Wong HR . Intensive care medicine in 2050：precision medicine [J ] . Intensive Care Med ， 2017 ， 43 （ 10 ）： 1507 - 1509 .

Pickkers P ， Kox M . Towards precision medicine for sepsis patients [J ] . Crit Care ， 2017 ， 21 （ 1 ）： 11 .

Cecconi M ， Evans L ， Levy M ， et al . Sepsis and septic shock [J ] . Lancet ， 2018 ， 392 （ 10141 ）： 75 - 87 .

Llitjos JF ， Carrol ED ， Osuchowski MF ， et al . Enhancing sepsis biomarker development： key considerations from public and private perspectives [J ] . Crit Care ， 2024 ， 28 （ 1 ）： 238 .

Wang W ， Liu CF . Sepsis heterogeneity [J ] . World J Pediatr ， 2023 ， 19 （ 10 ）： 919 - 927 .

Guo F ， Zhu XS ， Wu ZH ， et al . Clinical applications of machine learning in the survival prediction and classification of sepsis： coagulation and heparin usage matter [J ] . J Transl Med ， 2022 ， 20 （ 1 ）： 265 .

Seymour CW ， Kennedy JN ， Wang S ， et al . Derivation，validation，and potential treatment implications of novel clinical phenotypes for sepsis [J ] . JAMA ， 2019 ， 321 （ 20 ）： 2003 - 2017 .

Postelnicu R ， Pastores SM ， Chong DH ， et al . Sepsis early warning scoring systems：the ideal tool remains elusive! [J ] . J Crit Care ， 2019 ， 52 ： 251 - 253 .

Martin-Loeches I ， Singer M ， Leone M . Sepsis： key insights，future directions，and immediate goals. A review and expert opinion [J ] . Intensive Care Med ， 2024 ， 50 （ 12 ）： 2043 - 2049 .

Kim HJ ， Ko RE ， Lim SY ， et al . Sepsis alert systems，mortality，and adherence in emergency departments： a systematic review and meta-analysis [J ] . JAMA Netw Open ， 2024 ， 7 （ 7 ）： e2422823 .

Póvoa P ， Coelho L ， Dal-Pizzol F ， et al . How to use biomarkers of infection or sepsis at the bedside： guide to clinicians [J ] . Intensive Care Med ， 2023 ， 49 （ 2 ）： 142 - 153 .

Kumar S ， Gupta E ， Kaushik S ， et al . Evaluation of oxidative stress and antioxidant status：correlation with the severity of sepsis [J ] . Scand J Immunol ， 2018 ， 87 （ 4 ）： e12653 .

Liu W ， Geng F ， Yu L . Long non-coding RNA MALAT1/microRNA 125a axis presents excellent value in discriminating sepsis patients and exhibits positive association with general disease severity，organ injury，inflammation level，and mortality in sepsis patients [J ] . J Clin Lab Anal ， 2020 ， 34 （ 6 ）： e23222 .

Cao J ， Xu F ， Lin SH ， et al . IL-35 is elevated in clinical and experimental sepsis and mediates inflammation [J ] . Clin Immunol ， 2015 ， 161 （ 2 ）： 89 - 95 .

Xu F ， Lin SH ， Yan XX ， et al . Interleukin 38 protects against lethal sepsis [J ] . J Infect Dis ， 2018 ， 218 （ 7 ）： 1175 - 1184 .

Cao J ， Xu F ， Lin SH ， et al . IL-27 controls sepsis-induced impairment of lung antibacterial host defence [J ] . Thorax ， 2014 ， 69 （ 10 ）： 926 - 937 .

You YH ， Li YY ， Ye L ， et al . Interleukins-27 aggravates liver injury by impairing the antimicrobial response of macrophages via the promotion of mitochondrial dysfunction in the context of sepsis [J ] . Mediators Inflamm ， 2025 ， 2025 ： 6608718 .

Sinha P ， Meyer NJ ， Calfee CS . Biological phenotyping in sepsis and acute respiratory distress syndrome [J ] . Annu Rev Med ， 2023 ， 74 ： 457 - 471 .

Ye Q ， Lai XF ， Liu YL ， et al . Single-cell multi-omic landscape reveals anatomical-specific immune features in adult and pediatric sepsis [J ] . Nat Immunol ， 2026 ， 27 （ 1 ）： 150 - 165 .

Hotchkiss RS ， Moldawer LL ， Opal SM ， et al . Sepsis and septic shock [J ] . Nat Rev Dis Primers ， 2016 ， 2 ： 16045 .

Vincent JL . The clinical challenge of sepsis identification and monitoring [J ] . PLoS Med ， 2016 ， 13 （ 5 ）： e1002022 .

Kofoed K ， Andersen O ， Kronborg G ， et al . Use of plasma C-reactive protein，procalcitonin，neutrophils，macrophage migration inhibitory factor，soluble urokinase-type plasminogen activator receptor，and soluble triggering receptor expressed on myeloid cells-1 in combination to diagnose infections：a prospective study [J ] . Crit Care ， 2007 ， 11 （ 2 ）： R38 .

Zhang C ， Zhang XL ， Sun ZD ， et al . MetaSepsisBase： a biomarker database for systems biological analysis and personalized diagnosis of heterogeneous human sepsis [J ] . Intensive Care Med ， 2023 ， 49 （ 8 ）： 1015 - 1017 .

Tidswell R ， Parker T ， Brealey D ， et al . Sepsis-the broken code how accurately is sepsis being diagnosed? [J ] . J Infect ， 2020 ， 81 （ 6 ）： 31 - 32 .

Seymour CW ， Liu VX ， Iwashyna TJ ， et al . Assessment of clinical criteria for sepsis： for the third international consensus definitions for sepsis and septic shock（sepsis-3） [J ] . JAMA ， 2016 ， 315 （ 8 ）： 762 - 774 .

Smith GB ， Redfern OC ， Pimentel MA ， et al . The national early warning score 2 （NEWS 2 ） [J ] . Clin Med ， 2019 ， 19 （ 3 ）： 260 .

Churpek MM ， Snyder A ， Han X ， et al . Quick sepsis-related organ failure assessment，systemic inflammatory response syndrome，and early warning scores for detecting clinical deterioration in infected patients outside the intensive care unit [J ] . Am J Respir Crit Care Med ， 2017 ， 195 （ 7 ）： 906 - 911 .

Yan MY ， Gustad LT ， Nytrø Ø . Sepsis prediction，early detection，and identification using clinical text for machine learning： a systematic review [J ] . J Am Med Inform Assoc ， 2022 ， 29 （ 3 ）： 559 - 575 .

Goh KH ， Wang L ， Yeow AYK ， et al . Artificial intelligence in sepsis early prediction and diagnosis using unstructured data in healthcare [J ] . Nat Commun ， 2021 ， 12 （ 1 ）： 711 .

Perlin JB ， Jackson E ， Hall C ， et al . 2019 john M. eisenberg patient safety and quality awards： spotting sepsis to save lives： a nationwide computer algorithm for early detection of sepsis： innovation in patient safety and quality at the national level（eisenberg award） [J ] . Jt Comm J Qual Patient Saf ， 2020 ， 46 （ 7 ）： 381 - 391 .

Henry KE ， Adams R ， Parent C ， et al . Factors driving provider adoption of the TREWS machine learning-based early warning system and its effects on sepsis treatment timing [J ] . Nat Med ， 2022 ， 28 （ 7 ）： 1447 - 1454 .

Zhao HY ， Kennedy JN ， Wang S ， et al . Revising host phenotypes of sepsis using microbiology [J ] . Front Med ， 2021 ， 8 ： 775511 .

Sun BS ， Lei MX ， Wang L ， et al . Prediction of sepsis among patients with major trauma using artificial intelligence： a multicenter validated cohort study [J ] . Int J Surg ， 2025 ， 111 （ 1 ）： 467 - 480 .

Peiffer-Smadja N ， Dellière S ， Rodriguez C ， et al . Machine learning in the clinical microbiology laboratory： has the time come for routine practice? [J ] . Clin Microbiol Infect ， 2020 ， 26 （ 10 ）： 1300 - 1309 .

Weis C ， Cuénod A ， Rieck B ， et al . Direct antimicrobial resistance prediction from clinical MALDI-TOF mass spectra using machine learning [J ] . Nat Med ， 2022 ， 28 （ 1 ）： 164 - 174 .

Kim JI ， Maguire F ， Tsang KK ， et al . Machine learning for antimicrobial resistance prediction： current practice，limitations，and clinical perspective [J ] . Clin Microbiol Rev ， 2022 ， 35 （ 3 ）： e0017921 .

Scicluna BP ， van Vught LA ， Zwinderman AH ， et al . Classification of patients with sepsis according to blood genomic endotype： a prospective cohort study [J ] . Lancet Respir Med ， 2017 ， 5 （ 10 ）： 816 - 826 .

Davenport EE ， Burnham KL ， Radhakrishnan J ， et al . Genomic landscape of the individual host response and outcomes in sepsis： a prospective cohort study [J ] . Lancet Respir Med ， 2016 ， 4 （ 4 ）： 259 - 271 .

Sweeney TE ， Shidham A ， Wong HR ， et al . A comprehensive time-course-based multicohort analysis of sepsis and sterile inflammation reveals a robust diagnostic gene set [J ] . Sci Transl Med ， 2015 ， 7 （ 287 ）： 287ra71 .

Sweeney TE ， Wong HR ， Khatri P . Robust classification of bacterial and viral infections via integrated host gene expression diagnostics [J ] . Sci Transl Med ， 2016 ， 8 （ 346 ）： 346ra91 .

Sweeney TE ， Perumal TM ， Henao R ， et al . A community approach to mortality prediction in sepsis via gene expression analysis [J ] . Nat Commun ， 2018 ， 9 （ 1 ）： 694 .

Mayhew MB ， Buturovic L ， Luethy R ， et al . A generalizable 29-mRNA neural-network classifier for acute bacterial and viral infections [J ] . Nat Commun ， 2020 ， 11 （ 1 ）： 1177 .

You GH ， Zhao XG ， Liu JR ， et al . Machine learning-based identification of CYBB and FCAR as potential neutrophil extracellular trap-related treatment targets in sepsis [J ] . Front Immunol ， 2023 ， 14 ： 1253833 .

Xu P ， Tao Z ， Zhang C . Integrated multi-omics and artificial intelligence to explore new neutrophils clusters and potential biomarkers in sepsis with experimental validation [J ] . Front Immunol ， 2024 ， 15 ： 1377817 .

Li XL ， Jiang SJ ， Wang BY ， et al . Integrated multi-omics analysis and machine learning developed diagnostic markers and prognostic model based on efferocytosis-associated signatures for septic cardiomyopathy [J ] . Clin Immunol ， 2024 ， 265 ： 110301 .

Gong T ， Liu YB ， Tian ZY ， et al . Identification of immune-related endoplasmic reticulum stress genes in sepsis using bioinformatics and machine learning [J ] . Front Immunol ， 2022 ， 13 ： 995974 .

Li Z ， Zhang C ， Liu YQ ， et al . Diagnostic and predictive values of ferroptosis-related genes in child sepsis [J ] . Front Immunol ， 2022 ， 13 ： 881914 .

Zhang QQ ， Bao XW ， Cui MT ， et al . Identification and validation of key biomarkers based on RNA methylation genes in sepsis [J ] . Front Immunol ， 2023 ， 14 ： 1231898 .

Bataille B ， de Selle J ， Moussot PE ， et al . Machine learning methods to improve bedside fluid responsiveness prediction in severe sepsis or septic shock： an observational study [J ] . Br J Anaesth ， 2021 ， 126 （ 4 ）： 826 - 834 .

Oostenbrug GS ， Mensink RP ， Hardeman MR ， et al . Exercise performance，red blood cell deformability，and lipid peroxidation： effects of fish oil and vitamin E [J ] . J Appl Physiol ， 1997 ， 83 （ 3 ）： 746 - 752 .

Yue SR ， Li SS ， Huang XY ， et al . Machine learning for the prediction of acute kidney injury in patients with sepsis [J ] . J Transl Med ， 2022 ， 20 （ 1 ）： 215 .

Takkavatakarn K ， Oh W ， Chan LL ， et al . Machine learning derived serum creatinine trajectories in acute kidney injury in critically ill patients with sepsis [J ] . Crit Care ， 2024 ， 28 （ 1 ）： 156 .

Wen CL ， Zhang X ， Li Y ， et al . An interpretable machine learning model for predicting 28-day mortality in patients with sepsis-associated liver injury [J ] . PLoS One ， 2024 ， 19 （ 5 ）： e0303469 .

Bignami EG ， Berdini M ， Panizzi M ， et al . Artificial intelligence in sepsis management： an overview for clinicians [J ] . J Clin Med ， 2025 ， 14 （ 1 ）： 286 .

Fleuren LM ， Klausch TLT ， Zwager CL ， et al . Machine learning for the prediction of sepsis： a systematic review and meta-analysis of diagnostic test accuracy [J ] . Intensive Care Med ， 2020 ， 46 （ 3 ）： 383 - 400 .

Wong A ， Otles E ， Donnelly JP ， et al . External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients [J ] . JAMA Intern Med ， 2021 ， 181 （ 8 ）： 1065 - 1070 .

Giannini HM ， Ginestra JC ， Chivers C ， et al . A machine learning algorithm to predict severe sepsis and septic shock： development，implementation，and impact on clinical practice [J ] . Crit Care Med ， 2019 ， 47 （ 11 ）： 1485 - 1492 .

Schinkel M ， van der Poll T ， Wiersinga WJ . Artificial intelligence for early sepsis detection： a word of caution [J ] . Am J Respir Crit Care Med ， 2023 ， 207 （ 7 ）： 853 - 854 .

Lindner HA ， Thiel M ， Schneider-Lindner V . Clinical ground truth in machine learning for early sepsis diagnosis [J ] . Lancet Digit Health ， 2023 ， 5 （ 6 ）： 338 - 339 .

Cesaro A ， Hoffman SC ， Das P ， et al . Challenges and applications of artificial intelligence in infectious diseases and antimicrobial resistance [J ] . NPJ Antimicrob Resist ， 2025 ， 3 （ 1 ）： 2 .

Wong HR ， Cvijanovich NZ ， Anas N ， et al . Pediatric sepsis biomarker risk model-Ⅱ： redefining the pediatric sepsis biomarker risk model with septic shock phenotype [J ] . Crit Care Med ， 2016 ， 44 （ 11 ）： 2010 - 2017 .

Wong HR ， Cvijanovich NZ ， Anas N ， et al . Improved risk stratification in pediatric septic shock using both protein and mRNA biomarkers. PERSEVERE-XP [J ] . Am J Respir Crit Care Med ， 2017 ， 196 （ 4 ）： 494 - 501 .

Atreya MR ， Cvijanovich NZ ， Fitzgerald JC ， et al . Integrated PERSEVERE and endothelial biomarker risk model predicts death and persistent MODS in pediatric septic shock： a secondary analysis of a prospective observational study [J ] . Crit Care ， 2022 ， 26 （ 1 ）： 210 .

Sarantopoulos A ， Mastori Kourmpani C ， Yokarasa AL ， et al . Artificial intelligence in infectious disease clinical practice：an overview of gaps，opportunities，and limitations [J ] . Trop Med Infect Dis ， 2024 ， 9 （ 10 ）： 228 .

Gorecki GP ， Tomescu DR ， Pleș L ， et al . Implications of using artificial intelligence in the diagnosis of sepsis/sepsis shock [J ] . Germs ， 2024 ， 14 （ 1 ）： 77 - 84 .

O’Reilly D ， McGrath J ， Martin-Loeches I . Optimizing artificial intelligence in sepsis management：opportunities in the present and looking closely to the future [J ] . J Intensive Med ， 2023 ， 4 （ 1 ）： 34 - 45 .

Nicolaou A ， Stylianides C ， Sulaiman WA ， et al . An overview of explainable AI studies in the prediction of sepsis onset and sepsis mortality [J ] . Stud Health Technol Inform ， 2024 ， 316 ： 808 - 812 .

Cavaillon JM ， Singer M ， Skirecki T . Sepsis therapies： learning from 30 years of failure of translational research to propose new leads [J ] . EMBO Mol Med ， 2020 ， 12 （ 4 ）： e10128 .

Cajander S ， Kox M ， Scicluna BP ， et al . Profiling the dysregulated immune response in sepsis：overcoming challenges to achieve the goal of precision medicine [J ] . Lancet Respir Med ， 2024 ， 12 （ 4 ）： 305 - 322 .

Topol EJ . High-performance medicine： the convergence of human and artificial intelligence [J ] . Nat Med ， 2019 ， 25 （ 1 ）： 44 - 56 .

Baghela A ， Pena OM ， Lee AH ， et al . Predicting sepsis severity at first clinical presentation：the role of endotypes and mechanistic signatures [J ] . EBioMedicine ， 2022 ， 75 ： 103776 .

Sharma NK ， Salomao R . Sepsis through the eyes of proteomics： the progress in the last decade [J ] . Shock ， 2017 ，47（ 1 S Suppl 1 ）： 17 - 25 .

Chang YJ ， Yoo HJ ， Kim SJ ， et al . A targeted metabolomics approach for sepsis-induced ARDS and its subphenotypes [J ] . Crit Care ， 2023 ， 27 （ 1 ）： 263 .

Stylianides C ， Nicolaou A ， Sulaiman WA ， et al . AI advances in ICU with an emphasis on sepsis prediction： an overview [J ] . Mach Learn Knowl Extr ， 2025 ， 7 （ 1 ）： 6 .

Bonaguro L ， Schulte-Schrepping J ， Ulas T ， et al . A guide to systems-level immunomics [J ] . Nat Immunol ， 2022 ， 23 （ 10 ）： 1412 - 1423 .

Sun XJ ， Wu JR ， Liu L ， et al . Transcriptional switch of hepatocytes initiates macrophage recruitment and T-cell suppression in endotoxemia [J ] . J Hepatol ， 2022 ， 77 （ 2 ）： 436 - 452 .

Reshef YA ， Rumker L ， Kang JB ， et al . Co-varying neighborhood analysis identifies cell populations associated with phenotypes of interest from single-cell transcriptomics [J ] . Nat Biotechnol ， 2022 ， 40 （ 3 ）： 355 - 363 .

Jiang ZY ， Bo LL ， Wang L ， et al . Interpretable machine-learning model for real-time，clustered risk factor analysis of sepsis and septic death in critical care [J ] . Comput Methods Programs Biomed ， 2023 ， 241 ： 107772 .

Yin CC ， Chen PY ， Yao BS ， et al . SepsisLab： early sepsis prediction with uncertainty quantification and active sensing [J ] . KDD ， 2024 ， 2024 ： 6158 - 6168 .

Vodovotz Y . Towards systems immunology of critical illness at scale： from single cell'omics to digital twins [J ] . Trends Immunol ， 2023 ， 44 （ 5 ）： 345 - 355 .

Komorowski M ， Celi LA ， Badawi O ， et al . The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care [J ] . Nat Med ， 2018 ， 24 （ 11 ）： 1716 - 1720 .