切换至 "中华医学电子期刊资源库"
高级检索
中华危重症医学杂志(电子版)

中华危重症医学杂志(电子版) ›› 2025, Vol. 18 ›› Issue (06) : 447 -455. doi: 10.3877/cma.j.issn.1674-6880.2025.06.002

论著

脓毒症相关性脑病患儿颅内压增高风险预测的列线图模型构建与验证
熊梓宏1,2, 孙超3, 张宁1, 卢宾1, 向玺1, 罗小丽1, 张国英1,†()   
  1. 1610091　成都，电子科技大学医学院附属妇女儿童医院·成都市妇女儿童中心医院儿童重症医学科
    2611200　四川崇州，崇州市妇幼保健院儿科
    3646000　四川泸州，西南医科大学附属医院儿科
  • 收稿日期:2025-02-02 出版日期:2025-12-31
  • 通信作者: 张国英
  • 基金资助:
    成都市科技项目(2022-YF05-01279-SN); 成都市卫生健康委员会科研项目(2022414)

Development and validation of a nomogram for predicting increased intracranial pressure in children with sepsis-associated encephalopathy

Zihong Xiong1,2, Chao Sun3, Ning Zhang1, Bin Lu1, Xi Xiang1, Xiaoli Luo1, Guoying Zhang1,†()   

  1. 1Department of Pediatric Intensive Care Unit, Chengdu Women's and Children's Central Hospital/The Affiliated Women's and Children's Hospital, School of Medicine, University of Electronic Science and Technology of China, Chengdu 610091, China
    2Department of Pediatrics, Chongzhou Maternal and Child Health Hospital, Chongzhou 611200, China
    3Department of Pediatrics, The Affiliated Hospital of Southwest Medical University, Luzhou 646000, China
  • Received:2025-02-02 Published:2025-12-31
  • Corresponding author: Guoying Zhang
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

熊梓宏, 孙超, 张宁, 卢宾, 向玺, 罗小丽, 张国英. 脓毒症相关性脑病患儿颅内压增高风险预测的列线图模型构建与验证[J/OL]. 中华危重症医学杂志(电子版), 2025, 18(06): 447-455.

Zihong Xiong, Chao Sun, Ning Zhang, Bin Lu, Xi Xiang, Xiaoli Luo, Guoying Zhang. Development and validation of a nomogram for predicting increased intracranial pressure in children with sepsis-associated encephalopathy[J/OL]. Chinese Journal of Critical Care Medicine(Electronic Edition), 2025, 18(06): 447-455.

目的

探讨脓毒症相关性脑病（SAE）患儿发生颅内压（ICP）增高的危险因素，并构建其风险预测列线图模型。

方法

选取2022年5月至2024年6月成都市妇女儿童中心医院儿童重症医学科（PICU）收治的154例SAE患儿为研究对象，根据ICP状态分为增高组（56例）和非增高组（98例）。比较两组患儿的临床资料及无创多模态脑功能监测指标，包括扰动系数（DC）、大脑中动脉（MCA）收缩期血流速度（VsMCA）、MCA平均血流速度（VmMCA）、MCA舒张期血流速度（VdMCA）、搏动指数（PI）和局部经皮脑氧饱和度（rScO2）。经单因素与多因素logistic回归分析筛选SAE患儿ICP增高的独立危险因素，并利用R软件构建风险预测列线图模型。采用受试者工作特征（ROC）曲线评估模型区分度曲线下面积（AUC），Bootstrap法进行模型内部验证。

结果

多因素logistic回归分析显示：入住PICU时格拉斯哥昏迷评分（GCS）降低[比值比（OR）= 0.560，95%置信区间（CI）（0.382，0.837），P = 0.009]、入科后第1天的VsMCA升高[OR = 1.053，95%CI（1.010，1.098），P = 0.025]和rScO2升高[OR = 1.199，95%CI（1.063，1.348），P = 0.004]为ICP增高的独立危险因素。预测模型AUC = 0.927[95%CI（0.887，0.967），P < 0.001]，敏感度92.9%，特异度79.6%，校准曲线显示预测概率与实际概率一致性良好。

结论

基于GCS评分、VsMCA及rScO2构建的列线图预测模型可有效预测SAE患儿ICP增高风险，并为临床早期干预提供循证依据。

关键词: 脓毒症, 脓毒症相关性脑病, 儿童, 颅内压增高, 预测模型
Objective

To investigate risk factors associated with increased intracranial pressure (ICP) in children with sepsis-associated encephalopathy (SAE), and to construct a risk-predicting nomogram.

Methods

This single-center prospective observational study included 154 pediatric patients with SAE admitted to the pediatric intensive care unit (PICU) of Chengdu Women's and Children's Central Hospital from May 2022 to June 2024. The cohort comprised 56 patients with elevated ICP and 98 patients without elevated ICP. Clinical characteristics and noninvasive multimodality brain monitoring indices—including the disturbance coefficient (DC), systolic velocity of middle cerebral artery (VsMCA), mean velocity of middle cerebral artery (VmMCA), diastolic velocity of middle cerebral artery (VdMCA), pulsatility index (PI), and regional cerebral oxygen saturation (rScO2)—were compared among patients. Univariate and multivariate logistic regression analyses were used to identify independent predictors of increased ICP. Then a nomogram was developed using R software. Model performance was evaluated by the receiver operating characteristic curve and area under the curve (AUC). Internal validation was performed via bootstrap resampling.

Results

Multivariate logistic regression analysis identified three independent risk factors for elevated ICP: lower Glasgow coma scale (GCS) score at PICU admission [odds ratio (OR) = 0.560, 95% confidence interval (CI) (0.382, 0.837), P = 0.009], elevated VsMCA on the first day [OR = 1.053, 95%CI (1.010, 1.098), P = 0.025], and elevated rScO2 on the first day [OR = 1.199, 95%CI (1.063, 1.348), P = 0.004]. The nomogram achieved an AUC of 0.927 [95%CI (0.887, 0.967), P < 0.001], a sensitivity of 92.9%, and a specificity of 79.6%. Calibration curves showed excellent agreement between predictions and observations.

Conclusion

The GCS-VsMCA-rScO2-based nomogram provides accurate and clinically feasible prediction of elevated ICP in pediatric SAE, thus facilitating early intervention.

Key words: Sepsis, Sepsis-associated encephalopathy, Children, Intracranial hypertension, Prediction model
表1 两组SAE患儿临床资料比较
变量 ICP增高组（n = 56） 非ICP增高组（n = 98） χ2/t/Z值 P值
性别[例（%）]     0.015 0.902
男 32（57.1） 55（56.1）    
女 24（42.9） 43（43.9）    
年龄[岁，M（P25，P75）] 5.2（2.6，8.0） 4.5（2.0，5.8） 1.637 0.102
体质量[kg，M（P25，P75）] 17.0（12.5，23.0） 14.0（11.5，23.0） 1.528 0.127
入科GCS评分[分，M（P25，P75）] 9.0（7.0，12.0） 13.0（13.0，15.0） 8.715 <0.001
入科PCIS评分[分，M（P25，P75）] 83.0（78.0，88.0） 88.0（82.0，92.0） 2.890 0.004
死亡[例（%）] 4（7.1） 2（2.0） - 0.233
有创机械通气[例（%）] 40（71.4） 47（48.0） 7.896 0.005
无创机械通气[例（%）] 6（10.7） 20（20.4） 2.386 0.122
机械通气时间[d，M（P25，P75）] 6.0（2.0，9.8） 3.0（0，5.0） 3.012 0.003
总住院时间[d，M（P25，P75）] 17.5（9.0，28.8） 11.0（7.0，14.0） 3.945 <0.001
GOS评分[分，M（P25，P75）] 4.0（3.0，5.0） 5.0（5.0，5.0） 4.434 <0.001
入科动脉收缩压（mmHg， ± s） 90 ± 14 92 ± 20 0.248 0.807
入科动脉舒张压（mmHg， ± s） 52 ± 10 54 ± 14 0.451 0.655
入科MAP（mmHg， ± s） 56 ± 8 58 ± 13 0.340 0.738
入科血红蛋白值[g/L，M（P25，P75）] 118（97，136） 116（92，134） 0.522 0.604
入科时氧合指数[mmHg，M（P25，P75）] 281.0（266.3，323.3） 275.3（220.0，330.0） 0.928 0.320
入科时PaCO2[mmHg，M（P25，P75）] 38.7（32.3，42.8） 35.0（32.0，38.6） 1.639 0.101
表2 SAE患儿脑功能监测相关指标组间比较[M（P25，P75）]
组别 例数 VsMCA（cm/s） VmMCA（cm/s）
D1 D2 D3 D1 D2 D3
ICP增高组 56 142.0（125.0，168.0） 139.5（112.5，169.0） 141.0（124.3，173.5） 89.0（73.0，116.0） 84.0（68.3，109.0） 81.0（73.0，123.0）
非ICP增高组 98 122.0（105.0，132.0） 124.0（100.0，137.3） 122.0（102.0，128.0） 75.0（63.0，86.0） 76.0（60.0，90.8） 76.0（63.0，82.0）
Z值   4.230 3.010 3.690 3.240 2.170 3.160
P值   <0.001 0.003 <0.001 <0.001 0.030 0.002
组别 例数 PI rScO2（%） DC
D1 D2 D3 D1 D2 D3 D1 D2 D3
ICP增高组 56 0.97（0.84，1.10） 0.98（0.84，1.12） 0.98（0.82，1.08） 61.5（60.0，63.0） 61.4（60.2，62.5） 60.8（60.2，62.5） 82.0（65.0，107.0） 93.5（69.8，110.0） 84.5（70.5，104.0）
非ICP增高组 98 0.96（0.82，1.10） 0.94（0.83，1.05） 0.93（0.82，1.02） 60.0（58.0，62.0） 60.5（60.2，61.4） 60.5（60.3，61.0） 75.5（68.0，93.0） 76.0（70.0，92.3） 83.0（73.0，93.0）
Z值   0.080 1.060 1.350 2.800 2.050 1.130 1.580 1.870 0.670
P值   0.934 0.289 0.177 0.005 0.040 0.259 0.114 0.062 0.503
表3 SAE患儿合并ICP增高的单因素logistic回归分析
因素 回归系数 标准误 Wald值 OR值 95%CI P值
入科GCS评分（分） -0.830 0.152 30.473 0.436 0.324 ~ 0.478 < 0.001
入科PCIS评分（分） -0.081 0.033 8.952 0.922 0.873 ~ 0.968 0.003
VsMCA-D1（cm/s） 0.032 0.011 13.144 1.033 1.012 ~ 1.041 < 0.001
VsMCA-D2（cm/s） 0.011 0.005 4.432 1.011 1.005 ~ 1.017 0.035
VsMCA-D3（cm/s） 0.031 0.009 12.992 1.031 1.013 ~ 1.049 < 0.001
VmMCA-D1（cm/s） 0.024 0.008 8.811 1.024 1.011 ~ 1.039 0.003
VmMCA-D2（cm/s） 0.010 0.007 2.030 1.010 0.996 ~ 1.024 0.156
VmMCA-D3（cm/s） 0.035 0.010 11.893 1.036 1.021 ~ 1.056 0.001
rScO2-D1（%） 0.183 0.062 8.123 1.200 1.064 ~ 1.347 0.004
rScO2-D2（%） 0.382 0.124 9.721 1.465 1.153 ~ 1.858 0.002
表4 SAE患儿合并ICP增高的多因素logistic回归分析
因素 回归系数 标准误 Wald值 OR值 95%CI P值
入科GCS评分（分） -0.580 0.213 7.312 0.560 0.382 ~ 0.837 0.009
入科PCIS评分（分） -0.360 0.281 2.083 0.698 0.427 ~ 1.134 0.149
VsMCA-D1（cm/s） 0.052 0.023 4.991 1.053 1.010 ~ 1.098 0.025
VsMCA-D2（cm/s） 0.060 0.160 0.141 1.062 0.780 ~ 1.443 0.710
VsMCA-D3（cm/s） -0.310 0.200 2.252 0.733 0.490 ~ 1.092 0.134
VmMCA-D1（cm/s） 0.031 0.070 0.201 1.031 0.897 ~ 1.172 0.655
VmMCA-D3（cm/s） 0.039 0.060 0.423 1.040 0.920 ~ 1.173 0.518
rScO2-D1（%） 0.182 0.060 9.003 1.199 1.063 ~ 1.348 0.004
rScO2-D2（%） 0.261 0.171 2.342 1.300 0.938 ~ 1.792 0.126
图1 SAE患儿ICP增高风险预测列线图注：SAE.脓毒症相关性脑病；ICP.颅内压；GCS.格拉斯哥昏迷评分；VsMCA.大脑中动脉收缩期血流速度；D1代表入住儿童重症医学科后的第1天；rScO2.局部经皮脑氧饱和度
图2 列线图模型预测SAE患儿ICP增高效能的ROC曲线注：a图为原始模型；b图为Bootstrap内部验证模型；SAE.脓毒症相关性脑病；ICP.颅内压；ROC.受试者工作特征
图3 列线图模型校准曲线
图4 SAE患儿ICP增高风险预测列线图的DCA注：SAE.脓毒症相关性脑病；ICP.颅内压；DCA.决策曲线分析；阳性为对所有SAE患者实施干预的DCA；阴性为不对任何SAE患者实施干预的DCA；模型为基于列线图模型选择干预的DCA
1
Bassat Q, Blau DM, Ogbuanu IU, et al. Causes of death among infants and children in the child health and mortality prevention surveillance (CHAMPS) network[J]. JAMA Netw Open, 2023, 6 (7): e2322494.
2
Dumbuya JS, Li S, Liang L, et al. Paediatric sepsis-associated encephalopathy (SAE): a comprehensive review[J]. Mol Med, 2023, 29 (1): 27.
3
王光胜，王少丹，周业庭，等.脓毒症相关性脑病是幕上脑出血患者发生院内昏迷的独立危险因素：一项261例患者的回顾性队列研究[J].中华危重病急救医学，2016，28（8）：723-728.
4
Gofton TE, Young GB. Sepsis-associated encephalopathy[J]. Nat Rev Neurol, 2012, 8 (10): 557-566.
5
成怡冰，王檬.脓毒症相关性脑病治疗进展[J].中华实用儿科临床杂志，2020，35（6）：415-418.
6
Aylward SC, Reem RE. Pediatric intracranial hypertension[J]. Pediatr Neurol, 2017, 66: 32-43.
7
Lazaridis C, Rusin CG, Robertson CS. Secondary brain injury: predicting and preventing insults[J]. Neuropharmacology, 2019, 145 (Pt B): 145-152.
8
Cook AM, Morgan Jones G, et al. Guidelines for the acute treatment of cerebral edema in neurocritical care patients[J]. Neurocrit Care, 2020, 32 (3): 647-666.
9
Riviello JJ Jr, Erklauer J. Neurocritical care and brain monitoring[J]. Neurol Clin, 2021, 39 (3): 847-866.
10
Rosenblatt K, Walker KA, Goodson C, et al. Cerebral autoregulation-guided optimal blood pressure in sepsis-associated encephalopathy: a case series[J]. J Intensive Care Med, 2020, 35 (12): 1453-1464.
11
Weiss SL, Peters MJ, Alhazzani W, et al. Surviving sepsis campaign international guidelines for the management of septic shock and sepsis-associated organ dysfunction in children[J]. Intensive Care Med, 2020, 46 (Suppl 1): 10-67.
12
Ely EW, Margolin R, Francis J, et al. Evaluation of delirium in critically ill patients: validation of the confusion assessment method for the Intensive Care Unit (CAM-ICU)[J]. Crit Care Med, 2001, 29 (7): 1370-1379.
13
胡亚美，江载芳.诸福棠实用儿科学. 8版[M].北京：人民卫生出版社，2015：272.
14
李岳卿，卓娜，阿日贡高娃.儿童脓毒症相关性脑病发病机制的研究进展[J].中国医药导报，2025，22（1）：71-75，82.
15
Mazeraud A, Righy C, Bouchereau E, et al. Septic-associated encephalopathy: a comprehensive review[J]. Neurotherapeutics, 2020, 17 (2): 392-403.
16
马伟科. TCD在小儿脓毒症相关性脑病评估中的应用研究[J].中国实用医药，2020，15（6）：4-6.
17
Algebaly H, ElSherbini S, Galal A, et al. Transcranial doppler can predict development and outcome of sepsis-associated encephalopathy in pediatrics with severe sepsis or septic shock[J]. Front Pediatr, 2020, 8: 450.
18
彭彬，刘碧明，秦松，等.经颅多普勒超声诊断脓毒症相关性脑病的临床价值[J].临床超声医学杂志，2023，25（12）：1006-1009.
19
Pierrakos C, Antoine A, Velissaris D, et al. Transcranial Doppler assessment of cerebral perfusion in critically ill septic patients: a pilot study[J]. Ann Intensive Care, 2013, 3: 28.
20
Chen S, Fang F, Liu W, et al. Cerebral tissue regional oxygen saturation as a valuable monitoring parameter in pediatric patients undergoing extracorporeal membrane oxygenation[J]. Front Pediatr, 2021, 9: 669683.
21
Koch KU, Zhao X, Mikkelsen IK, et al. Correlation between cerebral tissue oxygen saturation and oxygen extraction fraction during anesthesia: monitoring cerebral metabolic demand-supply balance during vasopressor administration[J]. J Neurosurg Anesthesiol, 2023, 35 (2): 238-242.
22
李明霞，马健，陆国平.近红外光谱技术对脓毒症儿童脑血氧水平监测的价值[J].中国小儿急救医学，2018，25（8）：585-589，596.
23
钱雅君，虞竹溪，李静，等.脓毒性休克患者脑氧饱和度监测对患者转归的预测价值[J].临床急诊杂志，2023，24（5）：225-229，236.
24
Suppan E, Pichler G, Binder-Heschl C, et al. Three physiological components that influence regional cerebral tissue oxygen saturation[J]. Front pediatr, 2022, 10: 913223.
25
Yoshitani K, Kawaguchi M, Tatsumi K, et al. A comparison of the INVOS 4100 and the NIRO 300 near-infrared spectrophotometers[J]. Anesth Analg, 2002, 94 (3): 586-590.
26
Kishi K, Kawaguchi M, Yoshitani K, et al. Influence of patient variables and sensor location on regional cerebral oxygen saturation measured by INVOS 4100 near-infrared spectrophotometers[J]. J Neurosurg Anesthesiol, 2003, 15 (4): 302-306.
27
Tavakoli S, Peitz G, Ares W, et al. Complications of invasive intracranial pressure monitoring devices in neurocritical care[J]. Neurosurg Focus, 2017, 43 (5): E6.
28
刘炳学，张丽，张亦鹏，等.扰动系数预测不同年龄重型颅脑损伤患儿预后的临床价值[J].中国现代医学杂志，2022，32（12）：66-71.
29
丁佳慧，安永，彭明清，等.无创脑水肿动态监护仪在小儿先天性心脏病体外循环围术期的临床研究[J].重庆医学，2016，45（12）：1632-1634.
30
黎会，吴雪松，潘荣南，等.无创脑水肿动态监测应用于重型颅脑损伤患者术后的临床价值分析[J].中国医药科学，2016，6（23）：214-216.
31
高文文，王凤鹿，蒋小兵，等.扰动系数在脑出血患者脑水肿监测治疗中的作用[J/OL].中华脑科疾病与康复杂志（电子版），2020，10（5）：305-308.
32
雷清梅，王闪闪，成金妹，等.扰动系数在颅脑损伤患者脑水肿监测中的应用价值[J].重庆医学，2018，47（13）：1737-1739.
33
杜玉民，谭冬，袁宇.无创脑水肿动态监护仪在动脉瘤自发性蛛网膜下腔出血患者术后脑水肿监测中的应用[J].国际神经病学神经外科学杂志，2022，49（1）：66-67.
34
张小玲，成金妹，曾嘉慧，等.扰动系数对颅脑创伤后脑积水的预警作用[J].中华神经外科杂志，2019，35（2）：153-156.
35
赖寒，方芳，刘文俊，等.不同年龄组无颅脑损伤患儿扰动系数的变化特点[J].中华儿科杂志，2020，58（4）：290-294.
36
Zheng Y, Shen M, Xuan L, et al. Cerebral blood flow alterations in sepsis-associated encephalopathy: a prospective observational study[J]. J Ultrasound Med, 2023, 42 (8): 1829-1839.
[1] 吴群, 李培, 马宁, 王芳韵, 郑淋, 卫海燕, 张鑫. 儿童先天性冠状动脉瘘合并巨大冠状动脉瘤的超声心动图诊断[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(11): 1080-1085.
[2] 刘晴晴, 俞劲, 徐玮泽, 张志伟, 潘晓华, 舒强, 叶菁菁. OBICnet图像分类模型在小儿先天性心脏病超声筛查中的应用价值[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(08): 754-760.
[3] 罗旭芳, 王艳子, 滕红娜, 赵德莉, 袁丽, 靳思雨, 官浩. 基于时机理论对重度烧伤患儿照护者照护体验的质性研究[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(01): 40-46.
[4] 何林霞, 相阳, 刘心如, 郑兴锋. 巨噬细胞代谢重编程在脓毒症急性肺损伤中作用的研究进展[J/OL]. 中华损伤与修复杂志(电子版), 2026, 21(01): 69-74.
[5] 罗仲燃, 曾智豪, 黄梦娟, 何晓艺. 乳腺癌术后腋窝淋巴结负荷的多因素分析及预测模型的建立及验证[J/OL]. 中华普外科手术学杂志(电子版), 2026, 20(01): 46-50.
[6] 王辉, 孙咏琪. 儿童遗传性肾脏病再认识[J/OL]. 中华肾病研究电子杂志, 2026, 15(01): 8-14.
[7] 孙太鹏, 袁勇贵. 儿童青少年精神卫生服务的现状与展望[J/OL]. 中华临床医师杂志(电子版), 2025, 19(11): 805-808.
[8] 洪素, 况利. ICD-11 CDDR框架下的实践参考：儿童青少年心境障碍[J/OL]. 中华临床医师杂志(电子版), 2025, 19(11): 814-817.
[9] 陈妍, 陈珏. ICD-11 CDDR框架下的实践参考：儿童青少年心身疾病[J/OL]. 中华临床医师杂志(电子版), 2025, 19(11): 818-822.
[10] 杜琳, 贾飞勇. 儿童青少年抑郁障碍的多因素病因研究进展[J/OL]. 中华临床医师杂志(电子版), 2025, 19(11): 854-859.
[11] 高鉴兴, 马晶晶, 夏洁, 柯晓燕, 方慧. 儿童青少年首次抑郁发作的临床特征及非自杀性自伤的影响因素[J/OL]. 中华临床医师杂志(电子版), 2025, 19(09): 633-641.
[12] 王超, 张晓会, 李晓帆, 赵海丹. 维持性血液透析患者感染与心脑血管死亡风险的比较及联合预测模型构建[J/OL]. 中华临床医师杂志(电子版), 2025, 19(09): 675-681.
[13] 郭岩, 赵灵芝, 石光英. 代谢相关脂肪性肝病患者发生冠心病的风险预测模型[J/OL]. 中华临床医师杂志(电子版), 2025, 19(09): 682-688.
[14] 周懿, 黄容华, 刘政疆. 5-羟色胺与铁死亡介导的脓毒症心肌病的研究进展[J/OL]. 中华临床医师杂志(电子版), 2025, 19(08): 612-617.
[15] 皇立媛, 浦洁, 王苏贵, 陈婷婷, 朱德慧, 胡雪. 中青年脑卒中患者应激障碍风险预测模型的构建与验证[J/OL]. 中华临床医师杂志(电子版), 2025, 19(07): 504-512.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？