目的：持续重症状态（Persistent critical illness）是一种免疫抑制状态，在创伤ICU患者中较为常见。然而，PerCI的潜在病理生理学驱动因素尚不完全清楚。本研究的目的是阐明PerCI发展的生物学特征，并使用机器学习技术为骨科四肢骨折创伤患者构建可靠的PerCI预测模型。该模型以AI网络在线计算器的形式进行体现。

方法：本研究从美国重症监护三级医疗信息数据库（MIMIC-III）中纳入1257名患者。分析了患者从入住ICU到入院后20多天内淋巴细胞的动态变化情况。本研究收集了40多个可能影响PerCI发生的变量。患者按照80:20的比例被随机分为模型训练队列（n=1035）和模型内部验证队列（n=222）。运用四种机器学习算法，包括随机森林、梯度提升机、决策树和支持向量机，以及一种逻辑回归算法，在模型训练队列数据集中训练与优化模型。运用内部验证队列验证与比较模型的预测效能，并选择最佳的一个模型。运用来自两家大型教学医院的患者进行模型外部验证（n=113）。用于评估模型预测性能的关键指标主要包括模型辨别度、校准度和临床实用性。为了鼓励基于最佳机器学习模型的临床应用，本研究开发了一种基于网络的模型计算器，用于计算评估PerCI风险。

结果：MIMIC-III数据库中，16.0%（201/1257）的患者发生PerCI。PerCI患者的淋巴细胞平均值（%）始终低于正常参考范围（约10.0%），而在没有PerCI的患者中，淋巴细胞数量持续增加，并在ICU入院后第10天开始处于正常范围内。变量亚组分析表明，PerCI患者入院时的健康状况更为严峻：这些患者的营养状况更差，电解质失衡和感染相关的并发症更多，病情严重度评分更为严重。根据最小绝对收缩和选择算子（LASSO）逻辑回归模型和10倍交叉验证发现，白蛋白、血清钙、红细胞体积分布宽度（RDW）、血液pH值、心率、呼吸衰竭、肺炎和脓毒症相关器官衰竭评估（SOFA）评分等八个变量与PerCI显著相关。这些变量均被纳入模型。与其他机器学习算法相比，随机森林算法具有最佳预测能力，AUROC最高（0.823，95%CI:0.757-0.889），尤登指数最高（1.571），布莱尔分数最低（0.107）。外部验证队列中的AUROC也达到0.800（95%CI:0.688-0.912）。根据风险分层系统，高风险组患者发生PerCI的几率是低风险组的10.0倍。本研究基于最佳机器学习模型进而研发了一项PerCI风险在线计算器：https://starxueshu-perci-prediction-main-9k8eof.streamlitapp.com/.

结论：ICU骨折患者人群中，PerCI患者通常处于免疫抑制状态，但非PerCI的患者可逐渐恢复正常免疫。淋巴细胞的动态变化可以作为PerCI的可靠生物标志物。这项研究建立了一个可靠的预测模型，可有助于提升PerCI的早期诊断和针对性干预。本研究表明，改善患者营养状况和免疫力、维持电解质和酸碱平衡、控制感染和促进患者呼吸功能恢复等干预措施有益预防PerCI，特别是在高危人群和淋巴细胞水平持续低的患者中。