《Molecules》：A Risk Model Incorporating the Novel Inflammatory Biomarker CD64 for Predicting Bloodstream Infection in Suspected Cases
Teng Xu,
Yu Zhou,
Bei Wang,
Li Wang,
Yinglu Wan,
Shi Wu and
Haihui Huang
编辑推荐：
本研究针对血流感染（BSI）早期诊断困难、抗生素滥用等问题，开发了一种简便的风险预测工具。研究人员通过整合常规指标与新型炎症标志物CD64，构建了包含局部感染、血小板（PLT）、C-反应蛋白（CRP）、降钙素原（PCT）和CD64水平的列线图（Nomogram）模型。该模型预测效能优异（AUC=0.85），临床实用性显著，有助于BSI的早期识别和抗菌药物管理。
血流感染（Bloodstream Infection, BSI）是住院患者死亡的重要原因之一，及时、准确的诊断对改善患者预后至关重要。然而，临床实践中BSI的早期识别却面临着不小的挑战。血培养作为诊断金标准，不仅阳性率低（5-10%），而且耗时长达48-72小时，容易延误治疗。传统的炎症标志物，如C-反应蛋白（CRP）和降钙素原（PCT），虽然检测便捷，但特异性不足，在局部感染甚至非感染性疾病中也可能升高。那么，能否找到更有效的方法，在患者入院早期，甚至在血培养结果出来之前，就快速判断其BSI的风险，从而为精准启动抗菌治疗提供依据呢？这正是本篇发表在《Antibiotics》上的研究所要回答的核心问题。
为了回答上述问题，研究人员在复旦大学附属华山医院开展了一项前瞻性研究。他们纳入了2024年5月至2025年1月期间因疑似BSI而进行血培养检测的309名成年患者。通过收集患者的临床资料、常规实验室指标，并利用酶联免疫吸附试验（ELISA）检测了包括新型标志物CD64、白介素-17A（IL-17A）和白介素-36γ（IL-36γ）在内的血清炎症标志物水平，旨在构建一个实用的BSI早期风险预测模型。
在技术方法层面，本研究的关键步骤包括：1) 构建患者队列：在复旦大学附属华山医院（中国上海一家拥有3142张床位的三级甲等教学医院）前瞻性纳入符合标准的疑似BSI患者。2) 生物标志物检测：使用ELISA试剂盒批量检测患者血清中的IL-6、IL-17A、CD64和IL-36γ水平。3) 预测模型构建与验证：采用最小绝对收缩和选择算子（LASSO）回归和逻辑回归进行变量筛选和模型构建，并将数据集按6:4的比例分为训练集和验证集，通过受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）等统计方法评估模型的区分度、校准度和临床实用性。
研究结果
1. 血清炎症标志物在识别BSI中的表现
在研究的309名患者中，有99人（32.0%）被确诊为BSI。与无BSI的发热患者相比，BSI患者的CRP、PCT、IL-6、IL-17A、CD64和IL-36γ水平均显著更高。在新型标志物中，CD64诊断BSI的AUC值（0.746）优于IL-17A和IL-36γ。更重要的是，将CD64与常规标志物联用可显著提升诊断性能，其中PCT与CD64的组合取得了最高的AUC值（0.822）。
2. 预测模型的开发与实用性
通过LASSO回归和多变量分析，研究最终确定了五个独立的BSI预测因子：存在局部感染、血小板计数（PLT）降低、以及CRP、PCT和CD64水平升高。基于这五个变量构建的逻辑回归模型显示出强大的区分能力（C统计量0.90）和良好的校准度。在外部验证集中，该模型的AUC值达到0.821，预测风险与实际观察到的BSI发生率高度吻合。
研究人员将模型可视化，制作成一个易于使用的列线图（Nomogram）。
决策曲线分析（DCA）表明，在较宽的阈值概率范围内，这个五变量列线图模型比单独使用PCT能带来更多的临床净获益。
研究结论与重要意义
本研究的核心结论是，成功开发并验证了一个整合了局部感染、血小板计数（PLT）、CRP、PCT和CD64这五个易获取指标的列线图模型，用于早期预测疑似BSI患者的风险。该模型性能优异（AUC 0.85），且经过内外验证，校准度良好。
本研究的意义重大。首先，它突出了新型炎症标志物CD64的价值。CD64是免疫球蛋白G（IgG）的高亲和力受体，在细菌感染尤其是脓毒症中表达显著上调，对区分细菌和病毒感染具有较高特异性。本研究发现，CD64与PCT联用可达到最佳诊断效能，说明它能捕捉到PCT未能反映的宿主对菌血症的免疫反应信息，两者具有互补性。
其次，该模型具有显著的临床转化潜力。它基于常规、易得的临床指标，可在床边快速评估BSI风险，有助于解决血培养结果等待期间的“诊断真空期”问题。作者举例说明，若使用该列线图（以≥25分为截断值）而非单独使用PCT来指导抗菌治疗，可以在不明显增加漏诊的前提下，显著减少不必要的抗生素使用。这对于推动抗菌药物合理使用、遏制细菌耐药具有重要意义。
最后，该研究为BSI的早期精准诊断提供了一个简单、实用且解释性强的工具。与复杂的“黑箱”机器学习模型相比，这种基于传统统计方法构建的列线图更易被临床医生理解和接受，有望快速整合到临床决策支持系统中。当然，研究也存在一些局限，如单中心设计、BSI病例以革兰氏阴性菌为主等，未来需要在更多中心、更广泛的病原体谱中进行外部验证，以进一步确认其普适性。
