失调联系起来 [29]。重要的是,多中心ImmunoSep随机对照试验表明,接受亚型特异性免疫治疗(MALS使用阿那白滞素;SII使用干扰素-γ)的患者在器官功能方面取得了显著改善,标志着从描述性亚型分型向生物标志物指导的脓毒症精准干预转变 [30]。

基于静态生物标志物的亚型广泛应用于不同的危重症人群 [[31], [32], [33]],能够快速进行免疫特征分析并促进免疫治疗。它们也已被纳入临床试验作为入选或分层变量,以提高特异性并避免掩盖真正应答者的“平均治疗效应”。除了其临床和转化相关性外,这些框架还提供了对免疫失调的机制性见解,并可能有助于早期预后分层。然而,仍存在若干局限性,特别是依赖单时间点测量,这可能无法捕捉脓毒症特有的动态免疫轨迹,而且其预测价值似乎主要限于短期结局。此外,对复杂生物标志物组的依赖进一步限制了跨研究的可扩展性和标准化。应对这些挑战对于将生物标志物驱动的分层整合到脓毒症的精准免疫调节策略中至关重要 [34]。

动态亚型:静态亚型的纵向分析

脓毒症的传统亚型研究在很大程度上依赖于入院时获得的横断面数据,限制了其反映疾病演变的能力。鉴于脓毒症是一种以病理生理过程不断演变为特征的高度动态综合征,基于纵向数据的动态亚型分析已成为一个有前景的框架。通过捕捉宿主反应和器官功能障碍的时间演变,该方法细化了患者分层,增强了预后建模,并可能为时间敏感的治疗决策提供依据(图2)。

基于体温的轨迹建模已证明用于动态脓毒症亚型分析具有临床可行性。在一项回顾性多队列分析研究中,一个72小时体温轨迹模型识别出四种动态亚型:高热缓慢消退型(HSR)、高热快速消退型(HFR)、常温型(NT)和低体温型(HT),随后在多个脓毒症人群中得到验证[[35], [36], [37], [38]]。值得注意的是,HT亚型 consistently 被确定为高危组,以免疫抑制、内皮和凝血激活、心功能障碍及不良结局为特征[[36], [37], [38]]。HSR患者表现出高炎症特征,伴有持续发热和CRP升高,糖皮质激素治疗与HSR归属可能性降低相关[36,37]。超越单纯体温,多维生命体征轨迹进一步细化了风险分层。基于入院后前8小时记录的生命体征,识别出四种动态亚型,其中D组以低体温、心动过缓、呼吸缓慢和低血压为特征,代表一个特别高危的人群,具有免疫和血流动力学联合受损的证据[39]。观察到了治疗反应异质性,托珠单抗增加了A/B组死亡率但改善了C组生存[40],而平衡晶体液降低了D组死亡率[39]。前瞻性研究正在进行中,以评估临床实施和治疗获益,包括基于电子健康档案(EHR)的亚型分析可行性(NCT05826223)以及一项在D组脓毒症中测试平衡晶体液与生理盐水的随机对照试验(NCT06253585)[41,42]。

除轨迹模型外,纵向分析还揭示了高炎症和低炎症亚型之间的动态转换。持续高炎症状态与不良结局相关,而早期向低炎症特征的转换预测生存改善。[22,43]。糖皮质激素效应也似乎依赖于亚型,在高炎症患者中观察到死亡率降低,但在低炎症患者中死亡率增加[22]。补充这些发现,一项使用模糊分类对SENCA亚型进行的队列研究显示,边缘患者更可能在48小时内发生转换,且分类不确定性改变了治疗效果:早期目标导向治疗(EGDT)在核心δ亚型中有害,但在边缘组中则不然[44]。

除上述动态亚表型外,实验室指标的轨迹建模揭示了时间异质性及其与不良结局的关联[[45], [46], [47]]。这些亚表型细化了患者分层并指导适应性治疗调整,但其临床实施面临挑战。持续标准化数据收集通常困难,且许多患者在48小时内经历亚表型归属的频繁转换,这影响治疗效果[44,48]。某些变量的缺失数据常见,但既往研究表明临床亚型对缺失通常稳健,可采用多重插补以减少潜在偏倚。短观察窗口和有限的多组学验证进一步限制了普适性。为克服这些挑战,需要简化监测方案、整合概率分类以及前瞻性多中心验证,以确保临床适用性并为精准干预提供可靠指导。

图2 脓毒症中的动态亚型转换与精准治疗反应。本图展示了基于宿主反应和器官功能障碍时间演变的动态亚表型分型,从而实现精细化患者分层、增强预后建模并支持时间敏感的治疗决策。图由BioRender.com创建 查看原图 ↗

脓毒症的内型

随着高通量测序和质谱等多组学技术的广泛应用,脓毒症研究正逐渐从描述性亚型分型转向机制性分层。组学是指对生物系统中某一类生物分子的系统性和整体性研究,涵盖基因组学、转录组学、蛋白质组学和代谢组学等维度。通过组学数据识别的内型代表具有明确生物学机制的疾病亚组,反映免疫功能障碍、代谢通路失调或细胞信号传导异常等病理过程(表2)。与临床定义的亚表型相比,内型分型为该领域推进精准医学提供了更精确且具有生物学基础的基础。

表2 脓毒症内型的关键研究。 查看原表 ↗

转录组内型

为探究脓毒症患者免疫功能障碍的分子特征,多项研究利用外周血单核细胞的全基因组转录组数据,识别出以差异性炎症信号为特征的免疫内型。在一组由社区获得性肺炎引起的脓毒症患者队列中,最初识别出两种转录组脓毒症反应特征(SRS1和SRS2)[49]。SRS1以T细胞耗竭、内毒素耐受和HLA-II下调为特征,与死亡率增加相关。这些内型已在细菌性和病毒性脓毒症队列中得到验证,机器学习模型可实现分类[[50], [51], [52]]。治疗异质性明显,氢化可的松在SRS2患者中增加死亡率,但在SRS1患者中未见此效应[49,53]。

与这两种内型框架不同,脓毒症分子诊断与风险分层(MARS)联盟在脓毒症中鉴定了四种转录组内型(Mars1–4),其中Mars1表现出显著的免疫抑制和最高死亡率,Mars2反映NF-κB/IL-6驱动的过度炎症,Mars4上调干扰素和RLR通路[54]。另外,在多个队列中定义了三种转录组内型(炎症型、适应型和凝血型),随后开发了精简基因分类器;凝血型内型与凝血型内型相关,与异常凝血相关,而炎症型内型与促炎信号相关[[55], [56], [57]]。SAVE-MORE的事后分析显示,阿那白滞素稳定了适应型内型并减少了凝血型患者的严重呼吸衰竭,突显内型作为动态治疗分层[58]。

蛋白质组学和代谢组学内型

虽然转录组学研究突出了免疫异质性,但蛋白质组学和代谢组学分析揭示了额外的失调层面,揭示了免疫和代谢变异的互补轴。

通过对脓毒症患者的血浆蛋白质组学分析,定义了三个亚组,称为基于脓毒症血浆蛋白质组的聚类(SPC1–3),显示出不同的临床和生物学特征[59]。SPC1表现出最严重的疾病,具有更高的序贯器官衰竭评估(SOFA)评分和死亡率,同时免疫球蛋白、载脂蛋白、细胞外基质蛋白和活跃免疫通路升高,但脂蛋白代谢降低。SPC2代表中间表型,具有中等免疫活性和较低的B细胞信号。SPC3包括细胞因子信号降低和疾病较轻的年轻患者。动态转变,主要从SPC1到SPC3,表明血浆蛋白质组学驱动的分类反映了疾病严重程度和恢复,支持其用于机制性患者分类和治疗靶向的效用。

越来越多的证据表明,脓毒症不仅涉及免疫失调,还涉及显著的代谢紊乱[60]。近年来,代谢组学越来越多地纳入脓毒症内型研究,从代谢角度加深了我们对免疫异质性的理解,并有助于开发具有生物学和临床意义的分类模型。在一项分析脓毒性休克队列的研究中,定义了三种代谢组学内型,评估了与患者结局相关的时间轨迹,并构建了弹性网分类器[61]。聚类1表现出广泛升高的代谢物,特别是脂质,并随时间演变为主导轨迹。聚类2和3与持续代谢抑制和器官功能障碍增加相关,聚类3显示出甘油三酯升高的独特特征,聚类2以小分子和肉碱的相对富集为特征。尽管这些代谢组学内型似乎没有改变治疗反应性,但其动态演变强调了将时间分层纳入脓毒症研究和治疗试验设计的重要性。

除这些研究外,多项研究基于转录组学[[62], [63], [64]]、蛋白质组学[65,66]和代谢组学谱[67],在成人和儿童脓毒症患者中识别出具有临床相关性的内型。这些内型捕捉了炎症和免疫反应、代谢失调以及器官功能障碍易感性方面的生物学异质性,为早期风险分层、优化干预时机和个体化治疗决策提供了机会。新出现的证据表明,脓毒症内型代表的是随时间动态变化的生物学状态而非静态类别,在整个疾病进程中以及对治疗干预的应答中不断演变[68]。近期纵向分析表明,仅少数患者在 one week 后仍保持其初始内型[58,59,61],这进一步强调需要持续进行分子再评估和时间适应性免疫调节策略。尽管具有潜力,临床转化仍面临技术复杂性和成本的挑战,以及包括营养、合并用药和患者管理异质性在内的混杂因素。未来的工作应侧重于开发基于最小生物标志物集的简化分类器,将分析扩展到免疫功能受损或移植患者等特殊人群,整合多组学和临床数据以精细化患者分层,并评估实时内型监测能否指导适应性免疫调节干预。

整合脓毒症中的多维数据:连接临床特征与生物学机制

脓毒症是一种高度异质性的临床综合征,以多样化的临床特征和复杂的病理生理变化为特征,导致治疗反应存在显著异质性[4]。尽管在识别脓毒症各种亚表型和内型方面已取得实质性进展,但源自临床特征和生物标志物的亚表型主要捕捉具有强临床相关性的治疗反应异质性,而内型揭示潜在机制但在床旁治疗决策中的直接适用性较差。重要的是,即使在相同数据集中,不同的聚类方法也可能产生不一致的亚型,这些亚型往往一致性较差,凸显了亚型识别的方法学依赖性以及跨独立队列交叉验证的必要性。此外,大多数基于当前亚型分型框架的精准治疗分析显示了潜在的治疗分层,但大多数证据来自回顾性分析,其中在一个亚组中的获益可能对应另一个亚组中的伤害。研究人员越来越多地采用整合多维数据的策略,将亚表型、内型及其时间动态相结合,以连接临床特征与生物学机制并优化脓毒症分类和治疗策略(图3)。

尽管在脓毒症中已提出众多分子内型,但它们之间的生物学重叠仍不明确。对SENECA、高炎症/低炎症型、MARS和SRS分类框架的系统比较显示,各系统间一致性有限[69],提示每个框架所捕捉的是脓毒症不同但仅部分重叠的维度。因此,协调这些亚组分类策略对于使其协调整合到未来临床实践并最终推进脓毒症共识模型至关重要[70,71]。针对脓毒症标准化框架的缺失,一种整合SRS、Mars和炎症相关内型的马尔可夫聚类方法识别出三种共识转录组亚型(CTS1-3)[72]。值得注意的是,CTS1以严重的免疫病理为特征,表现为全身性高炎症和广泛的内皮活化,与持续性临床不稳定和不良预后相关。CTS2和CTS3分别以血红素代谢与凝血功能障碍以及干扰素信号与淋巴细胞富集的独特特征为定义,这些亚型的生物学有效性凸显了脓毒症的复杂异质性。

然而,依赖单一组学模式的分类策略往往无法完全捕捉脓毒症患者的复杂异质性。SRS-SPC联合框架显示,SRS1-SPC1双重分类预测预后最差[59],凸显了整合不同内型分型框架用于脓毒症精准分层的转化潜力。在乌干达队列中,研究人员识别出转录组内型(USE-1/USE-2)和蛋白质组内型(USS-1/USS-2)[62,65]。USE-2和USS-2均以促炎性先天免疫活化为特征,并与重症和死亡率增加相关,而USE-1和USS-1则反映相对平衡的免疫反应。尽管具有共同的生物学主题,USE与USS分类之间的一致性较低,因为转录组学反映生物学机制的上游调控过程,而蛋白质组学捕捉下游效应分子的功能状态。这些发现表明,不同模式在捕捉脓毒症异质性时强调不同但互补的维度。因此,多模态数据的整合不仅有望弥合临床特征与病理生理机制之间、上游信号与下游效应分子之间的差距,还有望提高脓毒症亚型分型的稳定性和临床可推广性。

在此背景下,多模态机器学习日益受到关注。作为机器学习的一个关键子领域,多模态学习旨在开发和训练能够利用多种数据类型(如电子健康记录(EHR)、临床实验室结果、血浆生物标志物、影像数据和多组学图谱)的模型,通过捕捉跨模态的内在关系来提升预测性能[73]。在肿瘤学中,该策略已被广泛应用于患者风险分层、预后评估和治疗反应预测等任务,在增强模型泛化性的同时,实现了跨临床和分子领域的机制性解读[[74], [75], [76]]。然而,目前多模态机器学习在重症监护中的应用主要集中于脓毒症早期识别和结局预测,其在脓毒症亚型分型中的效用仍相对未被充分探索[[77], [78], [79]]。

综上所述,亚表型与内型(endotype)的整合分析为脓毒症的精准诊断、靶向治疗和分层干预提供了有力支持,是未来研究和临床转化的关键方向。多模态机器学习为整合亚表型与内型提供了技术框架,具有连接临床特征与分子机制的潜力。通过整合多样化的数据模态,该方法能够更全面地刻画脓毒症的异质性,从而增强患者分层的科学基础和靶向干预的可行性,并最终促进精准医学向重症监护的转化。

图3 脓毒症亚型分型的整合分析框架。本图展示了如何整合多种亚表型或内型,以及如何结合多维数据以桥接临床表现与潜在生物学机制,最终支持优化分类和精准治疗策略。图由BioRender.com创建。 查看原图 ↗

结论与展望:脓毒症精准医学的路径与挑战

脓毒症仍是全球重大的医疗挑战,也是全球健康负担的主要贡献因素。尽管将脓毒症分类为亚表型和内型以及整合多模态数据用于精准治疗的努力不断增加,脓毒症亚型研究仍处于探索阶段,并面临持续存在的挑战。这些挑战包括缺乏统一的分类标准、显著的方法学异质性、预测模型泛化性有限、多组学检测的高成本和复杂性、临床工作流程中实时分析能力不足,以及治疗可操作性有限。总体而言,这些局限性阻碍了亚型研究转化为对患者结局产生有意义影响的干预措施。

未来,研究应聚焦于开发多模式、纵向共识性脓毒症框架,并前瞻性评估脓毒症各亚型间治疗效应的异质性,以识别可能从特定干预中获益或受损的患者群体。此类框架应旨在同时捕捉上游调控机制和下游效应状态,从而提供机制性见解并指导合理的治疗分层。开发能够快速识别患者亚型的即时检验(POCT)平台,并验证其普遍性和稳健性,至关重要。在操作层面,分类器可简化为精简的生物标志物组合并整合至电子健康记录(EHR)系统中,从而在ICU入院后最初数小时内实现自动化亚型分配,并随着临床参数的演变进行动态重新分类。该方法可能有助于及时调整治疗并减少对无效或潜在有害治疗的暴露。此外,未来研究应通过纳入来自低收入和中等收入国家的数据来确保全球代表性,并利用多中心纵向多模式数据集追踪随时间变化的动态生物学轨迹,从而促进可适用于全球多样化临床环境的适应性治疗算法的开发。

作者贡献

Z.G.参与了综述的概念构思,完成了文献检索和数据分析,解读了研究结果,并起草了手稿。Z.G.和W.X.参与了手稿的图表绘制和数据分析。C.C.、L.J.、L.Si.和W.P.核查了文章的数据。L.So.、X.H.和X.J.提供了关键性修订和改进手稿的宝贵建议。所有作者均对本文有所贡献并批准了提交版本。

发表同意

不适用。

伦理批准和参与同意

不适用。

基金资助

本研究的资助来自慢性非传染性疾病国家科技重大专项(编号:2023ZD0506506,负责人:J.F.X.)。本工作还得到国家自然科学基金(编号:82272210;82572482,负责人:J.F.X.;编号:82572516,负责人:X.J.W.)、云南省科学技术委员会(编号:202305AF150186,负责人:J.F.X.)以及东南大学医学院附属中大医院江苏省高水平医院建设基金(CZXM-GSP-KY-JCYJ06,负责人:J.F.X.)的支持。

数据和材料的可用性

不适用。

利益冲突声明

作者声明无利益冲突。

参考来源

  1. Zhang G, Wu X, Liu S, et al. Clinical subphenotypes and molecular endotypes in sepsis: toward an integrated and dynamic framework. Ann Intensive Care. 2026. PMID: 42005529. doi:10.1016/j.aicoj.2026.100060
  2. 全文:PMC13090521(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13090521/

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。