摘要目的 针对脓毒性休克患者乳酸代谢动态监测的临床需求,开发基于长短期记忆网络(LSTM)的时序预测模型,用于预测入院24 h乳酸清除率.方法 采用多阶段回顾性队列设计,纳入2018年1月-2024年9月某医院重症医学科收治的脓毒性休克患者.通过单因素分析和LASSO联合特征筛选,从多维临床数据中提取预测因子.建立端到端LSTM架构(双层64/32单元,dropout率=0.3),采用滑动窗口策略(6 h步长)进行动态预测,并与传统logistic模型进行校准度(Brier score)、区分度[时间依赖性受试者工作特征曲线下面积(AUC)]和临床实用性(决策曲线分析)三维度对比.模型预测结果与实际乳酸清除率进行一致性分析,评估预测准确性.结果 共纳入112例脓毒性休克患者,其中男性65例,女性47例;平均年龄(67.35±7.28)岁.乳酸清除率≥10％的良好组65例,＜10％的不良组47例;训练集78例,验证集34例.时间依赖性AUC分析显示,LSTM模型在6、12、24 h时间窗的预测性能分别为0.89(0.85～0.93)、0.91(0.88～0.95)、0.92(0.89～0.96),优于logistic回归模型(ΔAUC=0.085,P＜0.01).核心预测因子包括APACHE Ⅱ评分(OR=1.38)、入院时乳酸水平(OR=1.65)、血管活性药物剂量(OR=1.42)和6 h液体复苏量(OR=1.35).模型预测值与实际24 h乳酸清除率的Pearson相关系数为0.83(P＜0.001),平均绝对误差为8.2％.决策曲线分析证实,当阈值概率在15％～60％时,LSTM模型可提升27.3％的临床净收益.各亚组验证显示,模型在肺部感染亚组(n=16)中保持最优预测效能(AUC=0.87).结论 基于LSTM的乳酸清除率动态预测模型通过整合入院早期指标预测24 h乳酸清除率,具有良好的预测性能和临床应用价值,可为脓毒性休克患者的个体化治疗决策提供重要参考.