Research Article

패혈증 임상 모니터링을 위한 건강한 상태에서 벗어난 유의한 혈액학적 매개변수의 정량적 평가

DOI:

10.3791/68840

⸱

July 8th, 2025

 ,  ,  ,  , 
1Outpatient Department, Dongzhimen Hospital, Beijing University of Chinese Medicine, 2Emergency Department, Sunsimiao Hospital, Beijing University of Chinese Medicine, 3Intensive Care Medicine Department, Sunsimiao Hospital, Beijing University of Chinese Medicine, 4Beijing Intelligent Entropy Science & Technology Co., Ltd., 5Department of Clinical Laboratory, Dongzhimen Hospital, Beijing University of Chinese Medicine

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 연구는 패혈증의 중증도를 평가하기 위해 건강한 상태에서 3가지 중요한 혈액학적 매개변수(Hb, Lymph%, PDW)의 유클리드 거리를 기반으로 하는 새로운 정량적 지표를 제안합니다. 결과는 SOFA 점수와 강한 상관관계를 보여주며, 정기적인 혈액 검사를 사용하여 패혈증을 모니터링하기 위한 간단하고 객관적인 도구를 제공합니다.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

생명을 위협하는 상태인 패혈증은 향상된 진단과 심각도 평가가 필요합니다. 장기간의 임상 관찰에 따르면 패혈증 동안 헤모글로빈(Hb), 림프구 비율(림프%), 혈소판 분포 폭(PDW)이 크게 변합니다. 이 연구는 패혈증 환자와 건강한 개인을 구별하기 위해 이 세 가지 완전한 혈구 수(CBC) 매개변수를 평가하고 패혈증 중증도를 평가하기 위해 건강한 상태와의 결합된 편차를 기반으로 하는 새로운 정량적 지표를 개발하는 것을 목표로 했습니다. 이 후향적 사례 대조군 연구에는 496명의 패혈증 환자(입원 시 패혈증-3 기준에 따라 진단됨)와 1136명의 건강한 대조군이 포함되었습니다. 초기 Hb, Lymph% 및 PDW는 z-점수가 표준화되었습니다. 건강한 코호트의 3D 중심을 계산하고 이 중심에서 각 패혈증 환자의 유클리드 거리를 계산했습니다. 그룹 차이와 SOFA 점수와의 상관관계를 분석했습니다. 3D 산점도는 이러한 관계를 시각화했습니다. 패혈증 환자와 대조군 간에 Hb, 림프%, PDW는 유의한 차이를 보였으며(p < 0.001), 패혈증은 Hb/림프%가 낮고 PDW가 높았다. 계산된 유클리드 거리와 건강한 중심까지의 거리는 패혈증 환자에서 유의하게 컸다(p < 0.001). 이 거리는 SOFA 점수(r=0.45, p < 0.001)와 밀접한 상관관계가 있었으며, 질병의 중증도가 높은 환자에서 더 컸다. 3D 시각화는 그룹 분리를 확인했으며, 색상 강도는 이 거리를 반영하고 건강한 중심에서 증가하는 편차와 상관관계가 있습니다. 건강한 코호트의 중심에서 주요 CBC 매개변수의 유클리드 거리는 건강한 상태로부터의 편차를 효과적으로 정량화하고 질병의 중증도와 상관관계가 있습니다. 일상적인 CBC 데이터를 사용하는 이 접근 방식은 패혈증 중증도 평가 및 모니터링을 위한 유망하고 간단한 도구를 제공합니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

패혈증은 감염으로 인한 전신 염증 반응 증후군으로 심각한 장기 기능 장애를 유발할 수 있으며 전 세계 중환자실의 주요 사망 원인 중 하나로 남아 있습니다 1,2. 최근 몇 년 동안 진단 및 치료 기술의 발전에도 불구하고 패혈증으로 인한 사망률은 여전히 20%-40%3로 높습니다. 패혈증의 중증도를 적시에 식별하고 정확하게 평가하는 것은 임상적 의사 결정과 예후 개선에 매우 중요하다4.

현재 패혈증 진단 및 중증도 평가는 주로 SOFA(Sequential Organ Failure Assessment) 및 APACHE II(Acute Physiology and Chronic Health Evaluation II)와 같은 채점 시스템에 의존합니다5,6. 이러한 시스템은 임상실습에 널리 적용되고 있지만, 복잡한 계산, 시간이 많이 소요되는 평가, 여러 생리학적 지표 및 생화학적 검사 결과에 대한 요구사항, 임상실습에서 어느 정도의 주관성과 불일치 등의 한계가 있다 7,8. 이러한 채점 시스템의 구현은 특히 1차 의료 기관과 자원이 제한된 영역에서 상당한 문제를 야기합니다9. 따라서 간단하고 신뢰할 수 있으며 쉽게 구현할 수 있는 패혈증 평가 도구를 개발하는 것은 중요한 임상적 중요성을 갖습니다.

혈액학적 지표는 가장 기본적인 임상 검사 항목으로서 신속한 검출, 저렴한 비용 및 광범위한 가용성을 특징으로 합니다10,11. 임상 관찰에 따르면 패혈증 환자에서 여러 혈액학적 지표는 헤모글로빈(Hb), 림프구 비율(Lymph%), 혈소판 분포 폭(PDW)과 함께 특히 눈에 띄는 변화를 보이는 등 상당한 변화를 겪는 것으로 나타났습니다12,13. 헤모글로빈 감소는 패혈증 관련 빈혈을 반영하고, 림프구 비율 감소는 면역 기능 억제를 나타내며, 혈소판 분포 폭 증가는 염증 반응 및 응고 기능 장애와 관련이 있습니다14,15. 이전 연구에서는 이러한 지표가 패혈증의 중증도 및 예후와 어느 정도 상관관계가 있음을 확인했지만, 여러 지표의 통합적인 평가를 위한 체계적인 방법이 부족하다16.

최근 몇 년 동안 다차원적 데이터 분석 방법이 질병 평가에 점점 더 많이 적용되고 있다17. 유클리드 거리는 샘플 간의 차이를 정량화하기 위한 기하학적 측정 방법으로, 정상 기준 값에서 환자 지표의 편차 정도를 평가하는 데 사용할 수 있습니다. 이 개념을 다차원적 임상 데이터 분석에 적용하면 질병 중증도 평가에 대한 새로운 통찰력을 제공할 수 있습니다. 그러나 현재 혈액학적 지표의 다차원적 공간적 특성에 기반한 정량적 패혈증 평가 연구가 부족하다18,19.

위의 배경을 바탕으로 본 연구는 패혈증 환자와 건강한 인구를 구별하는 데 있어 헤모글로빈, 림프구 비율 및 혈소판 분포 폭의 효능을 평가합니다. 이 세 가지 지표를 기반으로 표준화된 다차원 공간을 설정하고 건강한 중심점에서 환자 샘플의 유클리드 거리를 계산합니다. 이 거리와 패혈증 중증도(SOFA 점수) 사이의 상관 관계를 분석합니다. 패혈증의 임상 모니터링에서 일상적인 혈액학적 검사를 기반으로 하는 이 새로운 평가 방법의 적용 가치를 살펴보십시오. 이 방법은 패혈증의 조기 식별, 중증도 평가 및 동적 모니터링을 위한 새로운 객관적이고 편리한 도구를 제공하며, 특히 다양한 수준의 의료 기관에서 임상 실습에 적합합니다10.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

본 연구는 베이징 중의과대학 순시먀오 병원 윤리위원회(승인번호: SSMYY-KYPJ-2024-065)가 승인한 후향적 사례대조군 조사였다. 모든 참가자 또는 그들의 법정 대리인은 정보에 입각한 동의서에 서명했습니다.

연구 설계 및 참가자
이 연구에는 2024년 1월부터 2025년 3월까지 패혈증 진단을 받은 496명의 환자(패혈증-3 기준3에 따름)와 건강 검진 센터에서 1136명의 건강 대조군이 포함되었습니다. 관찰 그룹의 제외 기준은 다음과 같습니다: (1) 연령 < 18세; (2) 임산부; (3) 원발성 혈액 질환; (4) 암 환자; (5) 입원 전 수혈 치료; (6) 최근의 면역억제제 요법 또는 면역결핍증; (7) 불완전한 임상 데이터. 일일 모니터링에는 CBC 분석을 위한 아침 채혈(06:00-08:00)이 포함되었으며 결과는 12시간 이내에 확인할 수 있습니다. SOFA 점수는 표준화된 기준을 사용하여 훈련된 집중 치료사가 계산했습니다. 환자는 임상적 해결, 퇴원, 사망 또는 최대 30일의 추적 관찰 기간까지 모니터링되었습니다.

실험실 테스트 및 데이터 수집
포함된 모든 피험자에 대해 인구통계학적 데이터(연령, 성별, 키, 체중 등) 및 임상 정보를 수집했습니다. CBC 샘플은 혈액학 분석기를 사용하여 테스트하고, 혈청 샘플은 임상 분석기를 사용하여 테스트하고, 응고 샘플은 혈액학 분석기를 사용하여 테스트했습니다. 모든 혈액 샘플은 지정된 테스트 시간 내에 테스트해야 했습니다. 모든 테스트는 표준 운영 절차에 따라 숙련된 실험실 기술자가 수행했습니다. 실험실은 정기적으로 내부 및 외부 품질 관리를 수행했습니다.

패혈증 환자의 경우 주요 진단, 감염 부위, 동반 질환, SOFA(Sequential Organ Failure Assessment) 점수, 급성 생리학 및 만성 건강 평가 II(APACHE II) 및 입원 시 실험실 검사 결과를 기록했습니다. 입원 시 SOFA 점수에 따라 패혈증 환자는 경증(SOFA ≤ 6점), 중등도(7≤ SOFA ≤ 12점), 중증(SOFA ≥ 13점)의 세 그룹으로 나뉘었습니다. 일부 환자의 경우, 지속적인 추적 분석을 위해 입원 기간 동안 30일 또는 환자가 퇴원 또는 사망할 때까지 관찰 기간 동안 실험실 검사 결과와 SOFA 점수를 매일 수집했습니다. 건강한 대조군의 샘플은 급성 또는 만성 질환이 없는 것으로 확인된 건강 검진 센터 참가자로부터 수집되었습니다.

데이터 분석 및 시각화
표준화, 처리 및 유의성 분석
서로 다른 지표 간의 차원 차이를 없애기 위해 모든 샘플 Hb, Lymph% 및 PDW 데이터에 대해 Z-점수 표준화를 수행했습니다.

Data_norm, mu, sigma] = zscore([H; P])

여기서 H는 건강한 대조군 데이터 행렬이고, P는 패혈증 환자 그룹 데이터 행렬이며, mu와 sigma는 각각 평균 및 표준 편차입니다. 표준화 후 데이터는 평균이 0이고 표준 편차가 1인 표준 정규 분포를 따랐습니다.

유의성 지표 Hb, Lymph% 및 PDW에 대해 유의성 시각화 플롯(그림 1)이 생성되었으며, 이는 각 지표 차원에서 건강한 샘플과 패혈증 환자 간의 차이를 직관적으로 보여줍니다. 지표 간 정량적 분석의 실제 중요성은 표 1에 나와 있습니다. 기술 통계량(평균, 표준 편차, 중앙값, 사분위수 등)을 계산하고, 그룹 간의 차이를 비교하기 위해 독립 표본 t-검정을 사용했으며, 차이의 유의성을 평가하기 위해 Cohen의 d 효과 크기를 계산했습니다.

건강한 중심점 계산 및 유클리드 거리 측정
건강한 대조군의 표준화된 데이터를 기반으로 3차원 특징 공간에서 중심점의 좌표를 계산했습니다. 그 후, 각 패혈증 환자 샘플에서 건강한 중심점까지의 유클리드 거리를 계산하여 질병 중증도의 객관적인 평가 지표로서 환자의 혈액학적 지표가 건강한 상태에서 벗어난 정도를 정량화했습니다.

3차원 시각화 방법
3차원 산점도(그림 2)는 기능 공간에서 두 샘플 그룹의 분포를 표시하기 위해 만들어졌습니다. 그들은 패혈증의 중증도를 나타내기 위해 색상 그라데이션(Jet 색 구성표)을 사용하며, 진한 파란색은 경증 패혈증을 나타내고, 빨간색은 심각한 패혈증을 나타내며, 건강한 대조군은 녹색 +로 표시됩니다.

긴 코호트 샘플의 임상 검증
장기 코호트(입원 후 3-6개월 동안 추적) 환자의 새로운 샘플에 대한 이 방법의 적용 가능성을 평가하기 위해 예측 검증 프로세스가 설계되었습니다. 패혈증의 일반적인 긴 코호트 샘플의 경우, 정규화 과정에서 이전에 저장된 평균(mu) 및 표준 편차(sigma)를 사용하여 표준화된 처리를 수행한 다음 건강한 중심점에서 유클리드 거리를 계산했습니다. 계산된 거리 값을 기반으로 거리와 질병 중증도 사이에 미리 설정된 상관관계를 결합하여 새로운 샘플의 패혈증 중증도를 평가했습니다. 지속적인 추적을 통해 유클리드 거리와 SOFA 점수(그림 3)의 시계열 비교 곡선을 그려 두 추세의 변화의 일관성과 상관관계를 분석했습니다.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

유의성 분석
장기간의 임상 실습에 근거하여, 패혈증이 진행됨에 따라 환자는 헤모글로빈 수치와 림프구 비율이 현저히 감소하고 혈소판 분포 폭이 크게 증가하는 것으로 관찰되었습니다12,16. 이 세 가지 주요 혈액학적 지표(헤모글로빈, 림프구 비율, 혈소판 분포 폭)를 분석한 결과, 패혈증 환자와 건강한 인구 집단 간에 유의미한 차이가 발견되었습니다.

데이터 분석 결과 (표1)에 따르면 패혈증 환자의 헤모글로빈 수치(92.77 ± 20.64 g/L)는 건강한 대조군(139.58 ± 12.82 g/L)보다 현저히 낮았고, 33.5% 감소하여 매우 높은 통계적 유의성(t ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

주요 혈액학적 지표에 기반한 패혈증 평가를 위한 새로운 방법
이 연구는 세 가지 주요 혈액학적 지표(헤모글로빈, 림프구 비율 및 혈소판 분포 폭)를 기반으로 패혈증 중증도를 평가하는 새로운 방법을 제안합니다. 이 방법은 건강한 인구 집단의 중심점에서 환자 샘플의 유클리드 거리를 계산하여 혈액학적 지표가 건강한 상태에서 벗어난 정도를 정량화하여 패혈증의 임상 모니터링을 위한 새로운 평가 도구를 제공합니다.

3차원 시각화 분석(그림 2)은 3차원 기능 공간에서 건강한 인구와 중증도가 다른 패혈증 환자 간의 분포 차이를 명확하게 보여주며, 질병이 악화됨에 따라 건강한 중심점에서 환자 혈액학적 지표의 거리가 점차 증가한다는 것을 확인했습니다. 표준화된 혈액학적 지표의 유의성 시각화(그림 1

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

다변량 상태 색상 산점도 소프트웨어 도구(V1.0)는 Beijing Intelligent Entropy Science & Technology Co., Ltd.에서 개발 및 소유하고 있습니다. 이 소프트웨어의 모든 지적 재산권은 회사에 있습니다. 저자는 이해 상충이 없음을 선언합니다.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 연구는 2024년 산시성 한의학관리국 시립 전통 중의학 병원의 중국 전통 의학 연구 역량 향상을 위한 연례 프로젝트(SZY-NLTL-2024-003)의 지원을 받았습니다.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLAB매스웍스 2023B컴퓨팅 및 시각화 
다변량 상태 다채로운 산점도   인텔리전트
  엔트로피		다변량 상태 V1.0베이징 지능형 엔트로피 과학 및 Technology Co Ltd.
다변량 상태 모델링

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Jarczak, D., Kluge, S., Nierhaus, A. Sepsis-Pathophysiology and Therapeutic Concepts. Front Med. 8, 628302(2021).
  2. Saito, H. Sepsis in Global Health: Current global strategies to fight against sepsis. Acute Med Surg. 12, e70045(2025).
  3. Singer, M., et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA. 315 (8), 801-810 (2016).
  4. Fernando, S. M., et al. Clinical implications of the Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). Canadian Med Assoc J. 190 (36), E1058-E1059 (2018).
  5. van der Poll, T., Shankar-Hari, M., Wiersinga, W. J. The immunology of sepsis. Immunity. 54 (11), 2450-2464 (2021).
  6. Denny, K. J., et al. Diagnosing sepsis in the ICU: Comparison of a gene expression signature to pre-existing biomarkers. J Crit Care. 76, 154286(2023).
  7. Pölkki, A., et al. Association of Sequential Organ Failure Assessment (SOFA) components with mortality. Acta anaesthesiologica Scandinavica. 66 (6), 731-741 (2022).
  8. Pan, X., et al. Evaluate prognostic accuracy of SOFA component score for mortality among adults with sepsis by machine learning method. BMC Infect Dis. 23 (1), 76(2023).
  9. Bignami, E. G., et al. Artificial Intelligence in Sepsis Management: An Overview for Clinicians. J Clin Med. 14 (1), 286(2025).
  10. Herawati, S., et al. Integrating Routine Hematological and Extended Inflammatory Parameters as a Novel Approach for Timely Diagnosis and Prognosis in Sepsis Management. Diagnostics. 14 (9), 956(2024).
  11. Barichello, T., et al. Biomarkers for sepsis: more than just fever and leukocytosis-a narrative review. Crit Care. 26 (1), 14(2022).
  12. Li, H., et al. The relationship between hemoglobin, albumin, lymphocyte, and platelet (HALP) score and 28-day mortality in patients with sepsis: a retrospective analysis of the MIMIC-IV database. BMC Infect Dis. 25 (1), 333(2025).
  13. Yang, J., et al. A nomogram based on lymphocyte percentage for predicting hospital mortality in exertional heatstroke patients: a 13-year retrospective study. World J Emerg Med. 14 (6), 434-441 (2023).
  14. Ligi, D., et al. Platelet distribution width (PDW) as a significant correlate of COVID-19 infection severity and mortality. Clin Chem Lab Med. 62 (3), 385-395 (2023).
  15. Saragih, R. A. C., Yanni, G. N. Correlation between Platelet Profile (Mean Platelet Volume, Platelet Volume Distribution Width and Plateletcrit) with Procalcitonin and C-reactive Protein in Critically Ill Children. Prague Med Rep. 123 (2), 82-87 (2022).
  16. Zheng, X., et al. A new hematological parameter model for the diagnosis and prognosis of sepsis in emergency department: A single-center retrospective study. Int J Lab Hematol. 46 (2), 250-258 (2024).
  17. Lyu, Y., et al. Predictive Value of Red Blood Cell Distribution Width-to-Platelet Ratio for Severity in Pyogenic Liver Abscess: A Retrospective Observational Study. Surg Infect. 26 (1), 33-38 (2025).
  18. Fleuren, L. M., et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intens Care Med. 46 (3), 383-400 (2020).
  19. Kijpaisalratana, N., et al. Machine learning algorithms for early sepsis detection in the emergency department: A retrospective study. Int J Med Info. 160, 104689(2022).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Sepsis MonitoringHematological ParametersComplete Blood CountSepsis SeverityHemoglobin LevelsLymphocyte PercentagePlatelet Distribution WidthEuclidean DistanceSOFA ScoreCase Control Study
Video Coming Soon

Related Articles