目的 β受体阻滞剂在治疗脓毒症心肌损伤(sepsis included myocardial injury,SIMI)方面展现出潜在的治疗价值.本研究的目标的是探索美托洛尔治疗对与SIM1患者预后的影响之间的关联.方法 本研究中的SIMI患者主要来源于重症监护医学信息数据库(MIMIC)-Ⅳ.将筛选后的SIMI患者分为使用美托洛尔组和未使用美托洛尔组,随后进行倾向性匹配分析(PSM)以减少组间基线偏差.主要结局为28 d全因病死率,次要结局为90 d和1年全因病死率.采用Kaplan-Meier(K-M)曲线和Cox回归分析评价美托洛尔对SIMI患者预后的影响.此外,我们收集了首都医科大学附属北京朝阳医院的数据进行外部验证.结果 PSM前后的队列分别包括2550例和1912例患者.在PSM队列中,K-M曲线显示,使用美托洛尔组患者的28 d、90 d、1年累积病死率显著低于未使用美托洛尔组;多因素Cox回归显示,美托洛尔的使用与较低的28 d病死率[风险比(HR)=0.56,95％可信区间(CI):0.47～0.66,P＜0.001]、90 d 病死率(HR=0.65,95％CI:0.56～0.75,P＜0.001)和 1 年病死率(HR=0.69,95％CI:(0.61～0.78),P＜0.001)均相关.外部验证进一步证明了这一结果.结论 美托洛尔的使用与SIMI患者全因病死率降低相关.

目的:建立并评价脓毒症相关性急性肾损伤（S-AKI）患者3个月死亡风险的列线图预测模型。方法:基于美国重症监护医学信息数据库Ⅳ（MIMIC-Ⅳ），收集2008至2021年S-AKI患者的临床数据。初步纳入58个相关预测因素，以3个月内全因死亡为结局事件。按7∶3比例将数据分为训练集和验证集。在训练集中采用单因素Logistic回归分析初步筛选变量，运用多重共线性分析、Lasso回归和随机森林算法并结合临床应用价值进行变量选择，建立多因素Logistic回归模型并利用列线图进行可视化表达。在验证集中进行内部验证，评价模型预测价值；绘制受试者工作特征曲线（ROC曲线）计算曲线下面积（AUC）评价列线图模型及牛津急性疾病严重度评分（OASIS）、序贯器官衰竭评分（SOFA）、全身炎症反应综合征评分（SIRS）的区分度；校准曲线评价校准度；决策曲线分析（DCA）评估不同阈值概率下的净效益。结果:基于确诊后3个月时的生存状况将患者分为存活组7?768例（68.54%），死亡组3?566例（31.46%）。在训练集中通过多重筛选，最终纳入7个变量，即Logistic器官功能障碍评分（LODS）、Charlson合并症指数、尿量、国际标准化比值（INR）、呼吸支持方式、血尿素氮和年龄，并纳入列线图模型。在验证集中进行内部验证，ROC曲线分析显示，列线图模型的AUC为0.81〔95%可信区间（95% CI）为0.80～0.82〕，大于OASIS评分的0.70（95% CI为0.69～0.71），远大于SOFA评分的0.57（95% CI为0.56～0.58）和SIRS评分的0.56（95% CI为0.55～0.57），具有较好区分度。校准曲线显示列线图模型校准度优于OASIS、SOFA、SIRS评分。DCA曲线显示列线图模型在不同阈概率情况下的临床净收益均好于OASIS、SOFA、SIRS评分。 结论:基于MIMIC-Ⅳ临床大数据建立的一个包含7项变量的S-AKI患者3个月死亡风险预测列线图模型具有很好的区分度和校准度，为评估S-AKI患者预后提供了有效的新工具。

目的:对比病原菌培养阳性脓毒症（CPS）与培养阴性脓毒症（CNS）患者的特征和结局，以了解培养阴性对预后的影响，并探讨其可能的死亡风险因素。方法:采用回顾性队列研究方法，以从美国重症监护医学信息数据库Ⅳv0.4（MIMIC-Ⅳv0.4）中筛选出的脓毒症患者作为研究对象。根据确诊脓毒症前后24 h内病原菌培养结果将患者分为CPS组和CNS组，比较两组患者的一般资料、病情资料及医疗操作等。在3个回归模型下，应用Logistic回归法分析CNS与住院病死率的关系。利用卡方分析及中介效应分析探讨初始抗菌药物治疗和90 d内抗菌药物使用史对CNS患者住院病死率的影响。结果:共8 587例脓毒症患者纳入最终分析，其中CPS组5 483例，CNS组3 104例。与CPS组相比，CNS组患者年龄更小〔岁：68（56，79）比70（58，81）〕，序贯器官衰竭评分（SOFA）及入重症监护病房（ICU）24 h内进行机械通气、肾脏替代治疗和使用血管升压素比例更高〔SOFA评分（分）：3（2，5）比3（2，4），机械通气：48.61%（1 509/3 104）比39.25%（2 152/5 483），肾脏替代治疗：13.69%（425/3 104）比9.68%（531/5 483），血管升压素：15.79%（490/3 104）比13.44%（737/5 483）〕，且ICU住院时间更长〔d：5（3，10）比3（2，6）〕，住院病死率更高〔25.00%（776/3 104）比18.53%（1 016/5 483）〕，差异均有统计学意义（均 P<0.01）；但两组在性别分布、入ICU类型、简化急性生理学评分Ⅱ（SAPSⅡ）、查尔森合并症指数（CCI）评分等方面差异均无统计学意义。经过多种因素校正后，CNS是患者院内死亡的危险因素〔优势比（ OR）＝1.441，95%可信区间（95% CI）为1.273~1.630， P<0.001〕。卡方分析及中介效应分析结果显示，初始抗菌药物治疗对CNS患者住院病死率升高没有显著影响，而90 d内抗菌药物使用史是CNS患者院内死亡的危险因素（ OR＝1.683，95% CI为1.328~2.134， P<0.05），CNS在90 d内抗菌药物使用史及院内死亡中的中介效应显著（ Z＝5.302， P<0.001），中介效应占比为7.58%。 结论:CNS患者较CPS患者病情更重，预后更差。既往90 d内使用过抗菌药物可能与CNS患者住院病死率升高有关，但并不能完全解释CNS高病死率的原因。

目的:探讨各类重症监护病房（ICU）患者的基本特征及入ICU首日6种重症患者疾病严重程度常用评分对28 d死亡风险的预测价值。方法:提取美国重症监护医学信息数据库Ⅳ 2.0（MIMIC-Ⅳ 2.0）中2008至2019年重症患者的一般资料、疾病严重程度评分〔急性生理学评分Ⅲ（APSⅢ）、牛津急性疾病严重程度评分（OASIS）、Logistic器官功能障碍评分（LODS）、简化急性生理学评分Ⅱ（SAPSⅡ）、全身炎症反应综合征（SIRS）评分、序贯器官衰竭评分（SOFA）〕及预后等指标。绘制各类ICU中6种重症评分预测患者28 d死亡风险的受试者工作特征曲线（ROC曲线），并计算ROC曲线下面积（AUC），使用最大约登指数定义最佳临界值，采用Delong法对各类ICU的AUC进行两两验证。结果:共纳入53 150例重症患者，其中内科ICU（MICU）占比最多（19.25%，10 233例），其次为心血管外科ICU（CVICU；17.78%，9 450例），而神经ICU（NICU）占比最少（6.25%，3 320例）。心血管内科ICU（CCU）患者年龄最大〔岁：71.79（60.27，82.33）〕。NICU患者ICU住院时间最长〔d：2.84（1.51，5.49）〕，且占总住院时间比例最高〔63.51%（34.61%，97.07%）〕；综合ICU患者ICU住院时间最短〔d：1.75（0.99，3.05）〕；CVICU患者ICU住院时间占总住院时间比例最低〔27.69%（18.68%，45.18%）〕。在入ICU首日评分方面，NICU患者6种评分均低于其他类型ICU，MICU患者APSⅢ、LODS、OASIS、SOFA评分均高于其他ICU；而SAPⅡ、SIRS评分均在CVICU最高。预后方面，以MICU患者28 d病死率最高（14.14%，1 447/10 233），而CVICU患者病死率最低（2.88%，272/9 450）。ROC曲线分析6种评分对各类ICU患者28 d死亡风险的预测价值显示，在综合ICU，以APSⅢ、LODS、SAPSⅡ预测价值较大〔AUC及95%可信区间（95% CI）分别为0.84（0.83~0.85）、0.82（0.81~0.84）、0.83（0.82~0.84）〕；在外科ICU（SICU），以OASIS、LODS、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.80（0.79~0.82）、0.79（0.78~0.81）、0.79（0.77~0.80）〕；在MICU，以APSⅢ、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.84（0.82~0.85）、0.82（0.81~0.83）〕；在CCU，以APSⅢ、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.86（0.85~0.88）、0.85（0.83~0.86）〕；在创伤ICU（TICU），以LODS、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.83（0.82~0.83）、0.83（0.82~0.84）〕；在NICU，以OASIS、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.83（0.80~0.85）、0.81（0.78~0.83）〕；在CVICU则以APSⅢ、LODS、SAPSⅡ预测价值较大〔AUC及95% CI分别为0.84（0.83~0.85）、0.81（0.80~0.82）、0.78（0.77~0.78）〕。 结论:对于综合ICU、MICU、CCU、CVICU患者，可应用APSⅢ或SAPSⅡ评分预测28 d死亡风险；对于SICU和NICU患者，可应用OASIS或SAPSⅡ评分预测28 d死亡风险；对于TICU患者，可应用SAPSⅡ或LODS评分预测28 d死亡风险；对于CVICU患者，则可应用APSⅢ或LODS评分预测28 d死亡风险。

目的:观察经鼻高流量氧疗（HFNC）对慢性阻塞性肺疾病（COPD）合并高碳酸血症患者的临床疗效，并评估生理参数指标对COPD合并轻度高碳酸血症患者疗效的早期预测价值。方法:采用回顾性队列研究方法，选择美国重症监护医学信息数据库-Ⅳ（MIMIC-Ⅳ）截至2020年9月发布的2008至2019年COPD合并轻度高碳酸血症患者的相关记录〔45 mmHg（1 mmHg＝0.133 kPa）<动脉血二氧化碳分压（PaCO 2）≤ 60 mmHg〕。根据接受HFNC或无创呼吸机分为HFNC组和无创通气（NIV）组。收集入选患者的性别、年龄、体质量指数（BMI）、简化急性生理学评分Ⅱ（SAPSⅡ）、查尔森合并症指数（CCI）评分、生理参数等基线数据。根据HFNC组基线数据进行倾向评分匹配，比较两组患者治疗48 h和28 d插管率、28 d病死率、重症监护病房（ICU）住院时间、总住院时间，以及治疗48 h内各时间段的生理参数的差异。绘制受试者工作特征曲线（ROC曲线），分析治疗4 h心率/脉搏血氧饱和度（HR/SpO 2）比值及ROX指数〔SpO 2/（吸入氧浓度，FiO 2×呼吸频率，RR）〕预测24 h与48 h插管的准确性。 结果:共筛查524 520份住院记录，纳入患者153例，其中HFNC组37例，NIV组116例。根据基线数据进行倾向性评分匹配后HFNC组患者31例，NIV组患者84例。两组患者性别、年龄、BMI、SAPSⅡ、CCI评分、生理参数等基线数据以及除ICU住院时间外的预后指标比较差异均无统计学意义。HFNC组ICU住院时间较NIV组明显延长〔d：4.6（3.1，10.0）比3.1（1.6，5.8）， P<0.05〕。与0～8 h比较，治疗40～48 h HR、RR仅HFNC组明显降低〔HR（次/min）：84.1±12.2比91.1±16.4，RR（次/min）：19.8±4.9比21.6±4.1，均 P<0.05〕；而HFNC组和NIV组pH值均明显升高（7.42±0.08比7.36±0.05，7.41±0.06比7.36±0.05，均 P<0.05），PaCO 2均明显降低〔mmHg：46.3（39.5，51.0）比49.8（45.5，54.0），46.0 （40.5，51.5）比49.5（46.5，55.3），均 P<0.05〕。与HFNC组同期比较，治疗40～48 h NIV组HR、PaO 2均升高〔HR（次/min）：91.1±15.4比84.1±12.2，PaO 2（mmHg）：99.5（86.0，132.3）比85.8（76.5，118.0），均 P<0.05〕，PaO 2/FiO 2降低〔mmHg：223.8（216.5，285.0）比278.0（212.3，306.0）， P<0.05〕。HFNC组治疗4 h HR/SpO 2和ROX指数对24 h与48 h插管均有一定的预测价值，其中4 h HR/SpO 2预测24 h和48 h插管的ROC曲线下面积（AUC）均高于ROX指数（24 h为0.649比0.574，48 h为0.692比0.581，均 P<0.01）；4 h HR/SpO 2和ROX指数预测24 h与48 h插管的95%可信区间（95% CI）分别为0.497～0.780、0.567～0.799、0.450～0.694、0.454～0.716。HR/SpO 2和ROX指数预测24 h与48 h插管的敏感度均较高，分别为84.6%、92.9%、88.2%、94.4%，特异度均较低，分别为52.3%、23.7%、54.7%、29.6%。 结论:HFNC可用于COPD合并轻度高碳酸血症患者，但不能完全替代NIV。HFNC治疗4 h ROX指数预测COPD合并轻度高碳酸血症患者插管的准确性不高。

目的:建立和验证以机械功（MP）为导向的机械通气患者撤机失败风险列线图预测模型。方法:收集美国重症监护医学信息数据库-Ⅳ v1.0（MIMIC-Ⅳ v1.0）中有创机械通气（IMV）超过24 h且用T管通气策略进行撤机患者的临床资料，包括人口统计学信息和合并症、首次自主呼吸试验（SBT）前4 h的呼吸力学参数、SBT前的实验室指标、SBT期间的生命体征和血气分析、重症监护病房（ICU）住院时间及IMV时间，并将其纳入模型建立组。采用Lasso方法筛选影响撤机结局的风险因素，并纳入多因素Logistic回归分析，用R软件构建列线图预测模型并制作动态网页列线图。通过受试者工作特征曲线（ROC曲线）和校准曲线评估列线图的区分度和准确性，以决策曲线分析（DCA）评估列线图的临床有效性。前瞻性收集2021年11月至2022年10月在连云港市第一人民医院、连云港市第二人民医院ICU住院的机械通气患者数据，对该模型进行外部验证。结果:在模型建立组中，共有3 695例机械通气患者纳入研究，其中撤机失败率为38.5%（1 421/3 695）。Lasso回归分析最终筛选出6个变量，包括呼气末正压（PEEP）、MP、动态肺顺应性（Cdyn）、吸入氧浓度（FiO 2）、ICU住院时间、IMV时间，其系数分别为0.144、0.047、-0.032、0.027、0.090、0.098；Logistic回归分析显示，6个变量均为预测撤机失败风险的独立危险因素〔优势比（ OR）和95%可信区间（95% CI）分别为1.155（1.111~1.200）、1.048（1.031~1.066）、0.968（0.963~0.974）、1.028（1.017~1.038）、1.095（1.076~1.113）、1.103（1.070~1.137），均 P<0.01〕。以MP为导向的机械通气患者撤机失败风险列线图预测模型在模型建立组和外部验证组均表现出准确的区分度，ROC曲线下面积（AUC）和95% CI分别为0.832（0.819~0.845）、0.879（0.833~0.925），且其预测准确性显著高于MP、Cdyn、PEEP等单一指标。校准曲线表明预测与观察结局之间存在良好的一致性。DCA分析表明列线图模型具有较高的净获益值，在临床上是有益的。 结论:以MP为导向构建撤机失败风险的列线图预测模型，能够合理、准确地预测机械通气患者的撤机结局，有助于临床医生进行撤机决策的判断。

目的:利用可视化方法展现机械通气患者不同机械功率暴露强度-持续时间组合与死亡风险之间的关系。方法:从美国重症监护医学信息数据库Ⅳ v1.0（MIMIC-Ⅳ v1.0）中筛选出接受机械通气的危重病患者，并根据氧合指数（PaO 2/FiO 2）分为4个亚组，即>300 mmHg（1 mmHg≈0.133 kPa）组、201～300 mmHg组、101～200 mmHg组、≤100 mmHg组。收集不同患者人群的基线特征、呼吸机参数及预后指标。对每位患者均使用从低到高的机械功率阈值（5～30 J/min，以1 J/min为间隔递增）评估不同机械功率的暴露情况（高于设定阈值即记录为1次暴露），并根据其对应的持续时间，统计不同暴露强度-持续时间组合的事件次数。根据患者28 d存活/死亡情况，分别计算存活者和死亡者在每种暴露强度-持续时间组合下的暴露次数，并根据暴露次数计算不同机械功率暴露强度-持续时间组合的生存优势比（ OR）。以暴露持续时间为横坐标、暴露强度为纵坐标，生成二维表格，并利用热图及其相应等位线视图实现 OR值的可视化，从而评估死亡风险。 结果:最终共纳入5 378例接受机械通气的患者，PaO 2/FiO 2>300 mmHg组2 069例，201～300 mmHg组813例，101～200 mmHg组1 493例，≤100 mmHg组1 003例。随着PaO 2/FiO 2下降，患者病情严重程度评分〔序贯器官衰竭评分（SOFA）、简化急性生理学评分Ⅱ（SAPSⅡ）〕逐渐升高，合并症比例也呈上升趋势。在呼吸机参数方面，随着PaO 2/FiO 2下降，患者机械功率逐渐增加〔分别为10.4（7.8，13.9）、11.3（8.5，14.7）、13.6（10.0，18.2）、16.7（12.5，22.0）J/min， P<0.01〕；在预后方面，随着PaO 2/FiO 2下降，患者28 d病死率逐渐升高〔分别为29.1%（601/2 069）、26.9%（219/813）、28.1%（420/1 493）、33.3%（334/1 003）， P<0.05〕。在可视化热图中观察到，机械通气患者28 d死亡风险随着机械功率暴露强度增大和持续时间延长而逐渐增加，表现为两个差异明显的区域：靠近左下角的区域（机械功率暴露强度低、持续时间短）呈蓝色，代表生存优势大；靠近右上角的区域（机械功率暴露强度高、持续时间长）呈红色，代表死亡风险大。根据 OR值拟合得到的等位线可见，在死亡风险相同的情况下，机械功率暴露强度较高时所需持续时间较短，而较低的机械功率暴露强度则需要较长的持续时间。上述变化趋势在整体人群及不同氧合人群中均有类似体现。 结论:更高暴露强度和（或）更长持续时间的机械功率与机械通气患者不良临床结局相关。同时考虑机械功率的暴露强度和持续时间，有助于评估机械通气患者肺保护的实施效果，并指导机械通气策略的调整，以达到减少呼吸机相关性肺损伤发生的目的。

目的:探讨合并严重基础疾病的髋部骨折患者急性肾损伤的风险因素并建立预测模型。方法:使用美国重症监护医学信息数据库（Medical Information Mart for Intensive Care，MIMIC）-Ⅳ分析贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center，BIDMC）重症监护病房（intensive care unit，ICU）收治的髋部骨折患者的临床信息，记录患者合并症、疾病评分、生命体征和实验室检查、手术方式、有创操作和药物使用情况。参照改善全球肾脏病预后组织（Kidney Disease Improving Global Outcome，KDIGO）指南的急性肾损伤诊断标准，将纳入患者随机分为训练集和验证集。基于logistic回归分析，采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）逻辑回归算法分析入院后急性肾损伤的风险因素，并推算出相应的预测模型。结果:共纳入患者474例，其中训练集331例、验证集143例。参照KDIGO指南的急性肾损伤诊断标准，训练集分为急性肾损伤组159例（48%）和非急性肾损伤组172例（52%）。单因素分析显示年龄（ t=2.61， P=0.009）、冠心病（χ 2=2.08， P=0.038）、心力衰竭（χ 2=2.60， P=0.009）、血红蛋白（ t=1.89， P=0.059）、血小板（ t=1.81， P=0.070）、尿素氮（ t=2.83， P=0.005）、血肌酐（ t=3.65， P<0.001）、血钠（ t=2.55， P=0.011）、血糖（ t=2.52， P=0.012）、阴离子间隙（ t=3.44， P=0.001）、舒张压（ t=2.72， P=0.007）、平均动脉压（ t=2.16， P=0.031）、序贯器官衰竭评分（ t=3.69， P<0.001）、简化急性生理功能评分Ⅱ（ t=2.95， P=0.003）以及呋塞米（χ 2=2.03， P=0.042）、万古霉素（χ 2=1.70， P=0.089）、血管活性药物（χ 2=3.74， P<0.001）以及有创机械通气（χ 2=4.81， P<0.001）的使用为髋部骨折患者发生急性肾损伤的相关危险因素。多因素logistic回归分析显示年龄（ OR=1.03， P<0.001）、冠心病（ OR=2.05， P=0.069）、血红蛋白（ OR=0.88， P=0.050）、血肌酐（ OR=1.37， P=0.009）、血钠（ OR=1.07， P=0.026）、阴离子间隙（ OR=1.09， P=0.028）以及血管活性药物（ OR=3.83， P=0.018）和有创机械通气的使用（ OR=6.56， P<0.001）是合并严重基础疾病的髋部骨折患者发生急性肾损伤的独立预测因子。由上述8个预测因子构建的列线图预测模型曲线下面积为0.789，列线图的校准曲线接近理想的对角线。决策曲线分析表明，该模型的净效益显著。 结论:合并严重基础疾病的髋部骨折患者急性肾损伤发生率较高，年龄、冠心病、血红蛋白、血肌酐、血钠、阴离子间隙、血管活性药物以及有创机械通气是发生急性肾损伤的风险因素。结合风险因素，构建相应预测模型可早期预测和及时管理合并严重基础疾病髋部骨折患者急性肾损伤的诊断和治疗。

目的:基于不同监督机器学习算法，构建并验证适用于脓毒性休克患者28 d死亡风险的最佳预测模型。方法:从美国重症监护医学信息数据库Ⅳ v2.0（MIMIC-Ⅳ v2.0）中筛选出符合脓毒症3.0的脓毒性休克患者，随机抽取病例，其中70%作为训练集，30%作为验证集。从人口学特征及基础生命体征、入重症监护病房（ICU）24 h内血清学指标及可能影响指标的合并症、功能评分及高级生命支持3个层面提取相关预测变量。比较基于决策树分类回归树（CART）、随机森林（RF）、支持向量机（SVM）、线性回归（LR）及超级学习器〔SL，综合了CART、RF和极端梯度提升（XGBoost）〕5种主流机器学习算法构建的模型对脓毒性休克患者28 d死亡的预测效能，筛选最佳算法模型。利用LASSO回归、RF和XGBoost算法，通过取交集确定最佳预测变量，构建预测模型。采用受试者工作特征曲线（ROC曲线）验证模型的预测效能；采用校准曲线评估模型的准确性；采用决策曲线分析（DCA）验证模型的实用性。结果:最终共纳入3?295例脓毒性休克患者，28 d存活2?164例，死亡1?131例，病死率为34.32%；其中，训练集2?307例（28 d死亡792例，病死率为34.33%），验证集988例（28 d死亡339例，病死率为34.31%）。基于训练集数据分别建立5种机器学习模型；在纳入3个层面的变量后，RF、SVM、LR 3种机器学习模型在验证集预测脓毒性休克患者28 d死亡的ROC曲线下面积（AUC）依次为0.823〔95%可信区间（95% CI）为0.795～0.849〕、0.823（95% CI为0.796～0.849）、0.810（95% CI为0.782～0.838），高于CART算法模型（AUC＝0.750，95% CI为0.717～0.782）和SL算法模型（AUC＝0.756，95% CI为0.724～0.789），故将以上3种算法模型确定为最佳算法模型。综合3个层面变量后，通过LASSO回归、RF和XGBoost算法筛选并取交集，得出16个最佳预测变量，依次为入ICU 24 h内pH最大值、白蛋白（Alb）最大值、体温最大值、血乳酸（Lac）最小值、Lac最大值、血肌酐（SCr）最大值、Ca 2+最大值、血红蛋白（Hb）最小值、白细胞计数（WBC）最小值、年龄、简化急性生理学评分Ⅲ（SAPSⅢ）、WBC最大值、急性生理学评分Ⅲ（APSⅢ）、Na +最小值、体质量指数（BMI）及活化部分凝血活酶时间（APTT）最小值。ROC曲线分析显示，以上述16个最佳预测变量构建的Logistic回归模型为最佳预测模型，在验证集中的AUC为0.806（95% CI为0.778～0.835）；校准曲线及DCA曲线显示，该模型的精准度较高，且净收益最高可达0.3，其预测效能明显优于传统以单一功能评分〔APSⅢ评分、SAPSⅢ评分、序贯器官衰竭评分（SOFA）〕建立的模型〔AUC（95% CI）分别为0.746（0.715～0.778）、0.765（0.734～0.796）、0.625（0.589～0.661）〕。 结论:以pH值、Alb、体温、Lac、SCr、Ca 2+、Hb、WBC、SAPSⅢ评分、APSⅢ评分、Na +、BMI、APTT等16个最佳变量构建的Logistic回归模型为脓毒性休克患者28 d死亡风险的最佳预测模型，其效能稳定，区分度及精准度均较高。

目的:探讨脓毒症患者液体平衡与预后的时间相关性。方法:基于美国重症监护医学信息数据库Ⅳ 2.0（MIMIC-Ⅳ 2.0）中2008至2019年收治的脓毒症患者数据进行回顾性队列研究。选择年龄≥18岁、重症监护病房（ICU）住院时间≥2 d的脓毒症患者，计算患者入ICU 1~7 d每日液体平衡量和累积液体平衡量（CFB），并根据CFB将患者分为液体负平衡组（CFB%<0%）、液体平衡组（0%≤CFB%≤10%）、液体超负荷组（CFB%>10%）。将住院期间是否死亡定义为结局事件。采用多因素Logistic回归分析入ICU 7 d内不同CFB状态与脓毒症患者住院死亡风险之间的时间相关性。此外，对脓毒性休克患者、住ICU≥7 d的脓毒症患者进行亚组分析。结果:最终纳入11 437例脓毒症患者，其中男性6 595例，女性4 842例；年龄（64.4±16.4）岁；10 253例（89.6%）患者存活，1 184例（10.4%）患者住院期间死亡。与存活患者相比，死亡组患者年龄更大，体质量更轻，序贯器官衰竭评分（SOFA）和简化急性生理学评分Ⅱ（SAPSⅡ）更高，ICU住院时间更长，脓毒性休克发病率更高，使用有创机械通气、肾脏替代治疗（RRT）及血管活性药物的比例更高。在合并症方面，死亡组患者中充血性心力衰竭、肾脏疾病、肝脏疾病、肿瘤更常见。死亡组入ICU 7 d内每日液体平衡量均高于存活组；存活组和死亡组CFB随ICU住院时间延长而逐渐增加。多因素Logistic回归分析显示，在校正了年龄、性别、种族、SOFA评分、SAPSⅡ评分、合并症以及是否使用有创机械通气、RRT、血管活性药物后，入ICU第1天液体超负荷为脓毒症患者住院死亡风险降低的保护因素〔优势比（ OR）＝0.74，95%可信区间（95% CI）为0.64~0.86， P＝0.001〕；而第3天液体超负荷是导致脓毒症患者住院死亡风险增加的危险因素（ OR＝1.70，95% CI为1.47~1.97， P<0.001），并且在第4~7天均显示住院死亡风险逐渐增加。此外，对脓毒性休克患者和住ICU≥7 d的脓毒症患者分析得到相同的结果。 结论:入ICU第1天液体超负荷会降低脓毒症患者住院死亡风险，然而从第3天开始会增加住院死亡风险。因此，在不同时间对脓毒症患者液体平衡进行管理可能会改善预后。