研究背景
坏死性软组织感染（NSTI）是一组由微生物病原体引起的快速进展、危及生命的感染，主要累及皮肤、皮下组织、筋膜和肌肉。其发病率受气候和季节因素影响，范围为每10万人年0.86至32.64例。NSTI临床病程凶险，常并发脓毒症、脓毒性休克和多器官功能障碍综合征，死亡率高达23.1%-30%。尽管NSTI罕见，但其严重性远高于其他类型的皮肤和软组织感染（SSTI），任何诊断或治疗的延迟都会加剧病情和恶化结局。
早期识别NSTI仍是重大临床挑战。部分患者可能无明显创伤史，或初期仅表现为轻微非特异性症状，如红斑、肿胀、局部疼痛或发热。值得注意的是，疼痛程度常与皮肤损伤程度不成比例，而水疱、瘀斑、皮肤坏死或皮下捻发音等典型体征可能直至疾病晚期才出现。及时手术干预对降低NSTI死亡率和致残率至关重要。然而，据报道超过50%的NSTI病例最初被误诊为非坏死性软组织感染，延误了适当的手术和抗菌治疗，对患者结局产生负面影响。
在现有评估工具中，坏死性筋膜炎实验室风险指标（LRINEC）评分被认为是目前最有用的NSTI早期检测筛查工具之一。它包含C反应蛋白、白细胞计数、血红蛋白、钠、肌酐和血糖六个实验室参数，评分≥6分高度提示NSTI。然而，一项涉及23项研究（n=5982）的最新系统评价和荟萃分析报告显示，LRINEC≥6分的敏感性为68.2%，特异性为84.8%。此外，一项为期18年的回顾性研究发现，LRINEC≥6分的敏感性仅为59%，阳性预测值为57%，表明临床实践中存在显著的漏诊风险。除LRINEC评分外，还提出了改良LRINEC、SIARI和NAS评分等模型，但这些工具准确性有限或缺乏广泛验证。
近期研究也探索了使用列线图和人工智能（AI）来改进NSTI诊断。例如，MacLeod等人开发了一个包含年龄、C反应蛋白和非线性白蛋白的列线图，但其适用性仅限于注射毒品人群。另一项研究提出了一种基于AI的模型，能够自动检测CT影像上的NSTI相关特征。该方法依赖于高质量CT数据集，更适用于在急诊环境中作为初始筛查工具，而是用于细化诊断确定性并协助外科医生在CT扫描上划定手术边界。此外，Wu等人基于感染液的生化分析鉴定出几个有前景的NSTI生物标志物。然而，超声引导下穿刺抽吸、液体培养和生化检测等程序限制了该模型的临床可行性，且尚不清楚所有NSTI亚型是否都会产生筋膜上液体。因此，仍然需要一种简单、可靠、适用于床旁的诊断工具，通过适当的算法将严重程度评分与关键临床变量整合起来。为填补这一空白，本研究旨在开发和验证一个预测列线图，以促进NSTI的早期诊断并指导及时干预。
患者与方法
本研究为一项回顾性单中心研究，利用温州医科大学附属第一医院电子病历系统的数据。温州医科大学附属第一医院是浙江省一家省级三级甲等医院，拥有3800张床位。数据收集时间为2024年3月至8月。本研究依据TRIPOD指南进行报告。
研究对象为2021年4月至2024年3月期间入住温州医科大学附属第一医院急诊科的SSTI住院患者。纳入标准包括：（a）年龄≥18岁；（b）基于病史、体格检查和实验室检查结果等诊断为SSTI（最低标准为具有典型炎症四联征——压痛、红斑、水肿和温热的皮肤病变）。排除临床资料不完整的患者。最终共纳入131例SSTI患者。其中，72例患者通过手术探查诊断为NSTI。患者入组流程见图1。
结局指标为NSTI的诊断。同时收集患者的住院时间和死亡率，但这些并非主要结局指标。
NSTI的潜在预测因子是基于文献回顾和临床合理性选择的。这些变量包括人口统计学特征（性别、年龄）、生活方式（饮酒、吸烟）、生命体征（呼吸频率、心率、腋温、平均动脉压）、术前合并症（糖尿病、高血压、心脏病、慢性肝病、慢性肾病）、实验室值（C反应蛋白、白细胞、降钙素原、肌酸激酶）、感染深度（皮肤或皮下/筋膜/肌肉）、治疗措施（无创通气、有创通气、血液透析）以及疾病严重程度（SOFA评分、APACHE II评分、LRINEC评分和休克发生情况）。
生命体征、SOFA、APACHE II和LRINEC评分均为入院时测量结果。平均动脉压计算为舒张压加上收缩压与舒张压之差的三分之一。实验室值为入院24小时内最差结果。感染深度在入院时根据局部皮肤表现和指压/触诊检查确定。局限于皮肤的感染（皮肤）表现为边界清晰的局部红斑和疼痛；指压时，皮肤张力与周围组织相似，无捻发音。累及皮下组织的感染（皮下/筋膜/肌肉）表现为局部红斑伴紫绀或瘀斑、剧烈疼痛，以及存在大疱或出血性水疱；触诊时可发现皮肤张力增高、皮下组织软化及捻发音。
结局变量的录入采用盲法。结局与其他预测因子分开收集，以确保研究人员在收集结局或预测因子时不知晓另一方的信息。
本研究开发的预测模型包含4个预测因子。根据10倍EPV原则，样本应至少包含40例NSTI病例和40例非NSTI病例。因此，本研究的样本量满足统计学要求。
所有统计分析均使用SPSS 28.0软件和R 4.3.3软件进行。（1）单变量分析：使用Kolmogorov-Smirnov检验评估连续变量的正态性。呈正态分布的变量以均数±标准差表示，组间比较采用独立样本t检验。非正态分布的连续变量以中位数和四分位距表示，组间比较采用Mann-Whitney U检验。分类变量以例数和百分比表示，组间比较酌情采用卡方检验或Fisher精确检验。使用优势比和相应的95%置信区间量化变量与结局之间的关联。（2）模型开发：使用R中的“glmnet”包进行十倍交叉验证的LASSO回归，以确定最优惩罚参数lambda（λ）。将LASSO回归筛选出的变量随后纳入前向逐步逻辑回归模型，保留具有统计学意义的预测因子构建风险评分模型，并将其可视化为列线图。使用lrm()函数进行逻辑回归分析，使用“rms”包中的nomogram()函数构建列线图。（3）模型评估与验证：使用受试者工作特征曲线评估模型的区分度，计算敏感性、特异性、曲线下面积、净重新分类指数和综合判别改善指数。使用Hosmer-Lemeshow拟合优度检验和校准曲线评估模型校准度。进行决策曲线分析和决策阈值热图以评估模型的临床效用。使用1000次Bootstrap重采样进行内部验证。使用“pROC”和“fbroc”包绘制ROC曲线和计算AUC；使用“rms”包生成校准曲线；使用“rmda”包进行DCA；使用“ggplot2”包生成决策阈值热图。通过调整人口统计学因素和合并症进行敏感性分析，以评估模型的稳健性。所有统计检验均为双侧，p值<0.05认为有统计学意义。
本研究遵循《赫尔辛基宣言》进行，并获得温州医科大学附属第一医院伦理审查委员会批准（批准号：KY2024-R194）。鉴于研究的回顾性性质和数据的匿名性，伦理审查委员会允许豁免知情同意。
结果
回顾性分析了131例SSTI患者的临床资料，包括83例（63.4%）男性和48例（36.6%）女性。中位年龄为62.0岁。根据临床特征和手术探查结果，将患者分为NSTI组（n=72）和非NSTI组（n=59）。单变量分析显示，NSTI组与非NSTI组在多个变量上存在显著差异，包括年龄、心率、体温、慢性肝病、感染深度、降钙素原、血液透析、SOFA评分、APACHE II评分、LRINEC评分和休克。此外，NSTI组的住院时间长于非NSTI组，死亡率高于非NSTI组，但仅住院时间的差异有统计学意义（p=0.006）。详细结果见表1。
使用表1中的11个显著因素进行交叉验证的LASSO回归，以确定预测模型的变量。如图2A所示，最小准则（λ.min）和一个标准误差准则（λ.1se）分别对应包含8个和3个变量的模型。鉴于λ.min选择的模型表现出最佳的预测准确性，我们选择了其包含的8个变量：感染深度、体温、慢性肝病、LRINEC评分、SOFA评分、年龄、APACHE II评分和血液透析（图2B）。
使用LASSO回归筛选出的7个变量进行前向逐步逻辑回归。最终，确定了四个具有统计学意义的独立危险因素并纳入最终逻辑回归模型：感染深度、年龄、SOFA评分和体温（见表2）。基于这四个变量的风险预测公式如下：
P = 1 / [1 + exp(−26.575 – 1.849 × 感染深度 + 0.060 × 年龄 – 0.166 × SOFA评分 + 0.640 × 体温)]。
为便于临床应用，基于该模型构建了列线图。如图3所示，每个变量根据患者特征对应特定的分数。通过累加各变量得分得到总分，即可用于估计患者发生NSTI的概率（示例见补充材料图S1）。
该列线图模型的AUC为0.832（95% CI：0.763–0.900），敏感性为0.722（95% CI：0.613–0.825），特异性为0.797（95% CI：0.689–0.891）。相比之下，SOFA评分（AUC=0.698，95% CI：0.609–0.788）、APACHE II评分（AUC=0.662，95% CI：0.570–0.755）和LRINEC评分（AUC=0.632，95% CI：0.537–0.727）的表现相对较低（图4A）。NRI和IDI分析表明，与三个评分系统相比，列线图有显著改善（表3）。
使用1000次Bootstrap重采样进行内部验证。如图4B所示，列线图的AUC为0.832（95% CI：0.752–0.897），进一步证实了其强大的区分能力。
H-L检验得到的卡方值为9.245，p值为0.322，表明模型拟合良好。使用1000次Bootstrap样本生成的校准曲线评估校准度。在图4C中，偏差校正曲线与理想参考线紧密对齐，斜率为0.916，表明预测结果与观察结果之间具有良好的一致性。
进行DCA以评估列线图的临床效用。如图4D所示，在0.1至0.9的阈值概率范围内，列线图产生的净收益始终高于“全部治疗”或“全部不治疗”策略，表明基于列线图的决策在此范围内可提供临床获益。决策阈值热图（图S2）进一步显示，该模型在中等决策阈值范围（约0.4–0.6）内达到最佳整体性能。当患者的预测风险超过此范围时，可能需要进行手术干预。
通过依次调整人口统计学因素和合并症进行敏感性分析。如表S1所示，原始模型和调整后模型的估计效应大小仅发生微小变化。这些发现表明模型结果是稳健的。
讨论
本研究开发并内部验证了一个用于SSTI患者中预测NSTI的模型。最终模型包含四个独立预测因子——年龄、体温、感染深度和SOFA评分，并表现出强大的区分和校准性能。同时构建了列线图以方便临床应用，DCA显示其在广泛的阈值概率范围内具有有意义的临床净获益。
在已确定的预测因子中，SOFA评分是NSTI的独立危险因素，这与近期强调其对严重感染（包括NSTI）死亡率和ICU结局具有预后价值的研究结果一致。然而，一些研究表明，基于更广泛临床特征的模型在死亡率预测方面可能优于单独的SOFA或APACHE II评分。SOFA评分反映了全身炎症和多器官功能障碍，这会损害组织灌注和免疫功能，为细菌入侵和组织坏死创造有利环境。因此，通过SOFA评分早期识别器官功能障碍可能有助于临床医生更早干预并改善高危患者的结局。
低体温也是我们模型中NSTI的一个重要预测因子。这与先前的研究一致，即脓毒症患者的低体温与免疫反应失调和死亡率增加相关。在严重感染背景下，低体温可能反映了疾病进展晚期、体温调节受损或全身炎症衰竭。它还可能损害中性粒细胞功能和抗菌防御，进一步促进病原体传播和组织破坏。因此，临床医生应将低体温视为疾病严重程度的潜在标志，并在观察到时升级治疗。
有趣的是，本研究发现年轻年龄与较高的NSTI可能性相关，这似乎与传统观点（即老年人更易发生严重感染）相矛盾。然而，这一发现得到了几项研究的支持，这些研究表明年轻患者可能具有更强的免疫反应，但矛盾地导致过度炎症和组织损伤。此外，年轻人可能更可能参与导致创伤性损伤或接触病原体的活动，从而增加其发生严重感染的风险。先前的报告也显示，青少年NSTI发病率较高。需要进一步研究以探索免疫反应动力学与行为因素之间的相互作用。
感染深度是另一个强大且临床直观的预测因子。累及筋膜或肌肉层的更深部感染由于灌注和氧合减少，更容易发生坏死，从而促进厌氧菌生长。这突出了及时进行外科评估和清创的重要性。先前的研究表明，早期手术干预（入院后6-12小时内）与显著较低的死亡率相关。因此，快速识别深部组织受累应促使积极的手术管理。外科医生应避免将清创局限于浅表或筋膜层，而应根据完整的临床情况扩大探查范围，特别是考虑到深部解剖平面的复杂性和早期诊断的困难。
本研究开发的NSTI风险预测列线图显示出显著的临床应用潜力。与现有的基于CT影像和微生物学培养的评分系统或模型相比，该模型需要更少的变量且易于获取，使其适用于快速的床旁风险评估。这使得能够早期识别NSTI并支持术前急诊决策。未来，该模型可进一步整合到电子病历系统中，实现智能预警。
然而，本研究有几个局限性。它是一项单中心回顾性研究，可能存在选择偏倚。鉴于NSTI的罕见性，本中心可用的数据有限。尽管使用Bootstrap法进行了内部验证，但仍需要在多中心和前瞻性队列中进行外部验证，以评估模型在不同医疗环境中的适用性。其次，纳入的预测变量相对有限。未来的研究可考虑纳入影像学、微生物学和其他生物标志物数据，以开发实时动态预测模型。这将有助于NSTI的早期精准识别，实现精细化的患者管理，并改善临床结局。
结论
我们开发并内部验证了一个临床适用的列线图，用于预测SSTI患者中的NSTI，该列线图包含四个易于获取的临床变量。该模型可作为现有严重程度评分的辅助工具，并具有在分诊系统中进行数字化整合的潜力。
缩写
NSTI，坏死性软组织感染；SSTI，皮肤和软组织感染；LRINEC，坏死性筋膜炎实验室风险指标；SOFA，序贯器官衰竭评估；APACHE II，急性生理学与慢性健康状况评价II；SD，标准差；IQR，四分位距；OR，优势比；CI，置信区间；LASSO，最小绝对收缩和选择算子；ROC，受试者工作特征；AUC，曲线下面积；DCA，决策曲线分析。
