亮点
- 机器学习模型能够使用急诊科（ED）就诊时的早期临床数据准确预测48小时内的儿科脓毒症风险。
- 结合梯度提升树的模型在预测脓毒症和感染性休克方面的AUROC分别达到0.94和0.92或更高。
- 关键预测特征包括紧急严重程度指数、年龄调整的生命体征以及从ED护理最初4小时的电子健康记录中提取的医疗复杂性。
- 公平性分析显示，模型在不同人口统计学群体中的表现一致，但对Medicaid保险患者的表现优于商业保险患者。
研究背景
全球范围内，脓毒症仍然是儿童发病率和死亡率的主要原因之一，由于其异质性和快速进展，临床上面临重大挑战。早期识别和及时治疗可以显著改善预后。然而，在急诊科环境中，特别是早期迹象可能微妙且非特异性的情况下，识别即将发生脓毒症和感染性休克的儿童仍然很困难。现有的诊断标准和临床判断单独使用时敏感性和特异性有限，先前的预测模型未能持续提高早期诊断。因此，迫切需要强大的数据驱动工具来支持一线临床医生，通过估计ED评估最早阶段的脓毒症发展个体化风险来提供帮助。
研究设计
这项多中心队列研究利用了儿科急诊护理应用研究网络（PECARN）内五个卫生系统的数据，用于模型开发的数据涵盖2016年1月至2020年2月的ED就诊，用于时间验证的数据涵盖2021年1月至2022年12月。符合条件的患者为2个月至18岁以下的儿童，排除在ED就诊期间死亡或转院、有创伤诊断或在预测特征数据窗口内已存在脓毒症的患者。使用电子健康记录（EHR），从ED护理的前4小时提取患者的人口统计学信息和生理参数。主要结局是在48小时内发展为脓毒症，定义为疑似感染加上Phoenix脓毒症标准（PSC）评分≥2或死亡。
该研究比较了逻辑回归（带岭正则化）和梯度提升树的机器学习算法，以预测脓毒症和感染性休克。模型报告遵循TRIPOD-AI指南，并进行了广泛的数据分析直至2025年7月，以确保开发和验证的严谨性。
主要发现
大规模数据集包括训练队列中的1,604,422次合格就诊和测试队列中的719,298次。预测性能稳健，梯度提升树模型的表现优于逻辑回归。
对于预测脓毒症，逻辑回归的受试者工作特征曲线下的面积（AUROC）为0.92（95% CI，0.92-0.93），梯度提升树为0.94（95% CI，0.93-0.94）。预测感染性休克的模型展示了0.92或更高的AUROC，表明具有出色的区分能力。
梯度提升树的阳性似然比（LR+）在4.67至6.18之间（脓毒症）和4.16至5.83之间（感染性休克），表明当模型预测高风险时，后验概率显著增加。
确定的重要预测特征包括紧急严重程度指数（分诊急性度）、年龄调整的生命体征如心率和呼吸频率，以及患者的医疗历史复杂性。这些多维输入提供了超越静态临床标准的细致风险分层。
该研究还评估了模型在不同人口统计学群体中的公平性。AUROC和似然比在种族、民族或性别方面表现一致，但值得注意的是，模型对Medicaid保险患者的表现优于商业保险患者。这可能反映了数据捕获或人群特征的差异，值得进一步探索。
专家评论
这项严格的研究展示了利用大规模多中心电子健康记录数据的机器学习方法在急诊环境中转换儿科脓毒症预测的潜力。高AUROC和阳性似然比证实，将常规收集的临床信息与高级分析相结合可以产生准确的早期预警。
优点包括地理多样化的患者群体、稳健的外部时间验证以及遵守透明报告标准。使用易于获取的变量有助于实际实施。
然而，仍存在挑战。该研究排除了某些高风险人群，如创伤或已有脓毒症的患者，这限制了这些亚组的适用性。与保险状态相关的潜在偏倚需要进一步分析，以避免临床决策支持部署中的意外差异。此外，与临床工作流程的整合以及前瞻性评估对患者预后的影响是未来的关键步骤。
从生物学角度来看，预测特征与已知的脓毒症病理生理学相符，其中改变的生命体征反映了早期系统性炎症反应，而较高的医疗复杂性可能使患者更容易出现感染并发症。
结论
本研究表明，基于早期ED临床数据的机器学习模型可以可靠地预测48小时内的儿科脓毒症和感染性休克。梯度提升树方法具有出色的区分性能和阳性似然比，提供了一种有希望的工具，可以增强临床医生的判断并可能实现更早的干预。
未来的研究应强调前瞻性验证、与临床决策支持系统的整合以及对治疗及时性和预后影响的评估。解决与保险和其他社会决定因素相关的不平等也是实现公平护理的关键。鉴于儿科脓毒症仍然是一个重大的公共卫生挑战，这种数据驱动的预测模型有可能显著改善早期识别并减少这一脆弱人群的发病率和死亡率。
资金和ClinicalTrials.gov
该研究在儿科急诊护理应用研究网络（PECARN）的主持下进行。可用数据中未报告具体资金来源。这项观察性推导和验证研究使用了回顾性登记数据；未指示临床试验注册。
参考文献
Alpern ER, Scott HF, Balamuth F, Chamberlain JM, Depinet H, Bajaj L, Simon NE, Carter CP, Elsholz C, Webb M, Campos D, Deakyne Davies SJ, Cook LJ, Ungar L, Grundmeier R; PECARN PED Screen Study Group. Derivation and Validation of Predictive Models for Early Pediatric Sepsis. JAMA Pediatr. 2025 Oct 13:e253892. doi: 10.1001/jamapediatrics.2025.3892. Epub ahead of print. PMID: 41082207; PMCID: PMC12519407.