人工智能在脓毒症诊疗中的应用：创新、挑战与实践

彭嘉辰; 徐昉

doi:10.13406/j.cnki.cyxb.004044

您当前的位置：

首页 >

文章列表页 >

人工智能在脓毒症诊疗中的应用：创新、挑战与实践

卓越医见：脓毒症的发生机制与临床治疗 | 更新时间：2026-06-11

- 人工智能在脓毒症诊疗中的应用：创新、挑战与实践
- Application of artificial intelligence in the diagnosis and treatment of sepsis: innovations，challenges，and clinical practice
- 重庆医科大学学报 2026年51卷第6期页码：763-769
- 作者机构：
  
  重庆医科大学附属第一医院重症医学科，重庆　400016
- 作者简介：
  
  彭嘉辰，Email：allrightokfine@foxmail.com，研究方向：生物信息学及人工智能在脓毒症研究中的应用。
  徐　昉，重庆医科大学附属第一医院重症医学科副主任，主任医师，教授，临床医学博士，博士生导师，博士后合作导师。美国斯坦福大学访问学者，重庆英才·创新领军人才，重庆市中青年医学高端人才，第四批重庆市学术技术带头人（重症医学），重庆市留学人员回国创业创新支持计划人选，国家自然科学基金通信评审专家。现任重庆市医学会重症医学分会主任委员、重庆生理科学会危重医学专业委员会主任委员、中国医师协会重症医学医师分会青年委员（第1、2、3届）、中国病理生理学会危重病医学专业委员会青年委员（第1届）。主要研究方向为脓毒症的肺脏区域代谢免疫和精准治疗、急性肺损伤/急性呼吸窘迫综合征发病机制与临床治疗。近年来主持国家自然科学基金（4项）、重庆市自然科学基金、重庆市卫计委重点项目等纵向科研项目16项，发表科研论文40余篇。Email：xufang828@126.com。
- 基金信息：
  
  国家自然科学基金资助项目(82172161)
- DOI：10.13406/j.cnki.cyxb.004044
  中图分类号： R459.7
- 收稿：2025-12-18，
  
  修回：2026-01-10，
  
  录用：2026-01-20，
  
  纸质出版：2026-06-28
- 稿件说明：
移动端阅览
彭嘉辰，徐昉.人工智能在脓毒症诊疗中的应用：创新、挑战与实践[J].重庆医科大学学报，2026，51（6）：763-769.

Peng Jiachen,Xu Fang.Application of artificial intelligence in the diagnosis and treatment of sepsis: innovations，challenges，and clinical practice[J].Journal of Chongqing Medical University,2026,51(6):763-769.
彭嘉辰，徐昉.人工智能在脓毒症诊疗中的应用：创新、挑战与实践[J].重庆医科大学学报，2026，51（6）：763-769. DOI： 10.13406/j.cnki.cyxb.004044.

Peng Jiachen,Xu Fang.Application of artificial intelligence in the diagnosis and treatment of sepsis: innovations，challenges，and clinical practice[J].Journal of Chongqing Medical University,2026,51(6):763-769. DOI： 10.13406/j.cnki.cyxb.004044.

摘要

脓毒症的救治是阻碍重症医学临床诊疗水平提高的重要难题，关键问题在于其高度异质性导致的个体化治疗策略不足。人工智能（artificial intelligence，AI）的应用为破解这一难题提供了新的方向。本文梳理了脓毒症的定义和诊疗现状，剖析了AI对脓毒症诊疗的创新性推动作用与面临的挑战，探讨了AI赋能脓毒症诊疗的未来方向与发展前景。本文认为，推动临床医学与生物学、数据科学及计算机科学等多领域合作，借助AI工具整合多组学、多维度数据，实施富集策略破解脓毒症的生物学异质性，是开展精准医疗的重要前提，也是满足脓毒症早期诊疗与精准治疗需求的创新途径。

Abstract

The management of sepsis remains a critical challenge hindering the improvement of clinical diagnosis and treatment in critical care medicine，with the core issue of the inadequacy of individualized treatment strategies due to its high heterogeneity. The application of artificial intelligence （AI） provides a new direction for addressing this challenge. This article reviews the definition of sepsis and the current status of sepsis diagnosis and treatment，analyzes the innovative role of AI in promoting sepsis management and related challenges，and explores the future directions and prospects of AI‑empowered sepsis management. This article posits that promoting interdisciplinary collaboration among clinical medicine， biology， data science， and computer science， and leveraging AI tools to integrate multi-omics and multi-dimensional data for implementing enrichment strategies to decipher the biological heterogeneity of sepsis， constitute a crucial prerequisite for advancing precision medicine. It also represents an innovative approach to meet the demands for early diagnosis， treatment， and precise management of sepsis.

关键词

Keywords

references

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 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

急性呼吸窘迫综合征内表型的研究进展

人工智能在结石成分预测中的应用与展望

脓毒症细胞因子风暴的代谢免疫调控研究进展

血清microRNA对脓毒症并发肝损伤患者的早期诊断价值分析

基于NLRP3/Caspase-1信号通路探讨中医药调控细胞焦亡治疗心肌缺血再灌注损伤的研究进展