跳到正文
原文
梅斯医学·临床资讯·· 2026-10-20AI 评分51

eGastroenterology论文:动态AI模型预测失代偿期肝硬化ICU患者12小时后多器官衰竭风险

eGastroenterology | 从“静态评分”走向“动态预警”:AI预测肝硬化患者12小时后的多器官衰竭风险

AI 导读

一项发表于eGastroenterology的研究将机器学习与深度学习结合,构建动态模型预测失代偿期肝硬化ICU患者12小时后发生至少两个肝外器官衰竭的风险。模型基于滑动时间窗整合连续生命体征和实验室指标,主任务AUROC为0.830;外部验证于eICU数据库(1666例)中AUROC为0.774。

正文

11分钟前 eGastroenterology eGastroenterology 发表于上海

本研究为失代偿期肝硬化危重患者的风险预测提供了一个不同于传统评分体系的动态预测框架。

深度解析医学证据,DeepEvidence为你支撑决策

导读

失代偿期肝硬化(decompensated cirrhosis)患者一旦进入重症监护阶段,病情往往呈现高度动态变化。感染、循环障碍、肾功能损伤、呼吸衰竭及神经系统异常可在短时间内相互叠加,并进一步推动慢加急性肝衰竭(acute-on-chronic liver failure, ACLF)及多器官功能衰竭的发生。对于临床医生而言,挑战不仅在于判断患者当前病情的严重程度,更在于提前识别未来数小时内可能进一步恶化的患者。目前,包括MELD、CLIF-C等在内的多种评分体系已广泛用于肝硬化患者的风险分层和预后评估,但这些工具大多依赖某一特定时间点的临床和实验室指标,本质上提供的是一幅“静态风险快照”。然而,在ICU环境中,患者的血流动力学、氧合状态、肾功能及器官支持需求均可能在数小时内迅速变化,仅依赖单一时间点的信息,难以完整捕捉这种持续演变的生理轨迹。

近日,来自美国西达赛奈医学中心Yee Hui Yeo博士、西安交通大学祖建教授、英国伦敦大学学院Rajiv Jalan教授及西安交通大学第二附属医院纪泛扑教授等组成的联合研究团队,在eGastroenterology 发表了题为“Dynamic prediction of the development of extrahepatic organ failures in ICU patients with decompensated cirrhosis” 的原创研究,将AI与连续时间序列数据相结合,构建可动态更新的预测框架。这一模型整合近期生命体征、实验室指标及当前器官衰竭状态,旨在预测失代偿期肝硬化ICU患者12小时后存在至少两个肝外器官衰竭的风险,并进一步探讨了一项关键的临床问题:能否通过连续更新的临床数据提前识别器官衰竭风险,为临床评估和及时干预争取更早的时间窗口?

图片

一、失代偿期肝硬化:真正需要预测的是“下一步会发生什么”

失代偿期肝硬化患者进入ICU后,临床状态可能在数小时内发生显著变化。感染、系统性炎症、循环功能障碍、肾功能损害和呼吸衰竭相互影响,可进一步推动病情加重,甚至发展为ACLF。肝外器官衰竭的发生及严重程度,与患者短期死亡风险密切相关。

目前临床上已经存在MELD、CLIF-C ACLF、NACSELD-ACLF、COSSH等多种风险评估体系。这些工具对于疾病严重程度分层及预后判断具有重要价值,但其共同特征是较多依赖某一时间点的实验室和临床数据。对于生命体征、器官支持需求和生理状态均可能迅速变化的ICU患者而言,一次性的“风险快照”并不能完整反映随后数小时内的疾病演变。因此研究者提出,临床预测模式需要由“患者现在有多严重”,进一步转向“患者接下来是否可能发生快速恶化”。

在这一背景下,本研究将预测目标设定为:根据当前及近期生理信息,持续预测患者12小时后是否存在至少两个肝外器官衰竭,涉及肾脏、脑、循环和呼吸系统。其核心并非单纯计算一次风险,而是随着新的临床信息不断更新,动态调整预测概率。

二、新模型把“时间”真正纳入肝硬化危重症预测

本研究建立了一个滑动时间窗(sliding-window)动态预测框架。研究者并未仅使用ICU入院时的指标,而是在每一个参考时间点重新提取近期信息:模型纳入过去6小时内按小时记录的生命体征数据,同时整合过去24小时内最近一次的实验室检查结果,并结合参考时间点的器官衰竭状态,预测12小时后发生至少两个肝外器官衰竭的风险(见图1)。随着时间推进,新的生命体征、实验室检查结果和器官功能信息不断进入模型,由此形成动态更新的风险预测轨迹。

图片

图1:失代偿期肝硬化ICU患者肝外器官衰竭的动态预测框架。 这一模型整合ICU电子健康记录中的临床信息,包括过去6小时的连续生命体征数据、过去24小时内的最新实验室检查结果以及参考时间点(T_ref)的器官衰竭状态。机器学习与深度学习模型分别进行风险估计,并通过基于AUROC加权的晚期融合(late fusion)生成最终预测结果。随着患者临床数据持续更新,模型可动态评估其12小时后存在至少两个肝外器官衰竭的风险,从而形成随时间变化的个体化风险轨迹,并为早期识别病情恶化及临床决策提供依据。

来源:原文图文摘要

这一设计带来的改变具有潜在的临床应用价值。传统评分更接近一张“照片”,而动态模型试图形成一段“连续影像”。例如,两名患者的当前平均动脉压可能相同,但一名患者在过去数小时内血压持续下降,而另一名患者则保持稳定。静态数据可能将二者视为相似状态,而基于时间序列的模型理论上能够识别二者截然不同的变化轨迹。

研究最初纳入45个候选变量,通过特征筛选最终保留14个关键预测因子,包括实验室参数、生命体征以及参考时间点的器官衰竭总数等。研究中,肌酐、白蛋白、PaO₂、器官衰竭数量以及多项呼吸和循环相关指标被纳入最终预测模型。这些变量涉及肾功能、氧合状态、凝血功能及循环状态等多个临床维度,具有一定的临床可解释性。

三、机器学习与深度学习并非“二选一”

本研究采用晚期融合(late fusion)AI架构。对于ICU数据而言,不同类型的信息具有不同的数据结构。肌酐、胆红素、白蛋白等实验室检查通常是离散测量;而血压、心率、呼吸频率、SpO₂等生命体征则具有显著的时间序列属性。

若将全部变量不加区分地压缩为同一种数据结构,可能丢失时序变化所蕴含的信息。为此,研究者构建了两条相互补充的分析路径:一方面,利用CatBoost等传统机器学习算法,分析生命体征汇总特征及其他临床变量;另一方面,利用FCN-GRU等深度学习网络,结合生命体征序列数据与其他临床变量进行建模。在此基础上,再将两条路径输出的风险概率根据各自训练集AUROC进行加权融合。 

最终表现最佳的模型为SMOTE-CatBoost 与 FCN-GRU组合。在主要的12小时预测任务中,其AUROC达0.830(95% CI 0.783–0.876);模型校准截距为−0.027,决策曲线分析则显示,在多数具有临床意义的风险阈值范围内,该模型可产生正向净获益。换言之,本研究并非仅追求更高的AUROC,而是进一步评估了“预测概率是否接近真实风险”以及“应用该模型是否可能带来临床决策价值”,这对于AI模型从算法研究向临床工具的转化具有重要的参考意义。

四、预测结果可以形成“风险轨迹”

本研究通过具体患者的动态预测案例,进一步展示了模型在连续风险评估方面的特点。患者自ICU入院后,随着数据的持续积累,模型也在持续更新12小时后存在至少两个肝外器官衰竭的风险。当参考时间点推进至ICU第25小时时,模型预测该患者在第37小时发生至少两个肝外器官衰竭的概率已达92%。此后,患者于第36~37小时之间相继出现两个新的器官衰竭,至第37小时共发生三个肝外器官衰竭,与此前模型给出的高风险预测吻合(见图2)。

图片

图2:AI模型对失代偿期肝硬化患者肝外器官衰竭风险的动态预测实例。模型在ICU住院期间持续整合新获得的生命体征、实验室指标及器官衰竭状态,并滚动预测12小时后存在至少两个肝外器官衰竭的风险。在该示例患者中,当参考时间点为ICU第25小时时,模型预测该患者在第37小时存在至少两个肝外器官衰竭的概率达到92%;随后患者于第36–37小时新增两个器官衰竭,并在第37小时共出现三个肝外器官衰竭,显示出动态风险轨迹与临床病情变化的一致性。

来源:原文图 5

这一案例展示了临床风险的预测值可以随着患者生理状态的变化而动态更新。对于重症患者而言,连续变化的风险概率可能比单纯给出“高风险/低风险”的二分类结果提供更多信息。未来若能够将这种风险轨迹直接嵌入ICU监护界面,医生看到的将不只是当前生命体征,而可能同时看到患者未来数小时出现至少两个肝外器官衰竭的风险变化趋势。

五、多时间窗及外部验证进一步支持模型稳定性

研究并未将模型局限于固定的12小时预测窗口。在敏感性分析中,针对6小时后的预测任务,最佳模型AUROC为0.821(95% CI 0.773–0.865);针对24小时后的预测任务,AUROC为0.834(95% CI 0.784–0.879)。而在脓毒症患者亚组中,12小时预测AUROC仍达到0.820(95% CI 0.763–0.875)。

更关键的是,研究进一步使用来自美国200余家医院的eICU协作研究数据库(eICU Collaborative Research Database, eICU-CRD)进行独立外部验证。共有1666例失代偿期肝硬化患者进入验证队列,其中306例在预测时间点存在至少两个肝外器官衰竭。将由重症监护医学信息数据库(Medical Information Mart for Intensive Care IV, MIMIC-IV)开发得到的模型直接应用于eICU数据后,AUROC仍达到0.774(95% CI 0.743–0.805)。这表明模型在不同医疗机构和不同患者构成中仍保留一定的区分能力。

六、从预测走向应用:AI或可成为ICU中的“数字预警系统”

从临床转化角度看,这一模型具有与电子健康记录和ICU实时监测系统结合的潜力。鉴于模型所需信息主要来自临床常规采集的生命体征、实验室检查和器官功能状态,理论上无需额外增加复杂检测。未来如果嵌入电子病历系统,可在后台持续读取数据,并动态更新患者发生肝外多器官衰竭的预测概率。

当预测风险持续升高时,系统可能为临床团队提供额外的预警信息,从而促使更早进行感染筛查、循环及氧合状态再评估、肾功能监测、器官支持策略调整,以及在适宜患者中及时启动高级别监护或肝移植评估。

从研究层面看,这类模型还可能用于识别“即将恶化,但尚未形成多器官衰竭”的高风险窗口,为未来前瞻性干预研究提供更精准的患者筛选工具。未来临床试验可以进一步回答一个比“模型能否预测”更关键的问题:若在风险升高后的数小时窗口内采取针对性干预,能否真正降低器官衰竭发生率或改善生存结局?

因此,本研究为推动重症肝病管理从器官衰竭发生后的反应性治疗,向风险升高阶段的主动识别和早期干预转变提供了新的研究方向;该框架具有作为自动化早期预警系统并整合进入电子病历的潜力。

七、结语

本研究为失代偿期肝硬化危重患者的风险预测提供了一个不同于传统评分体系的动态预测框架。其意义并不只是利用AI构建一个AUROC为0.830的模型,而在于通过滑动时间窗、连续生理数据和机器学习与深度学习融合架构,将风险预测从单个时间点扩展为持续更新的动态风险轨迹。模型能够预测患者12小时后存在至少两个肝外器官衰竭的概率,并在6小时、24小时预测、脓毒症亚组以及独立多中心数据库中显示出相对稳定的区分能力。

对于重症肝病而言,临床决策的价值往往不仅取决于“判断是否正确”,也取决于“能够提前多久判断”。倘若未来的前瞻性研究证实,此类实时AI预警有助于医生更早识别存在病情恶化风险的患者,并进而改善临床决策和患者结局,那么重症肝硬化的风险管理模式有望逐步从静态风险分层转向动态预测与实时决策支持。

引证本文

Yeo YH, Que L, Zhang M, et al. Dynamic prediction of the development of extrahepatic organ failures in ICU patients with decompensated cirrhosis. eGastroenterology 2026;4:e100463. doi:10.1136/egastro-2026-100463

https://egastroenterology.bmj.com/content/4/3/e100463

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn