人工智能时代的脓毒症营养支持治疗2026.docx

人工智能时代的脓毒症营养支持治疗2026

脓毒症是ICU中常见的危重情形之一，是由多种病原体感染引发，包括全身炎性反应综合征在内的多种宿主反应失调，严重者可导致多器官功能障碍以至死亡。2016年Sepsis3.0诊断标准发布［1］，对脓毒症的理解进入新时代。随着对脓毒症早期诊断的认识加强，多种新治疗技术的引入，脓毒症患者的急性期生存率提高［2］。但与抗菌药物、血管活性药物、呼吸支持等治疗比较，重症科医师对脓毒症患者营养不良的重视程度相对较低。

一、营养不良仍是脓毒症患者诊疗中面临的最大挑战

脓毒症的病程中，患者经历强烈的应激反应和细胞因子风暴，继而严重分解代谢使大量结构蛋白尤其是肌肉蛋白消耗，极易出现营养不良［3］。此外，若患者在发病时已经合并营养不良，其预后更差。营养不良与脓毒症关系密切，且可形成恶性循环，若不能及早、准确进行营养诊断并实施有效干预，患者死亡风险极高。

营养支持治疗需综合评估处方中多种宏量和微量营养素、肠外和（或）肠内营养治疗途径、治疗时机、能量和蛋白质的补充剂量等对患者代谢和预后最合理的方案。同时还须考虑特殊药理营养素如谷氨酰胺、Omega-3脂肪酸、抗氧化维生素和微量元素等补充的必要性和治疗时机［4-5］。且脓毒症患者代谢和病理生理具有极高异质性，营养支持治疗时需兼顾，如原发感染情况、是否合并多种病原菌、器官功能障碍发展程度、血糖波动范围、目前血管活性药物剂量是否允许启动肠内营养等。针对合并使用血管活性药物患者早期启动肠内营养，虽然多个指南提出：启动肠内营养的关键前提是血流动力学稳定，但不同指南和研究其操作方式定义存在显著差异。定义的差异导致临床决策缺乏统一标准，使临床问题复杂性进一步增加。随着上述复杂因素的交织变化，临床医师不能及时锁定主要矛盾，使得临床决策发生困难。

二、临床证据矛盾凸显临床决策的窘境

近年来脓毒症和危重症营养领域开展了系列大型RCT（如EPaNIC、PermiT、TARGET、NUTRIREA?2，NUTRIREA-3等）［6-10］。美国肠外肠内营养学会［11］、欧洲临床营养与代谢学会［12］以及中华医学会肠外肠内营养学分会［13］等权威学术机构也制订、更新了系列与脓毒症营养支持治疗相关的指南或专家共识。上述大型临床研究证据、指南与共识本应是临床医师可参照的依据，有助于降低临床决策的困难程度。但上述理想预期并未实现：关于最佳能量摄入量、最佳蛋白质摄入量、启动补充性肠外营养时机等一系列问题的大型RCT结果不一致甚至矛盾。这直接造成临床指南和专家共识多次修改，但临床实用性却不尽人意。例如，不同指南中能量补充的目标范围相差2倍［12~25kcal/（kg·d）］，蛋白质补充目标范围相差2倍［1.0~2.0g/（kg·d）］，对于肠内营养不能满足患者能量和蛋白质需要时，启动补充性肠外营养的最佳时机，各指南存在差异。见表1。上述差异常导致临床医师实践时存在困惑，临床决策也很难达到循证医学意义上的“最佳”，当能量和蛋白质摄入时机、剂量与临床过程不匹配时，营养治疗不仅不能发挥有效作用，还可能造成负面影响。

在脓毒症营养支持议题治疗上，目前临床面临的最迫切挑战为：（1）筛选特定患者确定适当的蛋白质和能量初始摄入目标。

（2）根据患者病情变化及时调整能量和蛋白质的摄入目标。需综合评估患者的疾病严重程度、年龄、应激状态和体成分等多项特征，制订个体化的精准能量-蛋白质供给策略［14-15］。但经典的临床RCT，只能测试有限数量的干预措施（或因素）。因此，对脓毒症患者的最佳营养支持治疗问题，若采用RCT的传统研究模式，不能得到准确且具有可操作性的答案。重症患者的病理生理状态随时间变化，病情越重，变化越快，相同的治疗方案，在不同时间进行，其对结局的影响可能不同。所以，笔者认为：传统的临床研究难以将快速随时间变化的因素与患者的异质性结合，这是传统研究手段难以得出一致结论的重要原因。

三、突破重围：AI提供方法论和驱动力

近10年来，AI和机器学习发展迅速，显著推动了医疗卫生领域的科技进步［16-21］。临床决策最常见的两大任务：诊断和制订治疗计划（以及对治疗方案实施后的疗效评价）。这在AI技术语言里实质上就是两类工程问题：分类和预测。诊断问题的本质是根据患者病情对其进行分类，此“类”即患者所属的诊断归类。治疗问题则可表述为实施何种治疗可使患者病情好转或痊愈。因此，治疗决策问题的本质是预测治疗方案对特定患者临床结局的作用。与以往经典、基于统计的问题解决路径比较，AI具备同时处理超多项因素的能力，尤其在解答复杂诊断问题和复杂治疗问题时能进行更为精准的分类和预测。在“多对多”任务上表现更突出。

从研究方法论上，临床研究的热点已经开始转向数据驱动——AI的临床研究。研究者通过引入AI，开发出多种算法模型实现对高异质性