利用可解释机器学习预测脓毒性休克患者对亚甲蓝的反应性：一项意义重大的回顾性研究

为预测成人难治性脓毒性休克患者对亚甲蓝（MB）的反应性，研究人员开展相关研究，发现 SVM 模型有较好预测性能。

　　在重症监护室里，脓毒性休克就像一个隐藏在暗处的 “杀手”，时刻威胁着患者的生命，是导致患者死亡的主要原因之一。而血管麻痹作为脓毒性休克的主要病理生理特征，更是让治疗变得棘手。目前，临床上为抑制儿茶酚胺的使用，常联合使用不同机制的血管升压药。亚甲蓝（Methylene blue，MB）作为一种一氧化氮合酶的选择性抑制剂，能通过部分阻断一氧化氮的血管舒张作用来升高血压，而且它还具有安全、廉价、易获取的优点，在发展中国家应用广泛。

然而，亚甲蓝的治疗效果却充满了争议。现有研究存在样本量小、应用方法不一致、纳入标准不同以及结局指标不统一等问题，使得我们难以确定亚甲蓝的真实疗效。更关键的是，不同的应用方法，如剂量、使用时间和适用人群等，是否会影响亚甲蓝的有效性和益处，我们还不得而知。据报道，在难治性血管舒张性休克患者中，亚甲蓝的有效率仅约 40%。因此，找出能从亚甲蓝治疗中获益的患者以及影响其疗效的因素，成为了临床治疗中亟待解决的关键问题。

为了攻克这一难题，中南大学湘雅医院的研究人员挺身而出，开展了一项具有重要意义的回顾性研究。他们的研究成果发表在了《Scientific Reports》上。

研究人员首先从湘雅医院的脓毒症特异性临床数据库中，收集了 2018 年 6 月至 2022 年 10 月期间接受 MB 治疗的 416 例成人难治性脓毒性休克患者的数据。为了确保研究的可靠性和科学性，他们制定了严格的纳入和排除标准。

在研究过程中，研究人员采用了多种关键技术方法。首先是数据处理技术，他们收集了患者的人口统计学特征、合并症、用药情况、生命体征、实验室结果等大量信息，并对数据进行了预处理，包括异常值处理、缺失值填充等。接着是特征选择技术，运用统计方法和机器学习技术进行特征选择，得到了两个数据集（ST 和 ML）。然后利用逻辑回归、支持向量机（SVM）、随机森林、轻梯度提升机（LightGBM）和可解释提升机（EBM）等机器学习算法构建预测模型。最后，通过多种评估指标，如受试者工作特征曲线下面积（AUC）、准确率、灵敏度、特异性等，对模型进行评估，并使用 SHapley 加性解释（SHAP）方法对最优模型进行解释分析。

研究结果令人瞩目：

• 患者特征：在纳入研究的 416 例患者中，159 例（38.2%）对 MB 有反应。与无反应者相比，有反应者的TNE?明显更短，NEEpre?剂量更高。
• 机器学习模型性能：经过一系列评估，发现基于 ML 数据集训练的 SVM 模型表现最为出色，其 AUC 为 0.74，准确率为 76%，灵敏度为 36%，特异性为 94%。该模型在 24 - 85% 的阈值概率范围内具有较高的净效益。通过外部验证，该模型在独立队列中的 AUC 达到 0.75，准确率为 74%，进一步证明了其稳健性和临床适用性。
• SVM 模型解释：利用 SHAP 方法对基于 ML 数据集的 SVM 模型进行分析发现，NEEpre?是影响 MB 反应性的最重要因素，其次是乳酸水平。较高的NEEpre?值与 MB 反应的可能性增加相关，而较高的乳酸水平则与 MB 反应的可能性降低相关。

这项研究意义非凡。它首次利用 SVM 模型预测脓毒性休克患者对 MB 的反应性，并通过与其他模型比较以及 SHAP 分析进行模型解释，为临床医生提供了有价值的参考。虽然模型的低灵敏度是一个需要改进的地方，但考虑到 MB 的安全性和易获取性，即使模型预测为无反应，医生仍可考虑将其作为危重症患者的抢救治疗手段。而模型的高特异性则能帮助医生准确识别可能从 MB 治疗中获益的患者，为个性化治疗提供有力支持。此外，该研究还为未来的前瞻性随机对照试验提供了重要的思路，有助于进一步优化 MB 作为二线血管升压药在脓毒性休克治疗中的应用。

不过，研究也存在一些局限性。数据来源于单中心，样本的代表性可能存在不足；MB 采用固定剂量推注，未探讨剂量和持续时间对疗效的影响；研究中定义 MB 反应性的血压阈值较高，可能会稀释已识别的 MB 反应者的比例。但这些并不影响该研究的价值，未来研究人员可以通过探索替代模型、进行多中心验证等方式，进一步提高模型的性能和适用性。

总之，这项研究为脓毒性休克患者的治疗带来了新的曙光，为临床医生合理使用亚甲蓝提供了科学依据，有望改善患者的治疗效果和预后。