摘要目的 利用机器学习算法构建脓毒症患者入院28d预后的预测模型,并探讨血清分泌性白细胞蛋白酶抑制因子(SLPI)、S100 钙结合蛋白P(S100P)的预测价值.方法 本研究采用前瞻性、观察性研究方法,纳入于2024 年3 月至 2025 年 3 月入住沧州市中心医院急诊科的脓毒症患者作为研究对象.依病情严重程度分为脓毒症无休克组 58 例和脓毒症休克组 95 例.依患者入院28d预后状况分为死亡组44 例和存活组109 例.选择同期健康体检者40 例为对照组.于入院当天采用酶联免疫吸附试验(ELISA)检测脓毒症患者血清SLPI、S100P水平.通过多因素Logistic回归分析脓毒症患者28d死亡的危险因素,并采用Spearman相关性检验.采用R软件将影响脓毒症患者28d死亡的危险因素构建决策树模型,利用受试者工作特征(ROC)曲线、曲线下面积(AUC)来评估该决策树模型的预测性能.结果 脓毒症休克患者血清 SLPI[492.40(424.45,556.90)pg/mL比389.85(332.30,446.72)pg/mL]、S100P[60.50(52.05,77.30)ng/mL比49.00(42.62,55.27)ng/mL]水平显著高于脓毒症无休克患者(P<0.001),存活组脓毒症患者血清SLPI[422.10(345.70,496.20)pg/mL 比 547.60(456.22,607.85)pg/mL]、S100P[50.50(44.50,55.60)ng/mL比78.50(69.45,87.65)ng/mL]水平显著低于死亡组患者(P<0.001).存活组与死亡组脓毒症患者序贯器官衰竭评估(SOFA)评分、急性生理学和慢性健康状况评价Ⅱ(APACHEⅡ)评分、血乳酸(Lac)、白蛋白(ALB)、降钙素原(PCT)比较差异有统计学意义(P<0.001).多因素Logistic回归分析结果显示,SLPI[OR=1.01,95%CI(1.00,1.02)]、S100P[OR=1.23,95%CI(1.14,1.37)]、SOFA 评分[OR=1.41,95%CI(1.15,1.83)]、APACHEⅡ评分[OR=1.16,95%CI(1.03,1.34)]、Lac[OR=1.15,95%CI(1.03,1.32)]是脓毒症患者入院28d死亡的危险因素(P<0.05).经Spearman相关性检验显示,S100P、SLPI与APACHEⅡ评分、SOFA评分、Lac有明显的正相关性(r=0.768、0.676、0.699,r=0.691、0.803、0.702,P<0.001).采用影响脓毒症患者28d死亡的危险因素构建决策树,最终得出 3 个与患者死亡最相关的变量(S100P、SOFA评分、SLPI).决策树模型的准确率为 89.54%,敏感度为 84.09%,特异度为 91.74%,AUC为0.935[95%CI(0.877,0.968)].而APACHEⅡ评分和SOFA评分单独预测脓毒症患者28d死亡的AUC分别为0.748[95%CI(0.712,0.773)]、0.798[95%CI(0.765,0.827)],可见该决策树模型的预测性能明显优于APACHEⅡ评分和SOFA评分.结论 脓毒症患者血清SLPI、S100P水平明显升高,基于SLPI、S100P构建的决策树模型能够更准确地评估脓毒症患者的不良预后.