基于机器学习构建自身免疫疾病合并脓毒症患者28天死亡风险预测模型的开发与验证

《Journal of Inflammation Research》：Development and Validation of a 28-Day Mortality Prediction Model for Patients with Sepsis Complicated by Autoimmune Diseases Using Two Machine Learning Methods

本研究利用LASSO回归和Boruta算法筛选预测因子，构建了自身免疫疾病合并脓毒症患者的28天死亡风险预测模型（AUC=0.772-0.787），其预测性能显著优于SOFA评分。通过列线图可视化呈现年龄、凝血指标（PT/APTT）、器官支持（CRRT）等10个关键变量，为临床早期识别高危患者提供了重要工具。

　　

研究背景与意义

脓毒症（Sepsis）作为危及生命的感染并发症，全球年发病数达4890万例，死亡病例占全球总死亡的19.7%。其病理机制涉及免疫系统的过度激活与失调，而自身免疫疾病患者因免疫系统异常及免疫抑制剂使用，更易发展为重症脓毒症。研究表明，此类患者死亡率显著升高，但现有评分系统（如SOFA）缺乏针对该亚组的精准预测能力。

研究方法设计

研究团队从MIMIC-IV数据库筛选1481例符合Sepsis-3标准的自身免疫疾病患者，按7:3比例划分训练集与验证集，另纳入苏州大学附属第一医院57例患者进行外部验证。采用双重机器学习策略：LASSO回归通过压缩系数筛选变量，Boruta算法基于随机森林评估特征重要性，最终取交集确定10个核心预测因子。

关键预测因子揭示

多因素分析确认年龄增长、女性、低BMI、白细胞（WBC）升高、尿素氮（BUN）上升、凝血时间（PT/APTT）延长、脑血管病史、肝病史以及连续性肾脏替代治疗（CRRT）为独立危险因素。例如老年患者免疫衰老加速，肝病患者解毒功能下降，CRRT启动反映多器官衰竭严重程度，共同构成死亡风险生物标志物集群。

模型性能验证

列线图模型在训练集（AUC=0.772）、内部验证集（AUC=0.771）和外部验证集（AUC=0.787）均显著优于SOFA评分（AUC=0.664）。校准曲线显示预测概率与实际死亡率高度吻合（Hosmer-Lemeshow检验P>0.05），决策曲线分析证实模型在0.15-0.75阈值范围内具有临床净获益。

临床转化价值

通过设定列线图评分截断值，可将患者分为高低风险组，Kaplan-Meier曲线显示高风险组28天生存率显著降低（P<0.001）。该模型仅需入院24小时内常规检测指标，无需重复测量，为个体化预后评估提供便捷工具。

局限性与展望

研究未纳入糖皮质激素用量等治疗变量，且外部验证样本量有限。未来需开展多中心前瞻性研究，整合自身免疫疾病特异性指标动态变化，探索模型指导下的精准干预策略。