研究文章

脓毒症临床监测中重要血液学参数偏离健康状态的定量评估

DOI：

10.3791/68840

⸱

2025年7月8日

 ,  ,  ,  , 
1Outpatient Department, Dongzhimen Hospital, Beijing University of Chinese Medicine, 2Emergency Department, Sunsimiao Hospital, Beijing University of Chinese Medicine, 3Intensive Care Medicine Department, Sunsimiao Hospital, Beijing University of Chinese Medicine, 4Beijing Intelligent Entropy Science & Technology Co., Ltd., 5Department of Clinical Laboratory, Dongzhimen Hospital, Beijing University of Chinese Medicine

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究提出了一种基于三个重要血液学参数（Hb、Lymph%、PDW）与健康状态之间的欧氏距离的新型定量指标，用于评估脓毒症严重程度。结果表明，该指标与SOFA评分具有强相关性，为利用常规血液检测监测脓毒症提供了一种简单且客观的工具。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脓毒症是一种危及生命的疾病，亟需改进诊断方法和严重程度评估手段。根据长期临床观察，血红蛋白（Hb）、淋巴细胞百分比（Lymph%）和血小板分布宽度（PDW）在脓毒症病程中发生显著变化。本研究旨在评估这三项全血细胞计数（CBC）参数在区分脓毒症患者与健康个体中的价值，并基于这些参数相对于健康状态的综合偏离程度，开发一种新的定量指标以评估脓毒症严重程度。这项回顾性病例对照研究纳入了496名脓毒症患者（入院时依据Sepsis-3标准诊断）和1136名健康对照者。对初始Hb、Lymph%和PDW进行z分数标准化处理，计算健康人群的三维中心点（centroid），并计算每名脓毒症患者与此中心点之间的欧几里得距离。分析组间差异及其与SOFA评分的相关性，并通过三维散点图可视化这些关系。脓毒症患者与对照组在Hb、Lymph%和PDW水平上存在显著差异（p < 0.001），表现为脓毒症患者Hb和Lymph%较低而PDW较高。脓毒症患者相对于健康中心点的欧几里得距离显著更大（p < 0.001），且该距离与SOFA评分呈强相关性（r = 0.45，p < 0.001），在病情更严重的患者中距离值更大。三维可视化结果证实了两组之间的分离情况，颜色强度反映该距离，且随着偏离健康中心点的程度增加而增强。关键CBC参数相对于健康人群中心点的欧几里得距离能够有效量化机体偏离健康状态的程度，并与疾病严重程度相关。该方法利用常规CBC数据，为脓毒症严重程度的评估与监测提供了一种简便且具有前景的新工具。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脓毒症是由感染引起的全身炎症反应综合征，可导致严重的器官功能障碍，至今仍是全球重症监护病房死亡的主要原因之一1,2。尽管近年来在诊断和治疗技术方面取得了进展，脓毒症的病死率仍高达20%–40%3。及时识别并准确评估脓毒症的严重程度，对于临床决策和改善预后至关重要4。

目前，脓毒症的诊断和严重程度评估主要依赖于序贯器官衰竭评估（Sequential Organ Failure Assessment, SOFA）和急性生理与慢性健康状况评分II（Acute Physiology and Chronic Health Evaluation II, APACHE II）等评分系统5,6。尽管这些评分系统在临床实践中广泛应用，但仍存在诸多局限性，包括计算复杂、评估耗时、需要多项生理指标和生化检验结果，以及在临床应用中存在一定程度的主观性和不一致性7,8。这些评分系统的实施面临显著挑战，尤其是在基层医疗机构和资源有限的地区9。因此，开发一种简便、可靠且易于实施的脓毒症评估工具具有重要的临床意义。

血液学指标作为最基本的临床检查项目，具有检测快速、成本低廉和广泛可及的特点10,11。临床观察发现，脓毒症患者多项血液学指标发生显著变化，其中血红蛋白（Hb）、淋巴细胞百分比（Lymph%）和血小板分布宽度（PDW）的改变尤为明显12,13。血红蛋白降低反映脓毒症相关性贫血，淋巴细胞百分比下降提示免疫功能受抑，而血小板分布宽度升高则与炎症反应及凝血功能障碍相关14,15。既往研究12,13,14,15已证实，这些指标在一定程度上 individually 与脓毒症的严重程度和预后相关，但目前尚缺乏对多项指标进行综合评估的系统性方法16。

近年来，多维数据分析方法在疾病评估中的应用日益广泛17。欧氏距离作为一种用于量化样本间差异的几何测量方法，可用于评估患者指标偏离正常参考值的程度。将这一概念应用于多维临床数据分析，可能为疾病严重程度的评估提供新的视角。然而，目前尚缺乏基于血液学指标多维空间特征的脓毒症定量评估研究18,19。

基于上述背景，本研究旨在：评估血红蛋白、淋巴细胞百分比和血小板分布宽度在区分脓毒症患者与健康人群中的有效性；基于这三个指标建立标准化的多维空间，并计算患者样本与健康中心点之间的欧氏距离；分析该距离与脓毒症严重程度（SOFA评分）之间的相关性；探讨基于常规血液学检查的这种新评估方法在脓毒症临床监测中的应用价值。该方法为脓毒症的早期识别、严重程度评估和动态监测提供了一种新的客观且便捷的工具，尤其适用于各级医疗机构的临床实践10。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究是一项回顾性病例对照研究，已获得北京中医药大学孙思邈医院伦理委员会批准（批准号：SSMYY-KYPJ-2024-065）。所有参与者或其法定代理人均已签署知情同意书。

研究设计与研究对象
本研究纳入了2024年1月至2025年3月期间诊断为脓毒症（依据Sepsis-3标准3）的496例患者，以及来自健康体检中心的1136名健康对照者。观察组的排除标准包括：（1）年龄 < 18岁；（2）孕妇；（3）原发性血液系统疾病；（4）癌症患者；（5）入院前接受过输血治疗；（6）近期接受免疫抑制治疗或存在免疫缺陷；（7）临床资料不完整。每日监测包括早晨采血（06:00–08:00）进行全血细胞计数（CBC）分析，结果在12小时内可获得。SOFA评分由经过培训的重症医学医师依据标准化标准计算。患者随访至临床痊愈、出院、死亡或达到最长30天的随访期限。

实验室检测与数据收集
收集所有纳入受试者的 demographics 数据（年龄、性别、身高、体重等）及临床信息。全血细胞计数（CBC）样本使用血细胞分析仪进行检测，血清样本使用临床生化分析仪进行检测，凝血样本使用血细胞分析仪进行检测。所有血液样本均须在规定的检测时间内完成检测。所有检测均由经过培训的实验室技术人员严格按照标准操作程序执行。该实验室定期开展内部和外部质量控制。

对于脓毒症患者，记录其主要诊断、感染部位、合并症、序贯器官衰竭评估（SOFA）评分、急性生理与慢性健康状况评分 II（APACHE II）以及入院时的实验室检查结果。根据入院时的 SOFA 评分，将脓毒症患者分为三组：轻度（SOFA ≤ 6 分）、中度（7 ≤ SOFA ≤ 12 分）和重度（SOFA ≥ 13 分）。对于部分患者，在住院期间每日收集实验室检查结果和 SOFA 评分，以进行连续追踪分析，观察期为 30 天，或直至患者出院或死亡。健康对照组的样本来自健康体检中心参与者，且经确认无任何急性或慢性疾病。

数据分析与可视化
标准化、处理与显著性分析
为消除不同指标之间的量纲差异，对所有样本的 Hb、Lymph% 和 PDW 数据进行了 Z-score 标准化处理：

[Data_norm, mu, sigma] = zscore([H;P])

其中 H 为健康对照组数据矩阵，P 为脓毒症患者组数据矩阵，mu 和 sigma 分别为均值和标准差。标准化后，数据服从均值为 0、标准差为 1 的标准正态分布。

针对具有显著性差异的指标 Hb、Lymph% 和 PDW，绘制了显著性可视化图（图1），直观展示了健康样本与脓毒症患者在各指标维度上的差异。指标间定量分析的实际显著性见表1。计算了描述性统计量（均值、标准差、中位数、四分位数等），采用独立样本t检验比较组间差异，并计算Cohen's d效应量以评估差异的显著程度。

健康中心点的计算与欧氏距离测量
基于健康对照组的标准化数据，计算其在三维特征空间中的中心点坐标。随后，计算每例脓毒症患者样本到健康中心点的欧氏距离，以量化患者血液学指标偏离健康状态的程度，作为评估疾病严重程度的客观指标。

三维可视化方法
创建了三维散点图（图2），用于显示两组样本在特征空间中的分布情况。图中使用颜色梯度（Jet颜色方案）表示脓毒症的严重程度，其中深蓝色代表轻度脓毒症，红色代表重度脓毒症，健康对照组用绿色加号标记。

长期队列样本的临床验证
为评估该方法在长期队列（入院后随访3-6个月）患者新样本中的适用性，设计了预测性验证流程。对于典型的脓毒症长期队列样本，采用此前保存的正则化过程中得到的均值（mu）和标准差（sigma）进行标准化处理，随后计算其与健康中心点之间的欧氏距离。根据计算所得的距离值，结合预先建立的距离与疾病严重程度之间的对应关系，评估新样本的脓毒症严重程度。通过持续追踪，绘制欧氏距离与SOFA评分的时间序列比较曲线（图3），以分析两种趋势变化的一致性与相关性。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

显著性分析
根据长期的临床实践观察，随着脓毒症的进展，患者血红蛋白水平和淋巴细胞百分比显著降低，同时血小板分布宽度显著升高12,16。通过对这三个关键血液学指标——血红蛋白、淋巴细胞百分比和血小板分布宽度——的分析，发现脓毒症患者与健康人群之间存在显著差异。

数据分析结果（表1）表明：脓毒症患者的血红蛋白水平（92.77 ± 20.64 g/L）显著低于健康对照组（139.58 ± 12.82 g/L），降低了33.5%，具有极高的统计学意义（t = 56.30，p < 0.001）和较大的效应量（Cohen's d = 3.03）。同样，脓毒症患者的淋巴细胞百分比（13.60% ± 8.28%）比健康对照组（33.86%...

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

基于关键血液学指标的脓毒症评估新方法
本研究提出了一种基于三项关键血液学指标（血红蛋白、淋巴细胞百分比和血小板分布宽度）评估脓毒症严重程度的新方法。该方法通过计算患者样本与健康人群中心点之间的欧氏距离，量化血液学指标偏离健康状态的程度，为脓毒症的临床监测提供了一种新的评估工具。

三维可视化分析（图2）清晰地展示了健康人群与不同严重程度脓毒症患者在三维特征空间中的分布差异，证实随着病情加重，患者血液学指标与健康中心点之间的距离逐渐增大。标准化血液学指标的显著性可视化结果（图1）显示，脓毒症患者血红蛋白和淋巴细胞百分比显著降低，血小板分布宽度增加，这与现有文献报道的脓毒症病理生理特征一致14,15。统计分析（表1）进一步量化了这些差异的显著性，所有指标均达到极高的统计学显著...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

多元状态颜色散点图软件工具（V1.0）由北京智熵科技开发并拥有 & 技术有限公司。本软件的所有知识产权归该公司所有。作者声明无利益冲突。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究由陕西省中医药管理局2024年度提升市属中医医院中医药科研能力项目（SZY-NLTL-2024-003）资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
MATLABMathWorks 2023B计算与可视化 
多元状态彩色散点图  智能
 熵		多变量状态 V1.0北京智熵科技 & Technology Co Ltd.
多变量状态建模

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jarczak, D., Kluge, S., Nierhaus, A. Sepsis-Pathophysiology and Therapeutic Concepts. Front Med. 8, 628302(2021).
  2. Saito, H. Sepsis in Global Health: Current global strategies to fight against sepsis. Acute Med Surg. 12, e70045(2025).
  3. Singer, M., et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA. 315 (8), 801-810 (2016).
  4. Fernando, S. M., et al. Clinical implications of the Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). Canadian Med Assoc J. 190 (36), E1058-E1059 (2018).
  5. van der Poll, T., Shankar-Hari, M., Wiersinga, W. J. The immunology of sepsis. Immunity. 54 (11), 2450-2464 (2021).
  6. Denny, K. J., et al. Diagnosing sepsis in the ICU: Comparison of a gene expression signature to pre-existing biomarkers. J Crit Care. 76, 154286(2023).
  7. Pölkki, A., et al. Association of Sequential Organ Failure Assessment (SOFA) components with mortality. Acta anaesthesiologica Scandinavica. 66 (6), 731-741 (2022).
  8. Pan, X., et al. Evaluate prognostic accuracy of SOFA component score for mortality among adults with sepsis by machine learning method. BMC Infect Dis. 23 (1), 76(2023).
  9. Bignami, E. G., et al. Artificial Intelligence in Sepsis Management: An Overview for Clinicians. J Clin Med. 14 (1), 286(2025).
  10. Herawati, S., et al. Integrating Routine Hematological and Extended Inflammatory Parameters as a Novel Approach for Timely Diagnosis and Prognosis in Sepsis Management. Diagnostics. 14 (9), 956(2024).
  11. Barichello, T., et al. Biomarkers for sepsis: more than just fever and leukocytosis-a narrative review. Crit Care. 26 (1), 14(2022).
  12. Li, H., et al. The relationship between hemoglobin, albumin, lymphocyte, and platelet (HALP) score and 28-day mortality in patients with sepsis: a retrospective analysis of the MIMIC-IV database. BMC Infect Dis. 25 (1), 333(2025).
  13. Yang, J., et al. A nomogram based on lymphocyte percentage for predicting hospital mortality in exertional heatstroke patients: a 13-year retrospective study. World J Emerg Med. 14 (6), 434-441 (2023).
  14. Ligi, D., et al. Platelet distribution width (PDW) as a significant correlate of COVID-19 infection severity and mortality. Clin Chem Lab Med. 62 (3), 385-395 (2023).
  15. Saragih, R. A. C., Yanni, G. N. Correlation between Platelet Profile (Mean Platelet Volume, Platelet Volume Distribution Width and Plateletcrit) with Procalcitonin and C-reactive Protein in Critically Ill Children. Prague Med Rep. 123 (2), 82-87 (2022).
  16. Zheng, X., et al. A new hematological parameter model for the diagnosis and prognosis of sepsis in emergency department: A single-center retrospective study. Int J Lab Hematol. 46 (2), 250-258 (2024).
  17. Lyu, Y., et al. Predictive Value of Red Blood Cell Distribution Width-to-Platelet Ratio for Severity in Pyogenic Liver Abscess: A Retrospective Observational Study. Surg Infect. 26 (1), 33-38 (2025).
  18. Fleuren, L. M., et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intens Care Med. 46 (3), 383-400 (2020).
  19. Kijpaisalratana, N., et al. Machine learning algorithms for early sepsis detection in the emergency department: A retrospective study. Int J Med Info. 160, 104689(2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

SOFA
视频即将推出

相关文章