摘要：急性胰腺炎（AP）是一种胰酶异常激活导致胰腺损伤引起的急性炎症反应。轻症的AP患者只需要禁食和补液等支持治疗，1周左右即可康复；重症急性胰腺炎（SAP）患者病情复杂多变，需要密切监测生命体征甚至使用介入或外科手术治疗，预后较差，严重时可导致死亡。早期评估AP患
急性胰腺炎（AP）是一种胰酶异常激活导致胰腺损伤引起的急性炎症反应。轻症的AP患者只需要禁食和补液等支持治疗，1周左右即可康复；重症急性胰腺炎（SAP）患者病情复杂多变，需要密切监测生命体征甚至使用介入或外科手术治疗，预后较差，严重时可导致死亡。早期评估AP患者的病情，预测AP的严重程度、可能出现的并发症和死亡风险，有助于指导临床医师选择合适的治疗方案，及时处理可能出现的并发症，改善患者的预后。目前临床中常用的预测AP严重程度的方法主要有Ranson评分标准、急性生理学和慢性健康检查（acute physiology and chronic health evaluation Ⅱ， APACHE Ⅱ）、急性胰腺炎严重度床旁指数（bedside index of severity in acute pancreatitis， BISAP）和改良CT严重度指数（modified CT severity index， MCTSI）等，但效能有限。近年来也有不少研究通过人工智能技术，采集大量实验室数据和影像学资料建立了新的预测模型及评分系统，较传统评分系统有更好的预测效能。但由于需要大量的数据，临床应用较为困难。另一方面这些研究对影像学图像的挖掘还不够深入，没有对影像特征进行量化，还有较多可以提升的空间。本文对这些评估和预测AP患者病情的相关研究进行综述，总结其研究进展与不足，并对未来进行展望。
一、预测AP严重程度
根据2012年亚特兰大国际共识分类和定义，AP按照临床表现和预后的不同，可分为轻症急性胰腺炎（MAP）、中度重症急性胰腺炎（MSAP）、SAP。早期预测AP患者的严重程度，识别出潜在的重症患者，有助于临床医师选择合适的治疗方案，及时处理可能出现的器官功能衰竭等并发症。
1.结合现有评分系统建立模型预测AP严重程度：APACHEⅡ评分虽然应用广泛，但需要收集的数据较多且要在入院24 h内完成，其预测能力有限。MCTSI评分通过增强CT影像，能够获得胰腺实质和胰周改变的形态学信息，但由于具有很大的主观性，其结果的一致性和预测效能均较差。为此，一些研究结合现有评分系统及更多临床数据，建立了预测效能更好的模型。Zhou等使用患者的CTSI评分和血常规、生物化学指标等参数，通过机器学习建立AP严重程度的预测模型，其AUC值、灵敏度、准确率分别为0.906、70.0%、90.2%，明显优于CTSI评分。Tang等通过结合胰腺外炎症磁共振评分（extrapancreatic inflammation on MRI， EPIM）和APACHE Ⅱ建立新的预测模型，预测AP严重程度的AUC值高达0.912，预测全身炎症反应综合征（SIRS）的AUC值为0.806，同样优于现有评分。Pearce等将APACHEⅡ和入院时CRP等指标结合起来建立模型，AUC值、灵敏度和特异度分别为0.82、87%、71%，显著优于其入院时的APACHEⅡ评分。Thapa等提取AP患者入院12 h内和前一次就诊的病历数据（包含构建BISAP所有特征的数据），建立了预测患者AP严重程度的模型，其中效能最佳的XGB模型AUC值为0.921，显著优于BISAP评分系统。以上研究表明在现有评分系统的基础上增加更多的临床数据能够改善现有评分的预测效能。
2.结合影像学特征建立模型预测AP严重程度：临床参数和实验室检查指标能够整体地反映AP患者的身体健康状态，而影像学能够从形态学上反映AP患者的病变特征，因此结合临床参数、实验室检查指标和影像学特征可以全面呈现AP患者症状，更全面地预测AP的严重程度。Luo等从患者入院48 h内的实验室检查和CT影像特征中筛选出与AP严重程度相关的变量，同时结合胰周坏死的CT影像特征构建模型，其预测SAP的AUC值和准确率分别为0.961和86%。Yuan等通过机器学习将患者入院48 h内的临床参数、实验室指标与肺浸润的CT影像特征结合构建AP严重程度预测模型，其AUC值为0.873。Yin等收集患者入院24 h内的实验室检查资料和入院72 h内胸腔积液的CT影像特征，通过机器学习构建模型预测AP严重程度，其特异度和准确率分别为98%、95%。Kui等进行了一项多中心、前瞻性的研究，根据患者入院24 h内收集的临床信息、实验室指标和影像学数据（胰周积液、胸腔积液和腹腔积液）预测AP患者的严重程度，所建立的预测模型AUC值和准确率分别为0.81、89%。以上研究虽然整合了影像学特征，但AP病变的影像学中还有更多的信息并未被充分发挖掘，更好的预测模型还有待开发。
3.应用影像组学特征建立模型预测AP严重程度：简单的影像学特征和影像学评分难以全面地反映出疾病特点，一些研究通过高通量地提取AP的影像组学特征建立预测模型，在预测AP严重程度方面取得了较好的效果。Zhao等从入院2 d内增强CT门静脉期图像的胰腺（胰内坏死区域，不包括血管和胆管）和胰周区域（胰周渗出和积液区域）中提取影像组学特征，使用筛选出的13个组学特征建立早期预测AP严重程度的逻辑回归模型，其AUC值、灵敏度、特异度、准确率分别为0.894、86.2%、80.0%和82.4%。Lin等从AP患者发病3 d内的MRI门静脉期图像（整个胰腺区域）中提取影像组学特征建立预测模型，该模型在验证队列中的表现良好（AUC=0.848，准确率81.0%），显著高于APACHEⅡ、BISAP和MRSI评分。Liu等通过量化SAP患者CT图像上的胰周坏死体积和胰腺平均CT密度，发现胰周坏死体积和胰腺平均CT密度可以早期预测器官功能衰竭的发生及是否需要介入治疗。以上研究结果显示从胰腺实质和胰周坏死中提取的组学特征，以及胰周坏死体积和胰腺平均密度都能够有效预测AP的严重程度，说明AP引起的胰腺和胰周的形态改变和影像学征象蕴含着很重要的信息，有待进一步研究。
二、预测AP患者发生器官功能衰竭
2012年亚特兰大分类中，器官功能衰竭的有无和持续时间对判断AP的严重程度分级起决定性作用，早期预测患者发生器官功能衰竭的风险和持续时间有助于早期评估AP的严重程度，也有助于临床医师早期选择有效的治疗措施。急性呼吸窘迫综合征（ARDS）是SAP患者中最常见的器官功能衰竭形式，Lin等选择AP患者的实验室指标和临床信息作为预测变量，建立了预测SAP患者发生ARDS的回归模型，结果显示，较低的氧合指数和血小板计数及较高的乳酸脱氢酶、肌酐和降钙素原水平是SAP患者发生ARDS的独立危险因素。Zhang等收集SAP患者发病入院72 h内的临床信息、实验室指标和疾病严重程度评分系统，通过机器学习算法建立4种模型对ARDS进行二分类预测，结果XGB模型预测显示其AUC值、准确率和精确度分别为0.839、84%和86%。此外，Yang等利用患者入院12 h内的肌酐、乳酸脱氢酶和氧合指数等指标建立决策树模型对SAP进行预测，该模型预测效能优于BISAP评分（AUC值0.855比0.802），能够使临床医师在入院12 h之内识别出高危患者并为高危患者选择更合适的治疗方案。后续Bohara等又对该预测模型进行了前瞻性验证，其AUC值、灵敏度、特异度分别为0.846、97.8%、71.4%。Peng等使用AP患者入院24 h内的临床资料和外周血中的炎症指标建立预测AP发生器官功能衰竭的回归模型，其预测效能（AUC=0.86）也优于现有的APACHEⅡ评分和Ranson评分。以上研究表明通过早期的临床和实验室指标能够对AP患者是否发生相应的器官功能衰竭进行预测。
三、预测AP患者的并发症
1.腹腔内感染：腹腔内感染是AP的主要并发症之一，发生感染性胰腺坏死的患者更容易发生器官功能衰竭，显著增加AP患者的死亡风险。感染性坏死AP患者通常需要接受内镜或手术治疗，因此早期识别出感染高风险的患者尤为重要。腹腔内感染主要是通过增强CT发现胰腺或胰周组织中存在气体影或胰周积液或腹水中培养出微生物来诊断，临床诊断效能较差且不能早期预测发生腹腔内感染的风险。Qiu等使用AP患者入院24 h内的临床数据和实验室数据构建了预测AP发生腹腔内感染的模型，其AUC值为0.923，能够有效预测AP发生腹腔内感染的风险。Zhu等以AP患者的腹内压、APACHEⅡ评分、CTSI评分、入住重症监护病房情况和胰腺炎严重程度等级建立AP发生腹腔内感染的预测模型，开发出了logistic回归、随机森林和人工神经网络3个模型，三者的AUC值均>0.95，具有较高的预测价值。
2.急性肺损伤（acute lung lnjury， ALI）：Fei等利用13个临床变量构建神经网络模型预测SAP并发ALI的风险，其AUC值为0.859，其中胰腺坏死率、乳酸脱氢酶和血氧饱和度是预测ALI的重要因素，该模型有助于早期识别入院时有ALI风险的SAP患者，使患者在早期的干预措施中获益。当AP的炎症刺激引起跨膈淋巴管阻塞或胸膜瘘时会导致胸腔积液。Zhou等对SAP继发胸腔积液的独立危险因素进行单因素和多因素logistic回归分析，建立了预测SAP继发胸腔积液的模型，其AUC值为0.773，能够早期地预测SAP继发胸腔积液的风险。以上模型早期预测AP患者是否发生ALI，有助于临床医师及时处理相应症状，改善患者预后。
3.急性肾损伤（acute kidney injury， AKI）：AKI是AP患者常见的并发症，发病率高达10%～42%。当AP患者合并AKI时，患者预后较差，死亡率达25%～75%，早期识别和处理AKI对AP患者的治疗尤为重要。Qu等使用AP患者入院24 h内的临床信息和实验室指标建立预测AKI的机器学习模型，AUC值达0.919，预测效能较好。Yang等使用AP患者入院24 h内的临床资料和实验室指标建立预测AP发生AKI的模型，其中效果最好的模型AUC值为0.913。以上模型在预测AP患者的AKI方面具有很高的性能，有助于防止AP患者肾功能的进一步损伤。
4.静脉血栓：门静脉血栓形成（portal vein thrombosis， PVT）是AP的血管并发症之一，常发生于门静脉、脾静脉和肠系膜上静脉，可单发也可多发。PVT引起左侧门静脉高压，还可进一步导致胃或食管静脉曲张出血，引发肝功能衰竭和腹水，延长AP患者的病程，增加其病死率，因此诊断、预测或预防PVT的发生极其重要。Fei等利用临床信息和实验室指标建立模型预测AP患者形成门静脉、脾静脉及肠系膜静脉血栓的概率，其中人工神经网络模型效能最好，AUC值为0.849；同时建立了预测AP患者形成PVT的模型，AUC值为0.904。
四、预测AP患者的死亡风险
AP患者的死亡通常是由多器官功能障碍综合征（MODS）、胰周坏死、感染和继发MODS所引起的。由于SAP的发生率较低且临床病程多变，预测AP的死亡率非常困难。传统评分难以准确预测患者的死亡风险，且评分复杂、繁琐。Zubia⁃Olaskoaga等使用AP患者在重症监护病房期间的临床参数和实验室指标，开发多变量预测模型预测有器官功能衰竭的AP患者的死亡风险，在入院前24 h内预测患者的死亡风险（AUC=0.91）比APACHEⅡ评分（AUC=0.80）和SOFA评分（AUC=0.83）具有更好的表现。Ding等从MIMIC⁃Ⅲ数据库中提取AP患者入院后24 h内的临床及实验室指标建立神经网络模型对AP患者住院死亡率进行预测，该模型可早期预测具有高死亡风险的患者，AUC值为0.769，准确率为66.2%，显著高于Ranson评分和SOFA评分的效能。Shi等使用多个数据库的数据进行机器学习多变量分析构建模型预测AP患者的干预措施和死亡风险，结果显示，模型预测AP患者干预措施的准确率为97%，预测干预患者组死亡风险的准确率较非干预患者组高（98%比82%）。该模型预测AP患者死亡风险的效能显著优于其他研究，可能是由于该研究使用的数据库中AP患者的病情更严重，具有更高的住院死亡率。
综上所述，目前针对AP的严重程度、器官功能衰竭、并发症和死亡风险的预测涌现出较多的研究成果，建立的模型表现出较好的预测效能。但是，在影像学方面的挖掘还不够深入，即便利用影像学图像，也基本使用的是普通形态学特征。目前，虽然影像组学相关的研究已初步显露出其价值和优势，但其可重复性还有待验证。未来，AP影像学图形结合人工智能技术、对影像学图形进行精准量化，或可为提高AP患者的预后及建立个体化精准治疗作出贡献。
医脉通是专业的在线医生平台，“感知世界医学脉搏，助力中国临床决策”是平台的使命。医脉通旗下拥有「临床指南」「用药参考」「医学文献王」「医知源」「e研通」「e脉播」等系列产品，全面满足医学工作者临床决策、获取新知及提升科研效率等方面的需求。
来源：医脉通消化科
