脓毒症的炎症亚型及维生素C对相应亚型的作用

Inflammatory phenotypes in sepsis and the role of vitamin C on the corresponding phenotypes

摘要

目的 脓毒症是一种具有高度异质性的综合征，本研究旨在基于临床常用炎症参数识别脓毒症的潜在亚型，并探讨输注维生素C治疗对不同亚型患者生存结局的影响。 方法 以重症监护医学信息数据库IV中的脓毒症患者为研究对象，按7꞉3的比例将总样本随机分为推导组与验证组。在推导组中，采用K均值聚类法基于白细胞计数(white blood cell count，WBC)、中性粒细胞/淋巴细胞比值(neutrophil to lymphocyte ratio，NLR)和体温这3个关键特征参数识别潜在亚型，对比并总结各亚型间的临床特征及差异，然后通过Kaplan-Meier生存分析及多因素Cox比例风险回归模型评估输注维生素C治疗对各亚型生存结局的影响。在验证组中采用相同的分析方法验证聚类效果及维生素C对各亚型的疗效异质性。 结果 共有3 771例患者被纳入最终分析，其中推导组2 639例，验证组1 132例。在推导组中，脓毒症患者被分为3种亚型：A型(n=471，17.8%)表现为WBC、NLR中度升高及高热；B型(n=1 812，68.7%)以轻度升高的WBC、NLR和基本正常的体温为特征，患者的临床状况及生存预后相对最好；C型(n=356，13.5%)则表现为WBC和NLR极度升高，而体温升高不显著，患者具有最严重的器官功能障碍表现及高病死率。各亚型患者在年龄、生命体征、合并症史、实验室检查、病理生理评分及临床预后等方面均存在显著差异，且表现出对维生素C治疗的不同反应性(均P<0.05)。Kaplan-Meier生存分析显示，仅在A型患者中，静脉输注维生素C与更低的28 d病死风险相关[风险比(hazard ratio，HR)=0.388，95%置信区间(confidence interval，CI) 0.166~0.906，P=0.023]，经多因素Cox回归校正混杂因素后，这种保护效应仍有统计学意义(HR=0.353，95% CI 0.165~0.755，P=0.007)；而在其他亚型中，未能发现维生素C对生存结局的有益效应。上述脓毒症的亚型划分特征及各亚型对维生素C治疗的反应异质性，在验证组中得到了类似的结果。 结论 本研究基于WBC、NLR及体温这3个关键特征参数，识别出3种具有不同临床特征的脓毒症亚型，各亚型对维生素C治疗的反应性不同，其中A型脓毒症患者可从静脉输注维生素C治疗中获益。

Abstract

Objective Sepsis is a highly heterogeneous syndrome. This study aims to identify potential phenotypes of sepsis based on commonly used clinical inflammatory parameters and to investigate the impact of vitamin C infusion therapy on survival outcomes in patients with different phenotypes. Methods Patients with sepsis in the Intensive Care Medical Information Database IV were used as the study population, and the data were randomly divided into two groups of 7:3, which were used for derivation and validation, respectively. In the derivation cohort, the K-means clustering was employed to identify potential phenotypes based on three key feature parameters: white blood cell count (WBC), neutrophil-to-lymphocyte ratio (NLR), and temperature, and then assess the effect of infused vitamin C treatment on survival outcomes of each phenotype by Kaplan-Meier survival analysis and multifactorial Cox proportional risk model. The same analyses were used in the validation cohort to verify the clustering effect and the heterogeneity of vitamin C efficacy on each phenotype. Results A total of 3 771 patients were included in the final analysis, 2 639 in the derivation cohort and 1 132 in the validation cohort. In the derivation cohort, patients with sepsis were categorized into three phenotypes: cluster A (n=471, 17.8%) was characterized by moderately elevated white blood cells (WBC), neutrophil-to-lymphocyte ratio (NLR), and hyperthermia; cluster B (n=1 812, 68.7%) was characterized by mildly elevated WBC, NLR, and essentially normal body temperature, and patients with this type had the relatively best clinical status and survival prognosis, and cluster C (n=356, 13.5%) was characterized by extreme elevation of WBC and NLR, and insignificant elevation of body temperature, and patients with this type had the most severe organ dysfunction and high mortality. Significant differences in age, vital signs, history of comorbidities, laboratory tests, pathophysiological scores and clinical prognosis were found between phenotypes and showed different responsiveness to vitamin C treatment (all P<0.05). A Kaplan-Meier survival analysis showed that intravenous vitamin C infusion was associated with a lower risk of death at 28 days only in patients with cluster A [hazard ratio (HR)=0.388, 95% confidence interval (CI) 0.166 to 0.906, P=0.023], and this protective effect remained statistically significant after correction for confounders by multivariate Cox regression (HR=0.353, 95% CI 0.165 to 0.755, P=0.007), whereas a beneficial effect of vitamin C on survival outcomes was not detected in the other phenotypes. This heterogeneous response yielded similar results in the validation cohort. Conclusion This study identified three distinct sepsis phenotypes with different clinical characteristics based on three key parameters: WBC, NLR, and temperature. Each phenotype exhibits varying responsiveness to vitamin C therapy, with patients with type A sepsis benefiting from intravenous vitamin C treatment.

Graphical abstract

关键词

脓毒症 / 维生素C / 抗坏血酸 / 亚型 / 聚类分析

Key words

sepsis / vitamin C / ascorbic acid / phenotype / clustering analysis

脓毒症是一种由于宿主对感染反应失调导致的危及生命的多器官功能障碍综合征^[1]，其高度异质性是导致其治疗困难的主要原因之一^[2]。维生素C作为一种兼具抗炎、免疫调节和保护内皮等多效性作用的抗氧化剂^[3]，一直被视为脓毒症的潜在治疗药物而受到广泛研究。然而其临床转化证据却始终存在争议^[4]。结合脓毒症的异质性，维生素C可能并非对所有患者普适，而仅对特定病理生理状态的亚群有效^[5]。当前，脓毒症研究已迈向精准分型时代，有诸多研究^[6-8]通过无监督聚类等方法发现脓毒症患者可被分成具有不同病理特征和预后风险的亚群，且各亚型对干预措施的反应存在显著差异，这些发现凸显了以亚型为导向的精准医疗的重要性。基于此，本研究旨在通过聚类分析的方法识别脓毒症患者的潜在亚型，并探讨维生素C对各亚型的生存结局的影响，以期发现其最佳获益人群，从而为维生素C在脓毒症中的个性化应用提供理论依据。

1 材料与方法

1.1 数据来源与纳排标准

本研究是一项基于重症医学数据库IV(Medical Information Mart for Intensive Care IV，MIMIC-IV)(2.2版本)进行的回顾性队列研究。MIMIC-IV数据库收录了2008至2019年入住贝斯以色列女执事医疗中心的患者经过隐私化处理后的相关医疗数据^[9]，不存在患者隐私信息泄露的风险，因此免除了知情同意的要求。本研究已获得MIMIC数据库访问权限及认证(认证编号：58679278)。

纳入标准：在入住加强监护病房(intensive care unit，ICU)24 h内，根据脓毒症诊断标准^[1]被确诊为脓毒症。排除标准包括：1)年龄小于18岁；2)孕妇；3)患有自身免疫性疾病；4)缺失聚类分析所需分型变量[即白细胞计数(white blood cell count，WBC)、中性粒细胞计数、淋巴细胞计数或体温数据缺失]；5)缺失生存结局数据。对于多次入住ICU的患者，仅分析其第1次入住ICU时的情况。

1.2 变量提取

收集患者的基线特征资料，包括患者入院时的一般信息、生命体征、合并症史、实验室指标、治疗干预措施、病理生理评分和临床结局。其中，一般信息包括患者入院时的年龄、性别和体重；生命体征包括心率、呼吸频率、平均血压和体温；合并症史包括高血压、糖尿病、慢性肾脏病、肝硬化和恶性肿瘤；实验室指标包括WBC、中性粒细胞计数、淋巴细胞计数、血小板计数(platelet count，PLT)、血尿素氮(blood urea nitrogen，BUN)、肌酐(creatinine，Cr)、总胆红素(total bilirubin，TBIL)、谷丙转氨酶(alanine aminotransferase，ALT)、谷草转氨酶(aspartate aminotransferase，AST)、酸碱度(pH)、氧分压、二氧化碳分压和乳酸，并通过中性粒细胞计数除以淋巴细胞计数确定中性粒细胞/淋巴细胞比值(neutrophil-to-lymphocyte ratio，NLR)。治疗措施包括维生素C或血管升压药(包括多巴胺、肾上腺素、去甲肾上腺素、去氧肾上腺素和加压素)的使用、机械通气和肾脏替代治疗(renal replacement therapy，RRT)；病理生理评分包括急性生理学评分-Ⅲ(Acute Physiology Score III，APS III)、查尔森合并症指数(Charlson comorbidity index，CCI)评分和序贯器官衰竭评估(sequential organ failure assessment，SOFA)评分。将所得的数据按7꞉3随机划分，70%用于聚类推导，30%用于验证。

1.3 分型变量

结合脓毒症的病理发展机制，推测脓毒症患者中可能存在炎症反应程度不同的亚型，基于炎症参数的聚类分析可能有助于识别脓毒症的潜在炎症亚型。WBC是反映全身炎症反应强度的经典指标^[10]，且有研究^[11]表明其动态变化与脓毒症的炎症反应状态密切相关。NLR整合了先天免疫系统与适应性免疫系统2方面的信息，能更全面地评估脓毒症患者的免疫状态^[12]，且该指标的升高与脓毒症患者的不良预后显著相关^[13]。体温与炎症反应高度相关，是脓毒症患者反应异质性的重要表征^[14]，通过体温分型可间接反映患者免疫代谢状态^[15]，为治疗决策提供参考。基于以上理论基础，结合临床经验并综合评估了变量的缺失情况后，本研究最终选择以下变量进行聚类分析：WBC、NLR和体温。

1.4 暴露因素和结局

本研究中的暴露因素是静脉输注维生素C，主要结局和次要结局分别是28 d病死率和住院病死率。

1.5 统计学处理

在评估了数据的分布和缺失情况后，排除身高、肌酸激酶、C反应蛋白等缺失比例大于30%的变量，对剩余变量采用多重插补法进行估算^[16]。在推导组中，采用基于欧几里得距离的K均值聚类法^[17]来识别脓毒症的潜在亚型，通过轮廓系数法^[18]来确定最佳聚类数k。轮廓系数是一种用于评估数据聚类效果的内部指标，其取值范围在[-1，1]之间，值越大表示该聚类结果的聚类效果越好。

在基于分型变量推导出相关亚型后，使用Kaplan-Meier生存分析和Log-rank检验比较总体和各亚组内暴露组与对照组患者主要结局的差异，采用Cox比例风险回归模型评估静脉输注维生素C对脓毒症各亚型患者28 d病死率和住院病死率的影响是否存在差异。基于临床经验，首先选取部分可能与28 d病死率相关的风险因素进行单因素Cox比例风险回归模型分析，以确定与28 d病死率相关的混杂因素，然后将P<0.05的协变量纳入多因素Cox比例风险回归模型，获得校正后的病死风险比(hazard ratio，HR)及95%置信区间(confidence interval，CI)。随后在验证组中采用与推导组一致的数据标准化方法并引入相同的聚类中心，通过计算各变量与聚类中心的欧几里得距离分配亚型标签，对比推导组与验证组中各亚型的特征分布情况以检验聚类的有效性及稳定性，对验证组中的亚型同样采用Kaplan-Meier生存分析和Cox比例风险回归模型评估静脉输注维生素C对各亚型的生存结局的影响。

对于符合正态分布的连续变量，数值以均数±标准差表示，对非正态分布的连续变量，则以中位数(第1四分位数，第3四分位数)表示；对于分类变量，数值以例(%)表示。根据数据是否符合正态分布，对分类变量酌情采用卡方检验或Fisher确切概率法进行组间比较，对连续变量酌情采用独立样本t检验或Mann-Whitney U检验进行2样本的组间比较，涉及多个样本的组间比较则采用Kruskal-Wallis检验。使用IBM SPSS软件(版本26.0)进行统计分析，P<0.05为差异有统计学意义。

2 结 果

2.1 推导组与验证组基线特征比较

在完成了初步的数据清洗后，共有3 771例患者纳入最终的研究，按7꞉3的比例随机分为推导组(2 639例)和验证组(1 132例)。2组在性别、年龄、合并症史、生命体征、合并症史、实验室指标、治疗措施、病理生理评分和生存结局方面差异均无统计学意义(均P>0.05，表1)。

2.2 推导组聚类结果及各亚型特征

为消除分型变量间的量纲差异，首先对推导组数据进行标准化处理，采用轮廓系数法确定最佳聚类数k，结果显示，当k=3时，聚类效果及稳定性最佳(图1)。

K均值聚类结果显示，共识别出A型、B型、C型3种脓毒症亚型(图2)，其基线特征详见表2。除了性别、糖尿病史、肝硬化病史和二氧化碳分压外，3组患者在年龄、生命体征、合并症史、实验室指标、病理生理评分和生存结局等方面差异均有统计学意义(均P<0.05)。

聚类A型患者(n=471，17.8%)具有较高的WBC[14.3(10.3，19.5)×10³/μL]、中等升高的NLR[10.10(5.00，17.14)]和较高的体温[38.7(38.3，39.3) ℃]，该组患者相对年龄最小，合并慢性肾脏病(18.0%)和恶性肿瘤(15.5%)的比例最低，CCI中位数也最低。

聚类B型患者(n=1 812，68.7%)具有较高的WBC[13.8×10³/μL(10.1×10³/μL，18.2×10³/μL)]、轻度升高的NLR[6.80(4.06，11.46)]和低体温[37.1(36.9，37.4) ℃]，该组患者是人数最多的亚群，合并高血压病史的比例最高(39.1%)，但整体临床状况相对最轻，具有最低的APS III和SOFA评分，需要RRT(4.9%)和血管升压药物(53.6%)支持的比例最低，同时也具有最好的生存预后，28 d病死率(15.8%)和住院病死率(33.6%)相对最低。

聚类C型(n=356，13.5%)患者则具有极高的WBC[29.1×10³/μL(21.7×10³/μL，37.4×10³/μL)]、最高的NLR[31.61(18.55，48.27)]和低热[37.3(37.1，37.8) ℃]的特征。该组患者合并恶性肿瘤病史的比例最高(24.2%)，具有最高的APS III和SOFA评分，乳酸值相对更高，需要血管升压药物支持及RRT的比例也最高，提示该型患者存在更严重的病理生理状态和器官功能障碍，该组患者的生存结局也最差 (28 d病死率31.7%、住院病死率49.4%)。

2.3 推导组总体及各亚型中维生素C治疗对主要结局的影响

在推导组中的A、B、C 3个聚类亚型中分别有74例(15.7%)、173例(9.5%)和51例(14.3%)患者接受静脉输注维生素C治疗。Kaplan-Meier生存分析(图3)显示，静脉输注维生素C并未改善总体患者的28 d生存结局，输注与未输注维生素C的患者的28 d累积存活率无明显差别(P=0.233)。亚组分析结果表明各亚型对维生素C治疗反应性不同：在A组中，接受过静脉输注维生素C治疗的患者的28 d累积生存率高于未接受相应干预的患者(HR=0.455，95% CI 0.221~0.940，P=0.029)；在B组中，接受静脉输注维生素C治疗与28 d累积病死风险增加相关(HR=1.510，95% CI 1.077~2.116，P=0.016)；而在C组中2组患者的生存结局差异无统计学意义(P=0.754)。

2.4 推导组的多因素Cox回归分析

在A、B、C 3个亚型患者中分别开展单因素Cox回归分析，筛选出P<0.05的变量作为混杂因素纳入多因素Cox比例风险回归模型校正(表3)。各亚型最终纳入的混杂因素如下，A型、B型：年龄、血管升压药物、RRT、乳酸、肌酐、SOFA评分、APS III、CCI评分；C型：年龄、RRT、乳酸、肌酐、SOFA评分、APS III、CCI评分。

3个亚型的患者经多因素Cox比例风险回归模型校正混杂因素前后的生存结局见表4。在校正混杂因素后，静脉输注维生素C治疗仍然有助于降低A型患者的28 d病死风险(HR=0.353，95% CI 0.165~0.755，P=0.007)；对B型患者，单因素分析显示维生素C与其28 d病死风险0.017及住院病死风险增加相关(均 P<0.05)，但在多因素分析校正混杂因素后，这种相关性不再具有统计学意义(P>0.05)；而对C型患者而言，无论是在单因素分析还是多因素分析中，输注维生素C对患者生存结局的影响均无统计学意义(均P>0.05)。

2.5 验证组聚类结果及各亚型特征

为验证聚类的有效性，将推导组的聚类参数应用于验证组并绘制散点图(图4)，将验证组的3种脓毒症亚型分别定义为聚类vA型、聚类vB型和聚类vC型。由图可知，验证组患者与推导组患者具有类似的分布，同样能被清晰地分成3类。验证组患者经聚类后得出的各亚型的基线特征总结见表5，各亚型的基线特征同样表现出显著异质性。

聚类vA型患者(n=230，20.3%)与推导组中的聚类A型患者类似，具有较高的WBC[13.9(9.3，18.6)×10³/μL]、中等升高的NLR[8.77(5.04，15.12)]和较高的体温[38.6(38.2，39.2) ℃]，年龄[64(53，75)岁]相对最小，合并慢性肾脏病(13.5%)比例最低。

聚类vB型患者(n=732，64.7%)与聚类B型患者类似，具有相对最轻的临床症状，该组患者的WBC为14.1×10³/μL(10.1×10³/μL，18.1×10³/μL)，NLR为6.99(4.09，12.01)，体温为37.1(36.9，37.4) ℃，APS III在3组内处于最低水平。该组患者的生存预后相对最好，具有最低的28 d病死率(16.0%)和住院病死率(36.7%)。

聚类vC型(n=170，15.0%)患者与聚类C型具有相似的临床表现，以极高的WBC[27.6(20.3，35.6)×10³/μL]、NLR[31.98(20.58，57.98)]和不明显的低热[37.3(37.1，37.9) ℃]为特征。该组患者表现出更严重的病理生理状态和器官功能障碍，具有最高的APS III、CCI和SOFA评分，需要血管升压药物支持的比例最高(65.9%)，同时展现出最严峻的生存预后：28 d病死率(22.9%)和住院病死率(48.8%)最高。

2.6 验证组总体及各亚型中维生素C治疗对主要结局的影响

在验证组的3个聚类亚型中，分别有37例(16.0%)、79例(10.8%)和27例(15.9%)患者接受了静脉输注维生素C治疗。Kaplan-Meier生存曲线(图5)结果显示，在验证组中，静脉输注维生素C并未改善总体患者的28 d生存情况(P=0.219)；在亚组分析中，各亚型同样表现出对维生素C治疗的反应异质性：在vA型患者中表现出与推导组的A型患者相似的反应，输注维生素C治疗与更低的28 d病死率相关(HR=0.237，95% CI 0.057~0.980，P=0.030)；vB型患者与推导组的B型类似，输注维生素C治疗与更高的28 d病死风险相关(HR=2.125，95% CI 1.347~3.354，P<0.001)；而对vC型患者而言，维生素C治疗同样未能对其28 d生存结局产生影响(HR=0.867，95% CI 0.363~2.069，P=0.748)。

2.6 验证组的多因素Cox回归分析

纳入与推导组同样的混杂因素用于验证组的多因素Cox比例风险回归模型。模型结果(表6)显示，在vA型患者中，校正混杂因素后输注维生素C治疗有助于降低患者的28 d病死风险(HR=0.191，95% CI 0.045~0.811，P=0.025)，而对住院病死率无显著影响(P>0.05)；而在vB型患者中，校正混杂因素后维生素C治疗则与更高的28 d病死风险(HR=2.002，95% CI 1.251~3.205，P=0.004)和更高的住院病死风险 (HR=1.526，95% CI 1.077~2.162，P=0.017)相关；对聚类vC型患者而言，无论是否校正混杂因素，输注维生素C对其28 d病死风险及住院病死风险均无显著影响(均P>0.05)。验证组各亚型对维生素C治疗的反应异质性与推导组相似。

3 讨 论

本研究基于WBC、NLR和体温识别出了3种具有不同临床特征和预后的脓毒症亚型，并揭示了不同亚型对维生素C治疗的反应异质性。这一发现为解释维生素C在脓毒症治疗中的疗效差异和在脓毒症中的个性化应用提供了新视角与依据。

理解亚型背后的生物学机制对于实现亚型导向的精准治疗至关重要。因其兼具抗炎、抗氧化、免疫调节等针对脓毒症病理发展机制的多靶点效用，维生素C一直被视为脓毒症的一种潜在辅助治疗方案^[19]，但多项已进行的随机对照试验^[20-23]的结果却存在矛盾。这些研究大都未考虑所纳入的脓毒症群体内在的异质性对研究结果的潜在影响。脓毒症是一种具有高度异质性的综合征^[24]，既往有许多研究基于分子组学、感染来源等层面对脓毒症患者进行分型，揭示了脓毒症的生物学多样性：Davenport等^[25]曾基于外周血白细胞的转录组学分析，发现了与脓毒症患者免疫状态密切相关的脓毒症反应信号(sepsis response signature，SRS)，定义了2种免疫反应特征不同的脓毒症亚型(SRS1和SRS2)；Stortz等^[26]则根据感染部位的不同将外科脓毒症患者分为5个亚型，各亚型在免疫反应、器官功能障碍和临床预后等方面都表现出显著异质性。最近一项大型国际共识研究^[27]从免疫学层面为这种内在异质性提供了革新性的框架，该研究证实既往基于分子组学等层面得出的多种脓毒症亚型的核心是髓系/淋巴系免疫系统不同程度和特征的失调，并发现不同免疫失调模式的患者对特定免疫调节治疗方案(如皮质类固醇)的反应存在显著差异。而维生素C也是一种免疫调节治疗方案，同样可能对具有不同免疫失调模式的脓毒症患者亚群产生不同的治疗效应。尽管本研究未进行基础研究层面的转录组分析，但基于WBC、NLR和体温所识别的临床亚型，在一定程度上也间接反映了上述研究提及的深层的髓系/淋巴系免疫失调模式。

脓毒症的异质性决定了单一的治疗方案很难适用于整个脓毒症群体。近年来，许多研究通过机器学习等方法揭示了脓毒症患者不同亚型的存在，并发现这些亚型具有不同的病死风险和对特定治疗的不同反应性：Kudo等^[6]通过K均值聚类发现了4种具有不同临床特征的脓毒症凝血亚型，并发现重组人血栓调节蛋白(recombinant human thrombomodulin，rhTM)仅对具有严重凝血病亚型的患者有益；Hu等^[28]基于SOFA评分将脓毒症患者分为4种具有不同器官功能障碍的亚型，各亚型对延迟使用抗生素的反应不同；Cai等^[29]基于潜在类别分析识别出3种对肝素抗凝治疗反应不同的亚型。在本研究中同样识别出3种具有不同临床特征和生存结局的脓毒症亚型，输注维生素C治疗仅对改善聚类A型的脓毒症患者的28 d病死率有效。本研究结果显示，若将聚类B型和聚类C型等非应答群体纳入分析，维生素C的总体效应可能被稀释甚至掩盖，这种稀释效应或许有助于解释为什么当前针对脓毒症的特异性治疗的研究始终难以取得理想效果。

Kim等^[30]曾根据体温和WBC将接受维生素C联合硫胺素与氢化可的松方案治疗的脓毒症休克患者分为4个亚型，证明了这些患者存在不同的病理生理特征和临床结局，其中具有较高体温和高WBC的A组患者生存结局更好，但该研究并未设立对照组，因此维生素C方案对不同亚型的疗效差异难以评估。本研究借助聚类分析识别出的亚型中，聚类A型的临床特点与Kim等^[30]的研究类似，具有较高的WBC和较高的体温，并且通过各亚型内部治疗组与对照组的生存分析，进一步印证了Kim等^[30]的推论，即维生素C对脓毒症亚型的疗效存在差异。因此，在未来的研究中，识别和选择最佳的亚群可能是维生素C治疗在脓毒症患者中应用成功的关键^[31]。

体温与炎症反应高度相关。Bhavani等^[15]通过体温变化轨迹将脓毒症患者分为4种亚型，其中2种高热亚型的患者炎症细胞因子水平较高，提示具有较好的免疫反应性，而低温型的患者具有更严重的器官功能障碍和更高的病死率。本研究中聚类A型的患者类似的高体温可能提示患者正处于脓毒症早期细胞因子风暴阶段，此时维生素C的抗氧化作用和免疫调节功能可有效阻断炎症级联反应从而发挥保护作用^[32]，该亚型也是相对最年轻的患者群体，可能对炎症风暴有更好的耐受。聚类B型患者轻度升高的NLR和低体温则提示患者体内的促炎反应与抗炎反应趋于平衡^[33]，此时补充抗氧化剂反而可能干扰机体内清除病原体的正常免疫反应，从而增加病死风险。此外，B型患者中接受维生素C治疗的比例过低也可能对分析结果造成影响，因此需要谨慎解释这种风险。聚类C型患者极度升高的NLR和与之不相符的低热则标志着过度炎症反应可能已诱发严重的免疫耗竭和代谢崩溃^[34]，此时维生素C的抗氧化与抗炎作用已难以逆转其病理进程。同时，该亚型患者的肌酐值和合并慢性肾脏病的比例更高，而肾功能不全可能影响维生素C的排泄^[35]，增加药物蓄积风险从而影响患者的生存预后。

本研究中不同亚型间患者在血管升压药物、RRT、机械通气等治疗措施的使用率上存在差异，而这些治疗措施的组间差异很可能反映了各亚型内在的疾病严重程度和器官功能障碍模式的不同。尽管本研究在分析时已将这些治疗措施作为混杂因素纳入多因素Cox模型进行了校正，但仍不能完全排除其残留混杂效应可能对结果产生的影响。此外，各亚型间在恶性肿瘤病史分布上的不均衡，也可能作为重要的混杂因素影响总体预后。未来的前瞻性研究需在疾病严重度匹配更均衡的群体中进一步验证。

本研究也存在一些局限性。首先，本研究使用的数据存在一定比例的缺失值，可能导致潜在偏倚。尽管通过排除缺失率>30%的变量并结合多重插补法进行数据填补的处理有助于减少这种偏倚带来的影响，但插补模型的假设仍可能无法完全反映真实数据的分布情况；其次，由于数据库中缺乏维生素C的具体剂量、输注时机及持续时间的记录，限制了对其剂量依赖性效应和药代动力学异质性的评估。而现有证据^[36]表明，维生素C治疗与患者器官功能改善之间可能存在剂量-反应关系，高剂量静脉给药方案可能与器官功能改善更相关。因此，在未来的前瞻性验证中，必须在统一且优化的给药方案下，评估不同亚型患者的治疗反应，以明确疗效差异究竟源于患者内在生物学差异，还是给药策略的不同。最后，由于本研究数据是基于一个单中心的观察性数据库，尽管通过随机化分组进行了内部验证，但尚缺乏独立的外部验证，结论的普适性会受到限制，未来需进一步通过多中心前瞻性研究验证亚型分类的稳定性和指导维生素C治疗的最佳策略。

综上所述，本研究通过聚类分析的方法识别出了3种具有不同临床特征及生存预后的脓毒症炎症亚型，不同亚型对静脉输注维生素C的反应也不同，这一发现凸显了针对特定亚群进行个性化治疗的重要性。

参考文献

[1] Seymour CW, Liu VX, Iwashyna TJ, et al. Assessment of clinical criteria for sepsis: for the third international consensus definitions for sepsis and septic shock (sepsis-3)[J]. JAMA, 2016, 315(8): 762-774.

[2] Leligdowicz A, Matthay MA. Heterogeneity in sepsis: new biological evidence with clinical applications[J]. Crit Care, 2019, 23(1): 80.

[3] Spoelstra-de Man A, Elbers P, Oudemans-Van Straaten H. Vitamin C: should we supplement?[J]. Curr Opin Crit Care, 2018, 24(4): 248-255.

[4] Plummer MP, Bellomo R. Restrictive fluid therapy and high-dose vitamin C in sepsis[J]. Nat Rev Nephrol, 2022, 18(10): 607-608.

[5] de Man A, Long MT, Stoppe C. Vitamin C for all?[J]. Curr Opin Crit Care, 2024, 30(4): 298-304.

[6] Kudo D, Goto T, Uchimido R, et al. Coagulation phenotypes in sepsis and effects of recombinant human thrombomodulin: an analysis of three multicentre observational studies[J]. Crit Care, 2021, 25(1): 114.

[7] Seymour CW, Kennedy JN, Wang S, et al. Derivation, validation, and potential treatment implications of novel clinical phenotypes for sepsis[J]. JAMA, 2019, 321(20): 2003-2017.

[8] Zhang ZH, Zhang GS, Goyal H, et al. Identification of subclasses of sepsis that showed different clinical outcomes and responses to amount of fluid resuscitation: a latent profile analysis[J]. Crit Care, 2018, 22(1): 347.

[9] Johnson A, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset[J]. Sci Data, 2023, 10(1): 1.

[10] Nilsson G, Hedberg P, Ohrvik J. White blood cell count in elderly is clinically useful in predicting long-term survival[J]. J Aging Res, 2014, 2014: 475093.

[11] Miao SH, Liu YJ, Li M, et al. Clinical subtypes identification and feature recognition of sepsis leukocyte trajectories based on machine learning[J]. Sci Rep, 2025, 15(1): 12291.

[12] Buonacera A, Stancanelli B, Colaci M, et al. Neutrophil to lymphocyte ratio: an emerging marker of the relationships between the immune system and diseases[J]. Int J Mol Sci, 2022, 23(7): 3636.

[13] Wu HS, Cao TS, Ji TF, et al. Predictive value of the neutrophil-to-lymphocyte ratio in the prognosis and risk of death for adult sepsis patients: a meta-analysis[J]. Front Immunol, 2024, 15: 1336456.

[14] Thomas-Rüddel DO, Hoffmann P, Schwarzkopf D, et al. Fever and hypothermia represent two populations of sepsis patients and are associated with outside temperature[J]. Crit Care, 2021, 25(1): 368.

[15] Bhavani SV, Spicer A, Sinha P, et al. Distinct immune profiles and clinical outcomes in sepsis subphenotypes based on temperature trajectories[J]. Intensive Care Med, 2024, 50(12): 2094-2104.

[16] Beesley LJ, Bondarenko I, Elliot MR, et al. Multiple imputation with missing data indicators[J]. Stat Methods Med Res, 2021, 30(12): 2685-2700.

[17] Steinley D. K-means clustering: a half-century synthesis[J]. Br J Math Stat Psychol, 2006, 59(Pt 1): 1-34.

[18] Dinh D, Fujinami T, Huynh V. Estimating the optimal number of clusters in categorical data clustering by silhouette coefficient[M]//Knowledge and Systems Sciences. Singapore: Springer Singapore, 2019: 1-17.

[19] Marik PE. Vitamin C for the treatment of sepsis: The scientific rationale[J]. Pharmacol Ther, 2018, 189: 63-70.

[20] Marik P, Khangoora V, Rivera R, et al. Hydrocortisone, vitamin C, and thiamine for the treatment of severe sepsis and septic shock: a retrospective before-after study[J]. Chest, 2017, 151(6): 1229-1238.

[21] Hwang SY, Ryoo SM, Park JE, et al. Combination therapy of vitamin C and thiamine for septic shock: a multi-centre, double-blinded randomized, controlled study[J]. Intensive Care Med, 2020, 46(11): 2015-2025.

[22] Fowler AA, Truwit JD, Hite RD, et al. Effect of vitamin C infusion on organ failure and biomarkers of inflammation and vascular injury in patients with sepsis and severe acute respiratory failure: the CITRIS-ALI randomized clinical trial[J]. JAMA, 2019, 322(13): 1261-1270.

[23] Lamontagne F, Masse MH, Menard J, et al. Intravenous vitamin C in adults with sepsis in the intensive care unit[J]. N Engl J Med, 2022, 386(25): 2387-2398.

[24] Wang W, Liu CF. Sepsis heterogeneity[J]. World J Pediatr, 2023, 19(10): 919-927.

[25] Davenport EE, Burnham KL, Radhakrishnan J, et al. Genomic landscape of the individual host response and outcomes in sepsis: a prospective cohort study[J]. Lancet Respir Med, 2016, 4(4): 259-271.

[26] Stortz JA, Cox MC, Hawkins RB, et al. Phenotypic heterogeneity by site of infection in surgical sepsis: a prospective longitudinal study[J]. Crit Care, 2020, 24(1): 203.

[27] Moore AR, Zheng H, Ganesan A, et al. A consensus immune dysregulation framework for sepsis and critical illnesses[J]. Nat Med, 2025, 31(12): 4084-4096.

[28] Hu W, Chen H, Wang H, et al. Identifying high-risk phenotypes and associated harms of delayed time-to-antibiotics in patients with ICU onset sepsis: a retrospective cohort study[J]. J Crit Care, 2023, 74: 154221.

[29] Cai D, Greco M, Wu Q, et al. Sepsis-induced coagulopathy subphenotype identification by latent class analysis[J]. Balkan Med J, 2023, 40(4): 244-251.

[30] Kim WY, Jung JW, Choi JC, et al. Subphenotypes in patients with septic shock receiving vitamin C, hydrocortisone, and thiamine: a retrospective cohort analysis[J]. Nutrients, 2019, 11(12): 2976.

[31] Stoppe C, Preiser JC, de Backer D, et al. Intravenous vitamin C in adults with sepsis in the intensive care unit: still LOV’IT?[J]. Crit Care, 2022, 26(1): 230.

[32] Carr A, Maggini S. Vitamin C and immune function[J]. Nutrients, 2017, 9(11): 1211.

[33] Delano MJ, Ward PA. The immune system’s role in sepsis progression, resolution, and long-term outcome[J]. Immunol Rev, 2016, 274(1): 330-353.

[34] Giamarellos-Bourboulis EJ, Aschenbrenner AC, Bauer M, et al. The pathophysiology of sepsis and precision-medicine-based immunotherapy[J]. Nat Immunol, 2024, 25(1): 19-28.

[35] Doseděl M, Jirkovský E, Macáková K, et al. Vitamin C-sources, physiological role, kinetics, deficiency, use, toxicity, and determination[J]. Nutrients, 2021, 13(2): 615.

[36] Luo X, Zhu YF, Zhang R, et al. The effect of vitamin C in adults with sepsis: a meta-analysis of randomized controlled trials[J]. Front Med, 2023, 10: 1244484.

基金资助

中南大学湘雅三医院汇智育才项目(YX202104┫。This work was supported by the Wisdom Accumulation and Talent Cultivation Project of the Third Xiangya Hospital of Central South University)

中南大学湘雅三医院汇智育才项目(China ┣YX202104)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。