DOI: https://doi.org/10.1038/s41746-026-02565-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41888397
تاريخ النشر: 2026-03-26
المؤلف: FAN Rui, ZHANG Yining, LI Xin, LI Juan, LI Qun, LI Zhiying, GU Shili, HU Feihan, GAO Shiyang, FENG Biyun, YAO Ruen, WANG Xiumin وآخرون
الموضوع الرئيسي: تشخيص وعلاج الإنتان
نظرة عامة
تدرس هذه الدراسة التنبؤ الديناميكي بنتائج الإنتان باستخدام نمذجة المسار القائم على المجموعة وتعلم الآلة، مع معالجة قيود درجات الشدة الثابتة التقليدية. من خلال تحليل بيانات من 47,936 مريضًا في وحدة العناية المركزة الذين استوفوا معايير Sepsis-3 عبر مجموعات بيانات متعددة (MIMIC-III، eICU، وMIMIC-IV)، حدد الباحثون ثلاث مسارات تعافي متميزة: تعافي سريع (41.5%)، تعافي بطيء (36.4%)، وتدهور سريري (22.1%). أظهر نموذج تعلم الآلة الجماعي المطور أداءً تنبؤيًا قويًا، مع قيم المساحة تحت منحنى التشغيل (AUROC) تبلغ 0.92 للتطوير، 0.89 للتحقق الداخلي، و0.84 و0.77 للتحقق الخارجي في MIMIC-III وeICU، على التوالي.
كما كشف النموذج أن انخفاض تباين معدل ضربات القلب (المعرف على أنه تباين معدل ضربات القلب SD < 10 bpm) كان مؤشرًا مهمًا للوفيات (نسبة الخطر المعدلة 2.17). بعد التنفيذ، أدى نموذج المسار القائم إلى تقليل مدة الإقامة في وحدة العناية المركزة بمقدار 1.8 يوم، ومدة التهوية بمقدار 2.3 يوم، وانخفاض في معدل الوفيات لمدة 28 يومًا بنسبة 5.7%. تؤكد هذه النتائج على إمكانية استخدام نهج قائم على المسار للتصنيف المبكر للمخاطر في الإنتان، مما يسهل التدخلات الحرجة الشخصية والاستباقية.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة للإنتان، وهي حالة شديدة ناتجة عن استجابة مناعية غير مناسبة للعدوى، تؤثر على حوالي 49 مليون فرد سنويًا وتؤدي إلى حوالي 11 مليون وفاة في جميع أنحاء العالم. على الرغم من التحسينات في الأساليب التشخيصية والعلاجية، لا يزال الإنتان سببًا رئيسيًا للوفيات في وحدات العناية المركزة (ICUs)، حيث يعاني الناجون غالبًا من إعاقات طويلة الأمد وانخفاض في جودة الحياة. تقدم الإنتان متنوع بشكل ملحوظ، حيث يظهر المرضى أنماط تعافي مختلفة، ومع ذلك توفر أنظمة تقييم الشدة التقليدية مثل تقييم فشل الأعضاء المتسلسل (SOFA) وتقييم الفسيولوجيا الحادة والصحة المزمنة (APACHE) رؤى محدودة حول الطبيعة الديناميكية للمرض وتركز بشكل أساسي على التنبؤ بالوفيات.
تقدم التطورات الحديثة في تعلم الآلة فرصًا لتعزيز التنبؤات السريرية من خلال إدارة البيانات عالية الأبعاد بفعالية والتعرف على العلاقات المعقدة وغير الخطية. ومع ذلك، ركزت الأبحاث الحالية بشكل أساسي على النتائج الثنائية، مثل الوفيات، بدلاً من التنبؤ الديناميكي بمسارات التعافي. علاوة على ذلك، تفتقر العديد من النماذج التنبؤية إلى التحقق الخارجي في البيئات السريرية الواقعية. تهدف هذه الدراسة إلى تطوير والتحقق من نموذج تعلم الآلة المصمم خصيصًا للتنبؤ بمسارات التعافي وتقييم مخاطر التدهور في مرضى الإنتان. باستخدام استراتيجية تحقق متعددة المستويات تدمج البيانات المؤسسية مع قواعد بيانات عامة واسعة (MIMIC-III وeICU)، تؤكد الدراسة على تحليل التباين الزمني في المعلمات الفسيولوجية كنهج جديد للتنبؤ التشخيصي، بينما تقيم أيضًا تأثيرات التدخلات الفردية القائمة على المسار على النتائج السريرية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي تم ملاحظتها. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية، والتي قد تشمل قيم p، فترات الثقة، أو مقاييس ذات صلة أخرى تدعم صحة النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح البيانات بشكل أكثر فعالية. تساعد هذه الوسائل البصرية في تعزيز فهم القارئ للنتائج وتوفير مقارنة أوضح للمتغيرات المدروسة. بشكل عام، تساهم النتائج في الآثار الأوسع للبحث، مقدمة رؤى قد تُفيد الدراسات المستقبلية أو التطبيقات العملية في المجال المعني.
المناقشة
طورت الدراسة وصادقت على نموذج تعلم آلة للتنبؤ بمسارات التعافي في مرضى الإنتان، باستخدام قاعدة بيانات متعددة المراكز تضم 54,758 مريضًا، وتم تحليل 47,936 بعد الاستبعاد. حدد النموذج ثلاث مسارات متميزة: تعافي سريع، تعافي بطيء، وتدهور سريري، مع اختلافات كبيرة في النتائج والمعلمات الفسيولوجية بين هذه المجموعات. من الجدير بالذكر أن النموذج حقق قيم المساحة تحت منحنى التشغيل (AUROC) تتراوح بين 0.80-0.84 عبر مجموعات مختلفة وقدم وقت تحذير متوسط قدره 17.6 ساعة قبل التدهور السريري، مما يسمح بالتدخلات في الوقت المناسب.
أدى تنفيذ نظام التنبؤ القائم على المسار إلى فوائد سريرية كبيرة، بما في ذلك تقليل مدة الإقامة في وحدة العناية المركزة بمقدار 1.8 يوم، ومدة التهوية الميكانيكية بمقدار 2.3 يوم، وانخفاض بنسبة 5.7% في معدل الوفيات لمدة 28 يومًا. تؤكد النتائج على أهمية التعرف على الطبيعة الديناميكية للإنتان، مما يشير إلى أن التعرف المبكر على مسارات التعافي يمكن أن يؤدي إلى استراتيجيات إدارة شخصية. بالإضافة إلى ذلك، سلطت الدراسة الضوء على القيمة التنبؤية للتباين الفسيولوجي، وخاصة انخفاض تباين معدل ضربات القلب، كمؤشر على التدهور السريري الوشيك، مما يعزز الحاجة إلى المراقبة المستمرة في رعاية الإنتان. بشكل عام، يمثل دمج الأساليب الإحصائية التقليدية مع تقنيات تعلم الآلة تقدمًا كبيرًا في إدارة الإنتان، مما يستدعي مزيدًا من التحقق المستقبلي.
DOI: https://doi.org/10.1038/s41746-026-02565-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41888397
Publication Date: 2026-03-26
Author(s): FAN Rui, ZHANG Yining, LI Xin, LI Juan, LI Qun, LI Zhiying, GU Shili, HU Feihan, GAO Shiyang, FENG Biyun, YAO Ruen, WANG Xiumin et al.
Primary Topic: Sepsis Diagnosis and Treatment
Overview
This study investigates the dynamic prediction of sepsis outcomes using group-based trajectory modeling and machine learning, addressing the limitations of conventional static severity scores. Analyzing data from 47,936 ICU patients who met Sepsis-3 criteria across multiple datasets (MIMIC-III, eICU, and MIMIC-IV), the researchers identified three distinct recovery trajectories: rapid recovery (41.5%), slow recovery (36.4%), and clinical deterioration (22.1%). The developed ensemble machine-learning model demonstrated strong predictive performance, with area under the receiver operating characteristic (AUROC) values of 0.92 for development, 0.89 for internal validation, and 0.84 and 0.77 for external validation in MIMIC-III and eICU, respectively.
The model also revealed that reduced heart rate variability (defined as heart rate variability SD < 10 bpm) was a significant predictor of mortality (adjusted hazard ratio of 2.17). Following implementation, the trajectory-based model resulted in a reduction of ICU stay by 1.8 days, ventilation duration by 2.3 days, and a decrease in 28-day mortality by 5.7%. These findings underscore the potential of a trajectory-based approach for early risk stratification in sepsis, facilitating personalized and proactive critical care interventions.
Introduction
The introduction of the research paper addresses the critical issue of sepsis, a severe condition resulting from an inappropriate immune response to infection, which affects around 49 million individuals annually and leads to approximately 11 million deaths worldwide. Despite improvements in diagnostic and therapeutic approaches, sepsis continues to be a predominant cause of mortality in intensive care units (ICUs), with survivors often experiencing long-term disabilities and diminished quality of life. The progression of sepsis is notably heterogeneous, with patients exhibiting varying recovery patterns, yet traditional severity scoring systems like the Sequential Organ Failure Assessment (SOFA) and Acute Physiology and Chronic Health Evaluation (APACHE) provide limited insights into the dynamic nature of the disease and primarily focus on mortality prediction.
Recent advancements in machine learning present opportunities to enhance clinical predictions by effectively managing high-dimensional data and recognizing complex, nonlinear relationships. However, existing research has predominantly concentrated on binary outcomes, such as mortality, rather than the dynamic prediction of recovery trajectories. Moreover, many predictive models lack external validation in real-world clinical environments. This study aims to develop and validate a machine learning model specifically designed to predict recovery trajectories and assess deterioration risk in sepsis patients. Utilizing a multi-level validation strategy that integrates institutional data with extensive public databases (MIMIC-III and eICU), the research emphasizes the analysis of temporal variability in physiological parameters as a novel approach for prognostic prediction, while also evaluating the effects of trajectory-based individualized interventions on clinical outcomes.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed. The results are often accompanied by statistical analyses, which may include p-values, confidence intervals, or other relevant metrics that support the validity of the findings.
Additionally, the section may include visual representations such as graphs or tables to illustrate the data more effectively. These visual aids serve to enhance the reader’s understanding of the results and provide a clearer comparison of the variables studied. Overall, the findings contribute to the broader implications of the research, offering insights that may inform future studies or practical applications in the relevant field.
Discussion
The study developed and validated a machine learning model to predict recovery trajectories in sepsis patients, utilizing a multicenter database of 54,758 patients, ultimately analyzing 47,936 after exclusions. The model identified three distinct trajectories: rapid recovery, slow recovery, and clinical deterioration, with significant differences in outcomes and physiological parameters among these groups. Notably, the model achieved area under the receiver operating characteristic (AUROC) values of 0.80-0.84 across various cohorts and provided a median warning time of 17.6 hours before clinical deterioration, allowing for timely interventions.
Implementation of the trajectory-based prediction system resulted in substantial clinical benefits, including a reduction in ICU length of stay by 1.8 days, mechanical ventilation duration by 2.3 days, and a 5.7% decrease in 28-day mortality. The findings underscore the importance of recognizing the dynamic nature of sepsis, suggesting that early identification of recovery trajectories can lead to personalized management strategies. Additionally, the study highlighted the predictive value of physiological variability, particularly reduced heart rate variability, as an indicator of impending clinical deterioration, reinforcing the need for continuous monitoring in sepsis care. Overall, the integration of traditional statistical methods with machine learning techniques represents a significant advancement in sepsis management, warranting further prospective validation.