SFTS是一种由蜱传播的病毒性疾病，自2009年在中国首次发现以来，迅速扩散至中国、日本、韩国等多个国家和地区。其临床表现多样，病情进展迅速，死亡率较高，尤其在多器官衰竭和神经系统症状出现时，死亡率可高达44.7%。然而，目前对于SFTS患者的死亡风险预测仍缺乏有效工具，导致高风险患者未能得到及时转诊。在此背景下，开发准确预测SFTS患者死亡风险的模型迫在眉睫。

近日，由华中科技大学同济医学院附属协和医院感染科郑昕教授团队牵头，联合国内5家临床医学中心共同研发的发热伴血小板减少综合征（SFTS）死亡风险预测模型取得重要突破。

研究报告近日发表在国际杂志Emerging Microbes & Infections上，题为“A machine learning model for mortality prediction in patients with severe fever with thrombocytopenia syndrome: A prospective, multicenter cohort study”，主要介绍了郑昕教授团队利用AI技术构建的UNION-SFTS预测模型，该模型针对发热伴血小板减少综合征（SFTS）患者的死亡风险进行预测。

该模型（UNION-SFTS）基于多中心大样本临床数据，通过机器学习算法整合了病毒载量、凝血功能、器官损伤等关键预测因子，显著提升了预测准确性（AUC=0.917）。

相较于传统评分系统，新模型具有更高的预测效能，能够精准识别高危患者，为临床医生提供可靠的病情评估工具。目前该模型已通过真实世界验证，并开发成智能化决策支持系统，可实现个体化死亡风险动态预测，将有效指导重症患者的早期干预和医疗资源优化配置。

样本庞大，模型有效预测的基石

该研究构建的预测模型具有坚实的样本基础，为模型的有效预测提供了可靠保障。与既往样本量有限且多为回顾性分析的研究不同，研究纳入了多中心、多时期的研究队列：首先基于武汉协和医院2014-2022年1,134例患者构建内部验证集；其次采用前瞻性设计，纳入武汉协和医院2023年99例患者作为前瞻性验证集；同时整合太和医院（n=11）、安徽医科大学第二附属医院（n=31）和青岛市第六医院（n=82）2023年患者数据构建外部验证集。

最终，研究团队通过2024年3-6月期间五家医疗中心（武汉协和医院82例、安徽医科大学第二附属医院71例、青岛市第六医院71例、温州医科大学附属舟山医院6例、广水市第一人民医院19例）共计249例的前瞻性真实世界数据验证，为临床实践提供了可靠的决策依据。这种多阶段、多中心的验证策略，确保了模型具有优异的泛化能力和临床适用性。

变量齐备，模型有效捕捉关键信息

研究纳入63项临床指标，涵盖临床症状、实验室检查结果（病毒学、凝血功能和器官损害）等多维度参数，特别包含具有重要预测价值的病毒载量指标。通过机器学习算法筛选出6个核心预测因子（年龄、意识障碍、病毒载量、AST（天门冬氨酸氨基转移酶）、BUN（血尿素氮）、和APTT（活化部分凝血活酶时间）），显著提高了模型对重症风险的识别能力。

方法多样、模型构建更加合理

突破传统线性回归局限，采用机器学习算法捕捉变量间复杂关系。模型在保持临床可解释性的同时，预测性能较传统方法显著提升，在多个队列中的AUC值都稳定在0.9，为临床决策提供更可靠依据。

动态预测，临床医生的有效工具

既往研究多缺乏可用的网络平台，限制了临床医生的实际应用，此外，大多数研究构建模型时选用入院时的基线数据，导致其只能进行单次预测，难以应对SFTS患者病情的快速进展，该模型采用疾病进展期数据（7-10天），可以实现病情的动态评估，并通过真实世界验证，提供合理的使用建议，协助临床医生动态监测病情，有效弥补经验判断的局限性，为医师制定个体化诊疗方案提供重要参考。

参考文献

Liu Y, Fan L, Wang W, et al. A machine learning model for mortality prediction in patients with severe fever with thrombocytopenia syndrome: A prospective, multicenter cohort study. Emerg Microbes Infect. 2025:2498572.

Tags： 郑昕团队研发"风险预测模型"，6项指标提前锁定高危患者！