重症社区获得性肺炎（severe community-acquired pneumonia，SCAP）是临床常见的危重症，具有病情进展迅速、病死率高和医疗负担重等特点[1]。随着人口老龄化加剧，SCAP的发病率持续上升，已成为重症医学管理中的重要挑战[2]。研究表明，SCAP的住院病死率在不同人群中可高达25%～50%，对患者家庭及卫生系统构成严重负担[3-4]。如何在患者入院早期识别高死亡风险个体，指导精准治疗，改善患者预后，具有重要临床意义。近年来，临床预测模型因其可整合多种风险因素、辅助临床决策而广泛应用于重症患者的预后评估[5]。已有研究围绕SCAP患者死亡风险预测模型的构建、预测因子的筛选及模型性能展开探索，但不同模型在变量选择、算法应用及验证策略方面存在差异，其泛化能力和实际可用性尚需进一步系统评估。本研究拟采用范围综述的方法，系统梳理现有SCAP成年患者死亡风险预测模型的建模方法、预测因子、验证方式及性能表现，分析当前研究中的不足与发展方向，为后续模型优化与临床推广应用提供参考依据[6]。

1 资料与方法

1.1 确认研究问题

具体问题：SCAP成年患者死亡风险预测模型的构建方法有哪些？通常纳入哪类预测因子？模型性能如何？

1.2 文献的纳入及排除标准

纳入标准：①研究对象为SCAP患者，年龄≥18岁；②研究结局包含“死亡/生存”（如院内死亡、30 d死亡等）；③研究内容以SCAP患者死亡风险预测模型的构建及内部验证和/或外部验证研究为主；④研究设计为前瞻或回顾性队列研究。排除标准：①重复发表的文献；②无法获取全文或非中英文发表；③非公开发表的会议论文、学术论文等。

1.3 文献检索策略

制订包含主题词与自由词组合的检索策略，覆盖中国知网、万方数据知识服务平台和中国生物医学文献数据库、PubMed、Embase、Web of Science核心合集数据库、Scopus、Cochrane Library等中英文数据库，时间跨度为各数据库建库至2024年12月31日。中文以中国知网为例，中文检索式：SU=（（重症+ICU）AND（社区获得性肺炎+CAP）AND（死亡风险+病死率+死亡率）AND（预测模型+预后模型+评分系统+列线图+预测因子+危险因素+影响因素+风险因素））。英文以PubMed为例，检索式见表1。

表1 PubMed检索策略

1.4 文献筛选与数据提取

文献筛选由两位研究者依照纳入及排除标准各自对文献进行筛选操作。当在资料提取进程中出现意见不统一时，引入第3位研究者来进行裁决。应用预测模型研究的关键评估与数据提取清单（CHARMS）提取文献信息，包括作者姓名、发表年份、国家、研究类型、研究对象、样本量（训练和验证样本量）、预测因子、模型构建方法、性能及展现形式等[7]。

1.5 文献质量评价

借助2025年1月更新的预测模型偏倚风险评价工具（PROBAST+AI），由2名经培训的研究者，针对纳入的预测模型独立开展偏倚风险和适用性评估，争议时引入第3位研究者协同裁决[8]。PROBAST+AI将评估分为模型开发和模型评估两部分，分别针对开发阶段的质量和验证阶段的偏倚风险进行评价，并在研究对象、预测因子、结局、分析4个领域中，通过提示性问题逐项打分。

2 结果

2.1 文献筛选结果与基础特征

初始检索共获得5 563篇文献，经过筛选，最终纳入10篇[9-18]，文献筛选流程见图1。本研究共纳入10篇文献，涉及10个预测模型。从发表时间来看，跨度为2013—2024年。分别为中国7篇[9，11，13-14，16-18]、美国2篇[10，12]、西班牙1篇[15]开展研究。研究类型包括回顾性队列研究（8篇）和前瞻性队列研究（2篇）。其中，5项为单中心研究，5项为多中心研究。样本量方面差异较大，建模组样本量在242～37 348例；验证组样本量在0～710例，外部验证研究2项。研究结局主要为不同时间段（如28 d、30 d、院内等）的死亡情况。纳入文献的基本特征见表2。

图1 文献筛选流程图

SCAP：重症社区获得性肺炎。

表2 纳入文献基本特征

注SCAP：重症社区获得性肺炎；COPD：慢性阻塞性肺疾病。

2.2 文献偏倚风险评价

依据PROBAST+AI对10个模型进行偏倚与适用性风险评价。本研究纳入模型在“研究对象”和“结局”领域偏倚风险较低，但在“预测因子”领域多为不明确，主要因研究中缺乏对因子录入时序（是否先于结局发生）的报告，难以排除因果倒置，特别是以院内死亡为结局的研究；“分析”领域，部分研究未报告缺失数据处理方法，存在较高偏倚风险。适用性方面，多数研究在预测因子和结局上适配性良好，但部分研究因样本来自单一中心或特定人群，在“研究对象”领域被评为高适用风险。整体来看，仅1个模型研究在偏倚和适用性方面均表现良好，大多数仍存在一定方法学或适用性不足的问题，提示该领域模型质量和推广性仍有待提升。见表3。

表3 纳入研究的质量评价

注+：低风险；-：高风险；?：不清楚。

2.3 SCAP患者死亡风险预测模型构建与验证

2.3.1 模型构建情况 模型构建方法皆为logistic回归模型（10篇）。

2.3.2 模型预测因子与形式 纳入的10个SCAP患者死亡风险预测模型中，每个模型所包含的预测因子数量在4～8个。为便于比较，将所有预测因子分为四类：第一类为人口学及基础合并症，涵盖年龄、慢性阻塞性肺疾病（chronicobstructivepulmonarydisease，COPD）、慢性肾病和糖尿病等；第二类为急性并发症与严重度评分，包括急性呼吸窘迫综合征（acute respiratory distress syndrome，ARDS）、急性肾衰竭、脓毒症，以及急性生理与慢性健康评分系统Ⅱ（acute physiology and chronic health evaluationⅡ，APACHE Ⅱ）、CURB-65、序贯器官衰竭评分（sequential organ failure assessment，SOFA）、格拉斯哥昏迷指数（Glasgow coma scale，GCS）；第三类为生命体征与治疗干预，涉及心率、平均动脉压、氧合指数（PaO2/FiO2）、机械通气和血管升压药使用情况等；第四类为实验室生物标志物，包含血尿素氮（blood urea nitrogen，BUN）、血小板计数和C反应蛋白等。在10个模型中，出现频次前3位的预测因子分别是年龄、BUN和GCS。在模型呈现形式中，一共9项研究描述了模型展现形式，有6个模型以列线图的形式展现，3个模型以评分系统回归方程的方式展现。见表4。

表4 模型预测因子与形式

注Scr：血清肌酐；WBC：白细胞计数；CRP：C反应蛋白；GCS：格拉斯哥昏迷评分；COPD：慢性阻塞性肺疾病；FIB：纤维蛋白原；IL-6：白细胞介素-6；BUN：血尿素氮；HPR：血红蛋白/血小板比值；INR：国际标准化比值；RDW：红细胞分布宽度；Alb：白蛋白；PT：凝血酶原时间；PaO2/FiO2：氧合指数；APACHEⅡ：急性生理学及慢性健康状况评分Ⅱ；ARDS：急性呼吸窘迫综合征；SpO2：血氧饱和度；LDH：乳酸脱氢酶；ESMcsa：竖脊肌横截面积。

2.3.3 模型验证与预测效能8项研究采用内部验证方式，1项研究进行外部验证，1项研究进行了内部验证与外部验证。在预测性能方面，10项研究均报告了区分度曲线下面积（area under the curve，AUC）为0.713～0.893，表现出总体可接受的区分度。5项研究报告了校准度，其中4项研究采用Hosmer-Lemeshow拟合优度检验且均得P＞0.05，校准度良好，见表5。10项研究的模型预测效能对比见图2，图2A为各模型开发阶段效能对比，图2B为各模型测试/验证阶段效能对比。

图2 模型预测效能比较

A：SCAP死亡风险预测模型开发阶段ROC曲线；B：SCAP死亡风险预测模型测试/验证阶段ROC曲线。SCAP：重症社区获得性肺炎；ROC：受试者操作特征；AUC：曲线下面积。

表5 模型预测效能与验证方法

注“-”表示无数据。AUC：曲线下面积；H-L检验：Hosmer-Lemeshow检验。

3 讨论

3.1 预测模型

本研究汇总了10个SCAP死亡风险预测模型，涵盖院内死亡（4篇）、28 d死亡（3篇）和30 d死亡（3篇）等多种结局。与PSI（AUC=0.538）和CURB-65（AUC=0.645）等传统评分相比，新型模型在区分度上表现更为优异（AUC=0.713～0.893）[12]。其中，6个模型AUC＞0.8[9，11，13-16]。同时，传统评分主要依赖入院时静态变量，新型模型引入多维生理与实验室指标，在复杂交互效应建模方面，展现出更强的区分度与适用性。此外，5项研究报告校准度，4项研究的H-L检验均获P＞0.05，提示预测概率与实际病死率一致性良好，显示这些模型具备早期识别高风险患者的临床实用价值。模型展示形式较为局限，主要为列线图及评分系统或回归方程，其中列线图支持可视化风险预测，能通过动态网页或电子健康记录集成实现自动计算；评分系统或回归方程因其简便易用，可有效提高模型在不同级别医疗机构中的推广价值。9项研究[9-12，14-18]采用了Bootstrap或交叉验证等方法进行了内部验证。3项研究[9-10，18]基于多中心队列开发模型，增强了模型稳健性。Zhang等[13]和Pan等[14]则对模型进行了跨中心的外部验证提示多数模型在异构人群中的泛化性能尚待进一步研究。

3.2 预测因子

年龄、BUN和GCS是出现频率最高的核心预测因子，体现了SCAP结局受患者基础生理状态、感染反应强度及器官功能状态等多维因素的综合影响。其中，年龄是SCAP患者死亡风险的重要决定因素，随着年龄增长，肺部防御机制和器官储备功能减弱，使老年患者更易发生炎症失控与多器官功能障碍[19]。BUN作为评估肾功能与循环状态的重要生化指标，其升高不仅提示急性肾功能损害，还间接反映组织灌注障碍及炎症引发的代谢紊乱。SCAP患者机体因炎症反应导致能量需求显著增加，会加速蛋白质分解代谢，推动BUN水平升高[20]。当SCAP进一步发展为感染性休克时，外周血管扩张与毛细血管渗漏共同导致有效循环血容量显著下降，引发肾脏灌注受损、组织缺血、缺氧，削弱肾脏对尿素的排泄能力[21]；与此同时，体内炎症刺激持续存在，会进一步加剧蛋白质分解代谢，使尿素生成量增加。在此背景下，BUN水平呈持续升高趋势，这一变化不仅直观体现了循环灌注障碍→肾脏损伤→代谢紊乱的病理路径，更提示患者已进入多系统功能受累的危重状态，预后风险显著升高。从神经功能与感染严重程度关联来看，GCS评分下降是SCAP预后不良的重要信号。SCAP患者意识障碍的病理机制具有多源性。一方面，肺部感染引发的低氧血症、高碳酸血症可直接导致脑细胞缺氧水肿，影响神经传导功能[22]；另一方面，炎症因子突破血脑屏障后，可激活中枢神经系统炎症反应，引发脑实质损伤与神经功能紊乱[23]。因此GCS评分降低在体现患者中枢神经系统功能受损的同时，还提示SCAP患者感染可能扩散，预示更高的死亡风险。此外，在Huang等[11]的研究中，还针对特定人群进行了因子调整，COPD合并SCAP患者模型引入慢性肾病与糖尿病以强调慢性疾病负担影响。方法学上，Song等[18]应用的LASSO回归保留了FIB、血小板等多维度实验室指标；Wang等[9]采用的分类与回归树则揭示Scr等变量的非线性阈值效应，提示未来可结合多种算法优化因子筛选的稳健性与解释性。以上内容显示，SCAP死亡风险预测模型在因子选择上既有共识，也需针对不同临床场景进行针对性调整。

3.3 启示

基于PROBAST+AI工具的偏倚风险评估显示，现有SCAP死亡风险预测模型存在单中心回顾性设计局限，仅依赖入院静态变量而缺乏病程动态特征整合，且外部验证十分有限。另7项研究[9-14，17]报告预测因子录入时序不明确可能引入因果倒置问题，影响预测因子的真实效应估计；3项研究[10，15，18]未规范报告缺失数据处理，可能造成样本信息丢失或估计偏差，从而可能导致选择偏倚与模型过拟合，削弱模型的稳健性与泛化能力。这一现象提示，现有模型的稳健性与跨人群适用性可能受限，未来应优先开展大样本量、多中心前瞻性队列研究，并通过独立机构的外部验证提升模型泛化能力和临床可推广性。此外，未来研究需从多维度优化：①参考临床预测模型开发分步指南明确核心流程[5]；依照TRIPOD报告规范实现透明化，完整记录各预测因子的录入时间顺序，明确因子与结局事件的时间关联，以降低因果倒置风险[24]；结合PROBAST+AI工具[8]评估数据质量，对缺失数据采用规范处理策略，优先使用多重插补，同时通过敏感性分析验证处理结果的稳健性，提升数据处理过程的可信度与结论的可靠性。②利用深度学习等，开发精准实时的预后预测模型[25-26]。例如，Li等[27]构建的基于LSTM-Transformer的时间序列模型，通过整合诊断前4～12 h的动态生理指标和病程数据，实现脓毒症早期风险连续预测，12 h提前预测AUC达0.99，外部验证4 h提前预测AUC仍约0.90，显示动态数据整合显著提升了模型的泛化能力。此外利用文本数据，将临床主观判断与客观动态指标结合，进一步丰富建模数据维度，为捕捉SCAP患者病情演变信息提供更多支撑[28-29]。③借助SHAP、LIME等可解释AI工具阐释模型决策逻辑，平衡模型性能与透明度，增强临床信任度[30]。④通过网页计算器、电子病历系统集成等方式将模型转化为易用的临床决策支持工具，提升实践应用价值。

3.4 研究局限性

本研究存在以下局限性：①研究仅纳入中英文发表的文献，未覆盖未发表学位论文、会议摘要等灰色文献，且70%纳入研究源自中国地区，可能遗漏非中英文语种的国家或地区的研究。②研究对纳入模型的核心特征仅开展描述性比较，未针对老年患者、合并COPD患者等亚组开展分层分析，可能限制结果对细分临床场景的指导价值。尽管如此，本研究对SCAP成年患者死亡风险预测模型的构建特征与方法学现状的系统梳理，可为未来开发更具普适性与精细化的预测模型提供参考。

4 小结

本研究对SCAP患者死亡风险预测模型进行范围综述，结果显示模型多采用logistic回归模型，列线图可视化提升临床实用性。核心预测因子包括年龄、BUN和GCS等，部分研究纳入竖脊肌横截面积等创新指标。但当前研究存在单中心偏倚与动态数据不足，未来需多中心前瞻性验证，整合生理动态指标与多模态文本数据，探索先进算法，结合可解释AI技术，实现风险的实时更新与透明决策。

作者贡献声明：李敏烨负责文章的构思与设计、研究资料的收集、论文撰写；何郑霁和肖群负责研究资料整理，钟金岚和李朝慧负责表格的编辑、整理；罗屹惟负责论文修订；马慧负责文章的质量控制、审校与监督管理。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1]NIEDERMAN M S，TORRES A.Severe community-acquired pneumonia[J].Eur Respir Rev，2022，31（166）：220123.

[2]PUTOT A，GARIN N，RELLO J，et al.Comprehensive management of pneumonia in older patients [J].Eur J Intern Med，2025，135（5）：14-24.

[3]NAIR G B，NIEDERMAN M S.Updates on community acquired pneumonia management in the ICU [J].Pharmacol Ther，2021，217（1）：107663.

[4]SADASHIVAIAH J B，CARR B.Severe community-acquired pneumonia[J].Contin Educ Anaesth Crit Care Pain，2009，9（3）：87-91.

[5]EFTHIMIOUO，SEOM，CHALKOUK，et al.Developingclinical prediction models：a step-by-step guide[J].BMJ，2024，386（9）：e078276.

[6]TRICCO A C，LILLIE E，ZARIN W，et al.PRISMA Extension for Scoping Reviews（PRISMA-ScR）：Checklist and Explanation[J].Ann Intern Med，2018，169（7）：467-473.

[7]MOONS K G，DE GROOT J A，BOUWMEESTER W，et al.Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist [J].PLoS Med，2014，11（10）：e1001744.

[8]MOONSKGM，DAMENJA A，KAULT，et al.PROBAST+AI：an updated quality，risk of bias，and applicability assessment tool for prediction models using regression or artificial intelligence methods[J].BMJ，2025，388（3）：e082505.

[9]WANG X，JIAO J，WEI R，et al.A new method to predict hospital mortality in severe community acquired pneumonia [J].Eur J Intern Med，2017，40（5）：56-63.

[10]SATCHIDANAND N，SERVOSS T J，SINGH R，et al.Development of a risk tool to support discussions of care for older adults admitted to the ICU with pneumonia [J].Am J Hosp Palliat Care，2018，35（9）：1201-1206.

[11]HUANG D，HE D，GONG L，et al.A prediction model for hospital mortality in patients with severe commu nity-acquired pneumonia and chronic obstructive pulmonary disease[J].Respir Res，2022，23（1）：250.

[12]LI N，CHU W.Development and validation of a survival prediction model in elder patients with community-acquired pneumonia：a MIMIC-population-based study[J].BMC Pulm Med，2023，23（1）：23.

[13]ZHANG Y，PENG Y，ZHANG W，et al.Development and validation of a predictive model for 30-day mortality in patients with severe community-acquired pneumonia in intensive care units[J].Front Med（Lausanne），2024，10（1）：1295423.

[14]PAN J，BU W，GUO T，et al.Development and validation of an in-hospital mortality risk prediction model for patients with severe community-acquired pneumonia in the intensive care unit[J].BMC Pulm Med，2023，23（1）：303.

[15]SIRVENT J M，CARMEN DE LA TORRE M，LORENCIO C，et al.Predictive factors of mortality in severe community-acquired pneumonia：a model with data on the first 24h of ICU admission[J].Med Intensiva，2013，37（5）：308-315.

[16]SHANG N，LI Q，LIU H，et al.Erector spinae musclebased nomogram for predicting in-hospital mortality among olderpatientswithseverecommunity-acquiredpneumonia[J].BMC Pulm Med，2023，23（1）：346.

[17]WEI C，WANG X，HE D，et al.Clinical profile analysis and nomogram for predicting in-hospital mortality among elderly severe community-acquired pneumonia patients：a retrospective cohort study[J].BMC Pulm Med，2024，24（1）：38.

[18]SONG Y，WANG X，LANG K，et al.Development and Validation of a Nomogram for Predicting 28-Day Mortality on Admission in Elderly Patients with Severe Community-Acquired Pneumonia [J].J Inflamm Res，2022，15（7）：4149-4158.

[19]张康，杨浩，荆惠，等.不同年龄组重症社区获得性肺炎预后危险因素分析[J].安徽医科大学学报，2025，60（3）：558-564.

[20]GUO C，CAI Q，LI Y，et al.A cross-sectional National Health and Nutrition Examination survey-based study of the association between systemic immune-inflammation index and blood urea nitrogen levels in United States adolescents [J].Sci Rep，2024，14（1）：13248.

[21]ZARBOCK A，NADIM M K，PICKKERS P，et al.Sepsisassociated acute kidney injury：consensus report of the 28th AcuteDisease Quality Initiative Workgroup[J].Nat Rev Nephrol，2023，19，401-417.

[22]ZIAKA M，EXADAKTYLOS A.Brain-lung interactions and mechanical ventilation in patients with isolated brain injury [J].Crit Care，2021，25（1）：358.

[23]SEKINO N，SELIM M，SHEHADAH A.Sepsis-associated brain injury：underlying mechanisms and potential therapeutic strategies for acute and long-term cognitive impairments[J].J Neuroinflammation，2022，19（1）：101.

[24]COLLINS G S，REITSMA J B，ALTMAN D G，et al.Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis（TRIPOD）：the TRIPOD statement[J].BMJ，2015，350（1）：g7594.

[25]TANG Y，ZHANG Y，LI J.A time series driven model for early sepsis prediction based on transformer module [J].BMC Med Res Methodol，2024，24（1）：23.

[26]WANG W，SHAO J，JUMAHONG H.Fuzzy inferencebased LSTM for long-term time series prediction[J].Sci Rep，2023，13（1）：20359.

[27]LI M，LIU F，YANG Y，et al.Identifying vital sign trajectories to predict 28-day mortality of critically ill elderly patientswithacuterespiratorydistresssyndrome[J].RespirRes，2024，25（1）：8.

[28]DE SILVA K，MATHEWS N，TEEDE H，et al.Clinical notes as prognostic markers of mortality associated with diabetes mellitus following critical care：a retrospective cohort analysis using machine learning and unstructured big data [J].Comput Biol Med，2021，132（5）：104305.

[29]HUANG K，GRAY T F，ROMERO-BRUFAU S，et al.Using nursing notes to improve clinical outcome prediction in intensive care patients：a retrospective cohort study [J].J Am Med Inform Assoc，2021，28（8）：1660-1666.

[30]BRANKOVIC A，COOK D，RAHMAN J，et al.Clinician-informed XAI evaluation checklist with metrics（CLIX-M）for AI-powered clinical decision support systems[J].NPJ Digit Med，2025，8（1）：364.

A scope review of mortality risk prediction models for adult patients with severe community-acquired pneumonia

LI Minye1 HE Zhengji2 XIAO Qun2 ZHONG Jinlan1 LI Chaohui1 LUO Yiwei1 MA Hui1▲

1.Department of Nursing，Chinese People’s Liberation Army General Hospital，Beijing 100853，China;2.Nursing College，Southern Medical University，Guangdong Province，Guangzhou 510515，China

[Abstract] Objective To systematically review the existing mortality risk prediction models in adult patients with severe community-acquired pneumonia (SCAP)using a scope review approach，and to provide support for model improvement and clinical application.Methods The literatures of PubMed，Embase，Web of Science core collection database，Scopus，Cochrane Library，CNKI，Wanfang data，and CBM database were searched，from the establishment of the database to December 2024.Two researchers independently completed the literature screening and data extraction.They used the predictive model risk of bias assessment tool and artificial intelligence (PROBAST+AI) to evaluate the quality of the literature and summarize and analyze its content，elaborating on the construction features，methodological quality，and core predictors of the existing SCAP death risk prediction models.Results A total of 5 563 articles were obtained，and ultimately 10 were included，accounting for approximately 0.18%.The research types were mainly retrospective cohorts，with sample sizes ranging from 242 to 37 348 cases.There were two external validations.All models used logistic regression model，with core predictors including age，blood urea nitrogen，and Glasgow coma scale.The area under the of the model ranged from 0.713 to 0.893.The discrimination was generally good，but the sufficiency of validation and generalization were still limited.The quality assessment showed that the model had a low risk in the field of research subjects and outcomes，but there was generally uncertainty or high risk in the field of predictors and analysis.Only one studies simultaneously had low bias and good applicability.Conclusion The SCAP death risk prediction models share commonalities in the screening of predictors，but they lack methodological transparency and external validation，and have weak capabilities in the utilization of multimodal data and dynamic modeling.In the future，multi-center prospective validation needs to be carried out，the handling methods for missing data and model overfitting should be standardized，and the application of the model in the clinical management of SCAP patients should be promoted.

[Key words] Severe community-acquired pneumonia;Mortality risk;Predictive modelling;Scope review;PROBAST+AI;Model validation

[中图分类号] R563

[文献标识码] A

[文章编号] 1673-7210（2026）01（c）-0109-07

DOI：10.20047/j.issn1673-7210.25080190

▲通讯作者

（收稿日期：2025-08-04）

（修回日期：2025-11-05）