【好文推荐】因果深度学习助力精准医疗：哪些脓毒症重症监护患者将从皮质类固醇治疗中获益？

原创重症医学（英文）重症医学英文杂志 JIM 2026年4月30日 15:30 听全文

2026年第1期Journal of Intensive Medicine刊发论著Causal deep learning to personalize medicine: Which intensive care patients with sepsis will benefit from corticosteroid therapy?我们特别邀请章仲恒教授进行点评，方便大家快速了解文章内容。

一、文章简介

脓毒症是ICU中常见的危重症，其核心特征为感染引发的失控性宿主反应，导致危及生命的器官功能障碍。即使在医疗水平发达的国家，脓毒性休克患者的30天生存率仍仅为60%–70%。皮质类固醇作为常用治疗手段，其疗效存在显著的个体异质性：部分患者获益，而部分患者可能因免疫抑制增加死亡风险，导致临床研究结论不一，传统试验难以精准识别应答人群。

为此，本研究采用因果深度学习模型，旨在识别ICU脓毒症患者中真正受益于皮质类固醇治疗的亚群。研究以“28天死亡率”为主要终点，基于治疗无关表征网络（TARNet）构建预测模型。开发阶段纳入荷兰AmsterdamUMCdb数据库中2920例符合Sepsis-3标准的患者（治疗组1378例，对照组1542例），提取入院24小时内19项临床变量（如乳酸、pH、PaO₂/FiO₂等）；外部验证使用美国MIMIC-IV v2.2数据库的30639例患者。

模型表现优异：内部验证AUROC为0.79，Brier评分0.14；外部验证AUROC为0.71，Brier评分0.14，校准性能良好。TARNet在协变量平衡方面显著优于传统倾向评分匹配（PSM），内部与外部数据库的Wasserstein距离分别为3.6×10⁻⁷与4.2×10⁻⁷。基于“28天死亡率变化10%”的临床阈值，患者被分为三类：应答者（245例，死亡率下降>10%）、无应答者（2098例）和有害应答者（577例，死亡率上升>10%）。最终确定合并严重代谢性酸中毒（低pH、低碳酸氢盐）及循环障碍（高乳酸、高肌酐）的患者为皮质类固醇治疗的优势人群。

二、研究亮点与临床意义

方法学创新：本研究突破传统“群体层面”疗效评估的局限，首次将TARNet模型引入脓毒症皮质类固醇治疗领域。该模型通过统一表征学习后分支出治疗与对照预测，可计算个体治疗效应（ITE），精准区分“获益、无应答、潜在受损”三类人群。其协变量平衡能力远超PSM，有效控制混杂偏倚，为个体化因果推断奠定方法学基础。

验证体系严谨：采用“内部开发+外部验证”双数据库策略，分别基于欧洲AmsterdamUMCdb与美国MIMIC-IV数据库。尽管两库患者基线特征存在差异，模型在外部验证中仍保持稳定性能，证明其具有良好的跨人群泛化能力。

临床导向明确：变量选择结合ICU临床实践与常用预后评分系统（如APACHE IV、SOFA），纳入19项入院早期易获取指标，提升模型临床适用性。目前临床决策多依赖血管加压药剂量，而本研究提示代谢与循环指标（如pH、乳酸、碳酸氢盐）更能预测皮质类固醇疗效。该发现有助于构建更客观、多维的评估体系，减少经验性偏差，推动脓毒症治疗向精准化与科学化方向发展。