嚴重創傷患者免疫功能動態變化規律及其與創傷感染的關系

潘建虹，潘笑，王陳等

嚴重創傷仍然是全球死亡的主要原因，也是全球醫療保健的實際負擔，全球每年約有600 萬人死于創傷[1]。早期創傷性死亡繼發于腦損傷或出血性休克，其次是由出血性休克引起的凝血功能障礙，但也會因大量輸血而惡化。針對失血和凝血的治療可顯著降低直接由初始創傷引起的死亡率[2]；然而繼發性并發癥，如急性呼吸窘迫綜合征、多器官衰竭和創傷感染仍然是住院創傷患者死亡的重要原因[3]。創傷引起的免疫功能變化被認為是這些疾病發展的關鍵驅動因素，外傷引起的大量組織破壞和壞死細胞死亡導致先前隔離的抗原和因子的釋放。這些抗原會提醒免疫系統存在組織損傷，因此被恰當地稱為“警報素”。“警報素”一旦被免疫細胞檢測到，就會通過與存在于先天或適應性免疫細胞上的識別受體相互作用來啟動免疫反應。“警報素”會特別提醒免疫細胞啟動炎癥反應、趨化性、抗菌防御和適應性免疫細胞反應[4]。嚴重感染是重癥患者的主要威脅，并常引發膿毒癥；基于此，本研究分析嚴重創傷患者免疫功能動態變化規律以及與創傷感染間的關系，報道如下。

1 資料與方法

1.1 一般資料 回顧性選取2020 年6 月至2022 年6 月麗水市人民醫院收治的嚴重創傷患者172 例，納入訓練集。致傷原因：交通傷94 例，重物砸傷17 例，銳器傷15 例，墜落傷41 例，爆炸傷3 例，其他2 例。根據是否發生感染[感染診斷參照《2001 年中華人民共和國衛生部醫院感染診斷標準（試行）》[5]]分為感染組（n=49）和未感染組（n=123），感染組男26 例，女23 例；平均年齡（42.7±8.2）歲；未感染組男63 例，女60 例；平均年齡（43.2±9.7）歲。按照相同納入和排除標準選取同期于麗水市人民醫院治療的86 例嚴重創傷患者作為驗證集，用于對模型的外部驗證。本研究已通過麗水市人民醫院科研倫理委員會審批通過。

1.2 納入和排除標準 納入標準：（1）格拉斯哥昏迷量表評分＞8 分；（2）外傷后存活＞2d；（3）外傷時無局部或全身感染（如肺炎或敗血癥）；（4）受傷至入院時間＜24 h。排除標準：（1）有嚴重認知障礙；（2）患有免疫系統疾病、家族性遺傳病或凝血功能障礙患者；（3）無法接受治療或長期隨訪的患者；（4）合并其他精神疾病、器質性疾病、全身性疾病或神經病變患者。

1.3 觀察指標（1）臨床資料，包括年齡、性別、致傷原因及損傷部位數量等。（2）損傷嚴重程度評分（ISS）[6]：每種損傷都分配有一個簡化的損傷量表分數，并分配到以下6個身體區域之一：頭部、面部、胸部、腹部、四肢（包括骨盆）和外部，僅使用每個身體區域的最高簡化傷害量表分數，分數越高越嚴重。（3）入院時急性生理學和慢性健康評估II（APACHE II）評分[7]：主要由急性生理參數、慢性健康狀況和年齡三部分構成，分數越高代表病情越嚴重。（4）入院時序貫器官衰竭估計評分（SOFA）[8]：評估時應采取每日最差值，共6 個器官，各0 ～4 分，分數越高預后越差。（5）中性粒細胞與淋巴細胞比值（NLR），利用XE2100 型血細胞分析儀（日本，SYSMEX 公司）檢測。（6）T 細胞、B 淋巴細胞、自然殺傷細胞（NK 細胞）比例及CD64 指數，通過7.FACSC anto型流式細胞分析儀及配套試劑（美國BD 公司）檢測。

1.4 統計方法 應用SPSS 22.2統計軟件進行分析。計量資料以均數±標準差表示，兩組間比較采用獨立樣本t 檢驗，多組間比較采用單因素方差分析；計數資料以率表示，采用檢驗。危險因素分析采用多因素Logistic 回歸模型；基于Softmax 策略建人工神經網絡模型，模型的預測效能評價采用受試者工作特征（ROC）曲線、校準曲線及臨床決策曲線。P ＜0.05 表示差異有統計學意義。

2 結果

2.1 兩組基線資料比較 感染組入院時APACHE II 評分、ISS 評分、入院時SOFA 評分及損傷部位數量與未感染組相比，差異均有統計學意義（均P ＜0.05）；兩組年齡、性別及致傷原因差異均無統計學意義（均P ＞0.05），見表1。

表1 感染組和未感染組基線資料比較

2.2 兩組免疫指標的比較 兩組第1 天的CD3+T、B細胞比例及CD64 指數差異均有統計學意義（均P＜0.05），兩組CD3+T、B 細胞、NK 細胞、CD4+T、CD8+T、CD4+/CD8+T、CD4+CD28+T、CD8+CD28+T比例，NLR和CD64 指數第14 天與第1 天的差值差異均有統計學意義（均P ＜0.05），見表2。

表2 感染組和未感染組患者免疫指標比較

2.3 創傷感染的多因素分析 將表2 中差異有統計學意義的指標納入多因素Logistic回歸分析，發現B細胞差值大，NK 細胞差值大，CD4+T 差值大，CD4+/CD8+T 差值大，NLR 差值大和CD64 指數差值大都是引起創傷感染的危險因素（均P ＜0.05），見表3。

表3 創傷感染的多因素Logistic 回歸分析

2.4 基于人工神經網絡模型的創傷后感染的預測根據多因素分析結果，將B 細胞差值，NK 細胞差值，CD4+T 差值，CD4+/CD8+T 差值，NLR 差值和CD64指數差值作為第一層的輸入變量，將每個變量與隱藏層中的所有節點（H1∶1 ～H1∶4）進行連接，結局指標即為輸出層，同樣連接到隱藏層節點。線條的粗細程度與各個因素的重要性呈正比，NK細胞差值、CD4+/CD8+T差值，NLR差值和CD64 指數差值所占權重均較高，見圖1。

圖1 創傷后感染的人工神經網絡架構圖

2.5 模型的評價

2.5.1 模型區分度評價 訓練集AUC為0.749（95%CI：0.679 ～0.815，P ＜0.05）；C-index 為0.846，見圖2a。驗證集AUC為0.788（95%CI：0.716 ～0.867，P ＜0.05）；C-index 為0.848，見圖2b。

圖2 基于人工神經網絡模型的創傷后感染的預測模型的ROC曲線

2.5.2 校準度評價 校準曲線的Hosmer-Lemeshow擬合優度檢驗結果顯示：不論在訓練集，還是驗證集中，擬合優度差異無統計學意義（=1.026、0.982，均P ＞0.05），見圖3。

圖3 基于人工神經網絡模型的創傷后感染的預測模型的校準度

2.5.3 臨床決策曲線 訓練集中，當閾概率在12%～96% 時使用人工神經網絡模型預測創傷后感染的凈獲益率高，見圖4a；而在驗證集中，閾概率在12%～89%范圍內凈獲益高，見圖4b。

圖4 基于人工神經網絡模型的創傷后感染的預測模型預測模型的決策曲線分析

3 討論

嚴重感染是重癥患者的主要威脅，在危重病、受傷、失血等情況下，T 細胞和B 細胞都受到影響，呈現相對免疫功能低下的狀態，更容易發生感染[9]。本研究結果顯示，B細胞差值、NK細胞差值、CD4+T差值、CD4+/CD8+T 差值、NLR 差值和CD64 指數差值大都是影響患者創傷后感染的危險因素（均P ＜0.05）。由細菌病原體或病毒引起的感染會引起強烈的抗菌型T 細胞反應，因為抗原呈遞細胞的激活方式會使CD4+T 細胞分化偏向Th1 或Th17 CD4+T 細胞亞群。這些CD4+T 細胞亞群產生細胞因子，然后向先天細胞（如中性粒細胞、巨噬細胞和NK 細胞）提供激活信號，以增強抗菌效應活性。

循環中CD4+/CD8+T 細胞平衡的不適當改變可能導致對感染的抵抗力下降。近期研究表明，嚴重燒傷后外周血CD4+/CD8+T 比值降低[10]，而CD4+/CD8+T可反映細胞免疫功能情況。在另一項研究中感染燒傷大鼠血液中CD4+T 淋巴細胞比例降低，而CD8+T 淋巴細胞比例升高[11]。這種亞群的相對轉移導致感染燒傷大鼠CD4+/CD8+T 細胞比率較未燒傷大鼠明顯降低，而且腸系膜淋巴結中CD8+T 細胞的減少導致CD4+/CD8+T 細胞比率升高。這一比例的變化可能反映了免疫刺激和抑制之間平衡的變化。

NK細胞是先天免疫反應的重要組成部分，在感染過程中，活化的NK 細胞主要以兩種方式發揮作用：細胞毒性和免疫調節[12]。在過度炎癥階段，炎癥因子的紊亂導致NK 細胞異常活化，通過正反饋回路引發細胞因子風暴，導致嚴重的器官損傷[13]。CD64可能是一種感染特異性標志物，其在全身和局部感染診斷中的療效均有報道。關于CD64 評估的時間，Cid 等[14]證明，CD64 在感染開始后24 h 內增加，48 h后開始下降，并在7 d 內達到基線水平。因此，CD64在慢性感染中的診斷敏感性較低。

中性粒細胞、淋巴細胞含量的變化可以在一定程度上反映機體免疫狀態與病原體入侵狀態之間的平衡[15]。各種損傷的免疫反應通常具有顯著特征：中性粒細胞計數增加和淋巴細胞計數減少。當感染持續存在時，會產生大量中性粒細胞。Salciccioli 等[16]在一項觀察性隊列研究中調查了NLR 與重癥患者死亡率之間的關聯，發現膿毒癥患者的基線NLR值顯著高于沒有膿毒癥的患者。在一項將NLR 作為膿毒癥致死結果預測因子的研究中，發現NLR在非幸存者中顯著升高，是致死結果的獨立預測因子[17]。本研究基于多因素分析結果構建了人工神經網絡模型，區分度較高，準確性和有效性較好。

綜上所述，嚴重創傷患者免疫功能動態變化規律與創傷后感染結局之間存在明確的相關性，以上研究指標可作為感染早期診斷指標，并給予針對性的治療干預有助于恢復宿主免疫力。

利益沖突所有作者聲明無利益沖突