《Frontiers in Nutrition》：Development and validation of a nutrition-integrated nomogram for predicting 28-day mortality in sepsis patients
编辑推荐：
本综述通过LASSO和随机森林（RF）算法筛选出与脓毒症28天死亡率密切相关的六个关键生物标志物（PCT、PNI、RBC、PLT、ALT、IBIL），构建了整合APACHE II评分、SOFA评分及休克状态的列线图预测模型。该模型在训练集（AUC=0.841）和测试集（AUC=0.808）中均表现出优异区分度，外部验证AUC达0.921，显著优于传统评分系统（P<0.05）。研究首次将营养预后指数（PNI）纳入脓毒症预后评估体系，为临床早期风险分层和精准营养干预提供了可视化工具。
研究背景
脓毒症作为危重症患者死亡的主要诱因，其早期风险分层对临床干预至关重要。传统评分系统如APACHE II和SOFA虽能评估器官功能障碍，但难以全面反映营养代谢与免疫紊乱对预后的影响。营养预后指数（PNI）作为整合营养状态与免疫功能的复合指标，在脓毒症预后评估中的价值日益凸显。本研究旨在通过机器学习算法筛选关键生物标志物，构建包含营养指标的脓毒症死亡率预测列线图。
材料与方法
研究回顾性纳入两家三甲医院2024年1月至2025年4月收治的1,350例符合Sepsis-3标准的患者，按7:3比例划分为训练集（n=944）与测试集（n=406）。采用LASSO回归（10折交叉验证）和随机森林（500棵树，Gini指数排序）双算法筛选23项实验室指标，选取两种方法共同识别的生物标志物构建逻辑回归模型。最终列线图整合了机器学习筛选指标与APACHE II评分、SOFA评分及休克状态。通过受试者工作特征曲线下面积（AUC）、校准曲线、决策曲线分析（DCA）评估模型性能，并在120例独立外部队列中验证。
结果
- 1.
生物标志物筛选：LASSO与RF共同识别出六项关键指标：降钙素原（PCT）、营养预后指数（PNI）、红细胞计数（RBC）、血小板计数（PLT）、丙氨酸氨基转移酶（ALT）和间接胆红素（IBIL）。SHAP分析显示PNI、PLT、RBC为负向风险因子，PCT、ALT、IBIL为正向风险因子。
- 2.
模型性能：逻辑回归模型在训练集AUC为0.815（95% CI: 0.712–0.870），测试集AUC为0.838（95% CI: 0.765–0.851）。列线图的C-index达0.887，校准曲线显示预测概率与实际死亡率高度吻合（Brier评分=0.087，Hosmer-Lemeshow检验P=0.624），DCA证实其具有广泛临床决策阈值下的净获益。
- 3.
外部验证：在独立队列中，非存活组PCT、ALT、IBIL显著升高，RBC、PLT、PNI显著降低（P<0.05）。模型预测AUC为0.823，显著优于APACHE II评分（AUC=0.683，P=0.003）和SOFA评分（AUC=0.790，P=0.035）。
讨论
本研究创新性地将机器学习筛选的生物标志物与经典临床指标结合，构建的列线图兼具预测精度与临床实用性。PNI作为核心营养指标，其降低反映蛋白质能量营养不良和淋巴细胞减少性免疫抑制，与脓毒症患者器官功能衰竭和死亡风险密切关联。模型外部验证表现突出，提示其具备跨中心推广潜力。未来可通过前瞻性多中心研究验证动态生物标志物变化对预测性能的优化价值。
结论
基于PNI等六项生物标志物的脓毒症死亡率预测列线图，为床边快速风险分层提供了可靠工具，凸显营养状态在脓毒症预后评估中的关键地位，推动精准营养干预策略在危重症管理中的应用。
