脓毒症生物标志物亚型的时间不稳定性：免疫谱动态演变对精准分型的挑战

《Intensive Care Medicine》：Temporal robustness of biomarker-based classification algorithms for sepsis

本研究针对脓毒症宿主反应异质性导致的治疗困境，通过纵向分析345例ICU患者30种免疫标志物每8小时的动态数据，首次系统评估了生物标志物驱动分型算法的时间稳健性。研究发现，基于潜伏剖面分析（LPA）识别的三种免疫谱（适应性免疫激活、高炎症状态、炎症衰减）在48小时内个体转换率高达31%，且组内凝聚力持续低下（Rand Index中位数65%），提示当前分型策略存在显著的时间不稳定性，可能限制其临床转化价值。

　　

脓毒症作为危重症医学领域的核心挑战，其治疗困境始终萦绕在临床与科研工作者心头——尽管免疫调节疗法在理论层面具有广阔前景，却在大规模临床试验中屡屡折戟。究其根源，患者间高度异质的宿主反应如同错综复杂的迷宫，使得“一刀切”的治疗策略难以奏效。近年来，借助数据驱动方法从生物标志物中识别脓毒症亚型（subphenotypes）或内型（endotypes）成为研究热点，这些分类试图将患者划分为具有共同生物学特征的群体，从而为精准治疗铺路。然而，一个关键问题悬而未决：这些基于单一时点数据构建的分类，能否经受住脓毒症本身剧烈动态演变的考验？发表在《Intensive Care Medicine》的这项研究，正是直指这一核心痛点，对脓毒症生物标志物分型的时间稳健性进行了迄今为止最系统、最细致的剖析。

为了回答上述问题，研究团队开展了一项回顾性队列研究，纳入了来自荷兰两个三级医疗中心重症监护室（ICU）的345名符合Sepsis-2标准的脓毒症患者。研究的关键在于其高密度的纵向数据采集：在入组后的7天内，每8小时采集一次血液样本，最终累计分析了3852份血浆样本。通过对30种免疫、内皮及凝血相关生物标志物的测量，并经过严格的批次效应校正和数据标准化处理，研究人员构建了一个高质量的时间序列数据集。在分析方法上，研究主要采用了潜伏剖面分析（Latent Profile Analysis, LPA）这一无监督学习技术，在入组时点（t₀）确定最佳分类模型后，将同一模型应用于后续各个时间点进行重新分类。为了全面评估时间稳定性，研究从两个维度进行量化：一是类间转换率，即个体患者在不同时间点被重新分配到不同类别的比例；二是类内凝聚力，通过Rand Index（RI）衡量同一类别内的患者是否能随时间推移保持聚集，而不受类别标签变化的影响。此外，研究还进行了包括k-means聚类在内的多种替代分析以验证结果的稳健性，并开展了探索性分析以挖掘不稳定性背后的潜在驱动因素。

主要研究结果

1. 入组时的免疫谱特征

在ICU入院时，LPA确定了三个具有显著生物学差异的免疫谱。Profile A（149例，43%）表现为适应性免疫激活，其特征是白细胞介素（IL）-4、IL-5、RANTES和粒细胞-巨噬细胞集落刺激因子（GM-CSF）等标志物水平升高。Profile B（60例，17%）则呈现典型的高炎症状态，以IL-6、IL-8、IL-1受体拮抗剂（IL-1Ra）显著升高和蛋白C（Protein C）降低为特征。Profile C（136例，39%）则显示出广泛的炎症衰减，大多数生物标志物浓度处于较低水平。这三个谱系与临床结局密切相关：Profile B患者疾病严重程度最高，ICU死亡率达37%，显著高于Profile A（19%）和Profile C（12%）。

2. 类间转换的动态演变

尽管从群体层面看，三个免疫谱的流行率在48小时后趋于稳定（Profile C从39%增至56%，而A和B则下降），但个体层面的分类却极不稳定。在入组后的48小时内，高达88%的初始Profile A患者、60%的Profile B患者和46%的Profile C患者经历了至少一次类别转换。平均每8小时间隔，总体的类间转换率高达31%。其中，Profile A和B的患者转换更为频繁（转换率分别为41%和39%），而Profile C相对稳定（22%）。值得注意的是，这种高转换率在整个观察期内持续存在，并未随时间推移而减弱。

3. 类内凝聚力的持续低下

Rand Index（RI）的分析结果进一步揭示了分类的不稳定性。相邻时间点（t_i 到 t_i+1）的类内凝聚力中位数仅为65%（IQR: 62-64%），这意味着每过8小时，约有三分之一的“组内同伴”会发生变更。当以入组时为参考点时，凝聚力更低（RI中位数55%），且随观察时间延长而逐渐下降。这表明，患者不仅会改变类别标签，其与初始同伴的生物学相似性也随时间快速消散。

4. 替代统计方法的验证

研究采用LPAt_i（每个时间点独立建模）、K-means_t0（固定初始中心）和K-means_ti（每个时间点重新聚类）等多种方法进行验证，结果均与主要分析一致：尽管不同方法下各类别的转换率存在细微差异，但类间转换率高和类内凝聚力低的核心结论保持不变。这证明所观察到的不稳定性并非LPA方法所独有，而是生物标志物驱动分型面临的普遍挑战。

5. 不稳定性驱动因素的探索

探索性分析发现，分类不稳定的患者（占46%）在入组时其关键定义性生物标志物的浓度往往处于中间水平，不那么极端。相应地，这些患者在初始分类时的后验概率也呈现较低趋势。即使采用更严格的后验概率阈值（如>95%）来筛选“明确分类”的患者，也只能轻微改善Profile B的稳定性，且会排除大量（29%）患者，而总体类内凝聚力仍无实质性提升。这提示，不稳定性主要源于大量患者本身具有“中间型”或“边界型”的免疫特征，使得他们容易因微小的生物波动或测量误差而在不同类别间摇摆。

结论与意义

本研究通过高时间分辨率的纵向数据分析，揭示了脓毒症生物标志物亚型分类存在显著的时间不稳定性。患者不仅在短时间（8小时）内频繁转换免疫谱，而且同一亚组内的患者组成也持续变化。这种不稳定性部分反映了脓毒症真实的免疫动态，但更大部分可归因于统计分类方法对具有中间型生物标志物模式患者的固有不确定性。这一发现对脓毒症精准医学的临床转化提出了重要警示：基于单一时点的亚型分类可能无法可靠地指导需要时间精准匹配的免疫调节治疗。动态的、概率性的分类框架，而非僵化的离散标签，或许是未来发展的方向。该研究强调了在开发和验证脓毒症内型时，必须将时间维度纳入核心考量，否则所谓的“精准分型”可能本身就是一个不稳定的基石，难以支撑靶向治疗的宏伟大厦。