脓毒症是宿主对感染反应失调引发的危及生命的器官功能障碍，具有较高的病死率^[1]。它也是全人类所面临的重大医疗保健问题，2017年研究表明，全球脓毒症事件估计达4?890万例，相关病死1?100万例，占全球病死总数的19.7%，凸显其严峻负担^[2]。目前脓毒症常用SOFA、SIRS、NEWS等评分系统辅助早期诊断，但不能仅凭其确诊^[3]。这些评分系统存在诸多局限，例如SIRS特异度欠佳，易致假阳性与过度诊断^[4]，NEWS对特殊人群因生理参数差异易误诊漏诊^[5]，SOFA评分数据收集易延迟，影响早期诊疗^[6]，且它们普遍忽视病原体信息，不利于精准治疗。此外，脓毒症早期症状缺乏特异性，炎症指标和生物标志物也难以辅助精准判断，致使早期诊断困难^[7]。鉴于患者自身和所感染的病原体因素的异质性，抗菌药物的个体化给药非常重要^[8]，但患者个体差异大且缺乏预测治疗效果的生物标志物，目前难以实现精准治疗。抗生素使用的时间是治疗的关键环节，一项观察性研究显示，在ICU环境中，抗生素治疗每延迟1 h，病死率会增加1.5%^[9]。然而，病原菌感染的传统金标准诊断依赖血液培养，需48 h至几天确定抗菌药物敏感性谱，阳性率低，无法对感染早期进行指导治疗，在一定程度上促使了抗生素的不合理使用^[10]。而抗生素的滥用进一步促使耐药菌不断涌现和传播，导致脓毒症治疗中抗生素疗效大打折扣，增加治疗失败风险与病死率^[11]。因此，亟待开发兼具快速精准诊治能力与深度解析发病机制的新技术、新方法，用以优化脓毒症治疗策略，为改善患者预后、降低全球高病死率开辟新路径。

鉴于现有诊疗手段难以解决脓毒症早期诊断滞后、病原体鉴定耗时及个体化治疗缺乏依据等核心难题，拉曼光谱技术凭借其无创快速、高敏感度及分子级检测能力，成为突破上述临床瓶颈的关键技术选择。

1 拉曼光谱技术

拉曼光谱技术的发展历程可追溯至1928年，印度科学家Raman与Krishnan首次发现了拉曼散射效应^[12]，即当光照射到物质上发生散射时，除了与入射光频率相同的瑞利散射外，还有频率不同的散射光，这一发现为拉曼光谱技术奠定了基础。基于分子振动与转动模式的散射现象，利用光学效应揭示样品内分子的结构与化学状态，能直接展现活细胞及组织中分子的化学反应过程，推动化学生物学新技术发展^[13]。拉曼技术可检测的物质除了常见的生物流体类，如血浆、血清，尿液，肺泡灌洗液等^{[10, 14-16]}，还包括不常见的胃液、泪液、唾液等^[17-19]。此外，细菌悬液、组织切片等也可作为拉曼检测的样本^[20-21]，不同样本的拉曼检测，为疾病诊断、病情监测及发病机制研究等医学领域提供了多元的分子信息。依据实验条件、光谱特性和应用需求的差异，拉曼光谱被细分为多种类型：其中表面增强拉曼光谱（surface-enhanced Raman spectroscopy, SERS）近年来尤为活跃^[22]。SERS技术具有诸多优点（见附表1）。其敏感度极高，可将拉曼散射信号增强多达10至14个数量级，低至单分子层面也可以检测^[23]。单细胞拉曼光谱（single - cell Raman spectroscopy）聚焦于单个细胞层面的研究，能够精确探测单个细胞内分子的振动信息，获取每个细胞独特的拉曼指纹图谱^{[23, 24]}。新近兴起的电化学表面增强拉曼光谱（EC-SERS）涉及电磁与化学增强机制^[25]（见附表1），能在特定施加电压下检测分析物，模拟生物学意义电场环境，平均信号较常规SERS增强十倍，提供更强烈的光谱信息 ^[26]。此外，无标记拉曼光谱（label - free Raman spectroscopy）利用物质本身固有的拉曼散射特性，无需引入额外的标记物即可对样品进行直接检测与分析^[27]。有标记拉曼光谱（label - based Raman spectroscopy）则借助特殊标记物的引入来增强检测效果，例如将SERS与氘标记结合，在探究细菌耐药性进化轨迹及生物标志物检测等复杂体系分析场景中发挥着重要作用^{[10, 24]}。综上所述，拉曼光谱技术在医学领域中展现出广阔的应用潜力，在癌症诊断中，能基于分子结构差异助力早期筛查、分期及疗效监测^{[19, 28-29]}，在哨兵淋巴结定位和肿瘤靶向方面也存在潜力^[30]；能够实现无创、实时血糖监测，适用于不同年龄、肤色和肥胖的人群^[31]；脑膜炎识别时，能依脑脊液样本特征分子辅助分型^[32]；评估急性心肌缺血中，能够依靠线粒体膜电位早期检测心肌缺血，实现早诊断及评估预后^[33]。这些成果日益吸引研究者的密切关注，为拉曼光谱技术在脓毒症临床诊疗中的应用提供了新思路与借鉴，有望推动脓毒症诊疗方式实现革新。

2 拉曼技术在脓毒症诊疗中的应用 2.1 脓毒症病理生理机制的探索应用

脓毒症发病机制极为复杂，是病原体入侵机体后，引发全身炎症反应失控，并伴随免疫功能紊乱，进而导致多器官功能障碍的过程^[34]。在这一过程中，生物分子层面的代谢异常、细胞功能的改变以及病原体与宿主的相互作用等因素相互交织。炎症反应贯穿脓毒症全程，是引发后续器官功能障碍的关键因素。有研究通过拉曼光谱分析外周血白细胞成功区分了感染与脓毒症患者，检测准确率分别达到了93%和92%^[35]。这表明脓毒症患者的拉曼光谱特征与感染患者不同，指示出脓毒症特有的免疫表型。有助于阐释脓毒症早期免疫反应启动及后续免疫调节失衡机制。线粒体功能异常是脓毒症关键病理环节，Wu等^[36]首次揭示了在脓毒症小鼠中使用共振拉曼光谱（resonance Raman spectroscopy, RRS）体内检测线粒体氧化还原状态的可能性，研究发现拉曼还原线粒体分数（线粒体氧化还原状态的指标）的峰面积在诱导脓毒症后2 h显着波动，早于乳酸水平的变化。线粒体氧化还原状态可以反映细胞能量代谢，脓毒症时其显着改变，可揭示线粒体电子传递链分子状态，明确能量代谢障碍过程及与炎症反应的相互作用。Lin等^[37]提出了一种基于SERS的纳米探针，可直接获取多种不同活性氧物种（ROS）的拉曼指纹图谱，实现对线粒体呼吸产生的多种ROS的同时检测和准确区分。Morimoto等^[38]通过拉曼成像，在谷氨酸应激诱导后30 min就检测到了线粒体功能障碍。这些研究为阐释脓毒症时细胞层面能量危机引发器官功能障碍的机制提供关键线索。从整体代谢紊乱角度看，脓毒症会致使机体代谢网络严重失调。拉曼光谱对ICU患者血浆的分析发现，不同疾病状态下代谢物拉曼特征有别^[16]，据此能推断脓毒症时糖、脂、氨基酸等代谢途径异常，明确代谢紊乱在脓毒症发生发展中的作用，完善对其病理生理机制的认知。了解脓毒症病理生理机制对诊疗意义重大，通过监测炎症、线粒体功能、代谢等指标及评估器官功能，可及时把握病情，采取抗感染、液体复苏、免疫调节、器官功能支持等针对性措施以改善患者预后。

然而，拉曼技术目前多聚焦于少数已知关键分子，对复杂分子通路网络中各节点相互作用的动态监测能力较弱，难以全面描绘脓毒症发病过程中分子通路的级联反应与调控机制。尽管存在不足，拉曼技术仍展现出巨大的潜力与广阔的发展前景，机器学习和人工智能算法的引入，能够高效处理复杂光谱数据，准确分辨重叠谱峰，助力解析脓毒症相关分子通路。可以预见，拉曼技术必将在脓毒症病理生理机制研究中发挥愈发关键的作用。

2.2 炎性因子快速检测

脓毒症发生发展过程中，炎性介质的释放显着增加，其水平变化与病情严重程度紧密相关。拉曼技术凭借独特优势，在炎性介质检测领域展现出巨大潜力。降钙素原（procalcitonin, PCT）作为脓毒症诊断的重要标记物，可用于各种临床环境^[39]。SERS在检测PCT方面具有明显的优势，Wang等^[40]研究开发了一种基于表面增强拉曼散射的磁性免疫测定方法，通过在Au@Ag壳中嵌入2种不同的拉曼报告分子实现了双通道定量检测炎性因子白细胞介素-6（IL-6）和PCT，且未发生与C反应蛋白的交叉反应，提供了临床检测脓毒症生物标志物的新技术参考。Shen等^[41]研究开发了一种原位拉曼增强策略（i-SERS），针对PCT检测实现了更好的敏感度和定量检测结果，实验过程仅需16 min。Wang等^[42]设计了一种具有多位点捕获和无干扰定量的新型SERS生物传感器，在联合检测脓毒症生物标志物IL-6和PCT表现出优异的选择性和特异性。相较于传统检测方法，拉曼技术大大缩短检测时间，提高检测效率，为脓毒症早期诊断争取宝贵时间。同时，由于其检测过程基于分子固有特性，受样本复杂背景干扰较小，检测结果更为准确可靠，有助于临床医生及时、精准判断患者炎症反应程度，这为脓毒症的早期诊断、病情评估以及预后判断提供了多维度生物信息，提升了诊断的全面性与准确性，有助于实现脓毒症的精准诊疗。

2.3 病原体的快速鉴定 2.3.1 细菌鉴定

在脓毒症病原体中，细菌占据重要地位，血培养是诊断脓毒症的重要方法，但阳性率较低，即便有明显的脓毒症临床证据，仍有约90%培养为阴性，且需要数天才能出结果，难以满足临床早期快速诊断的需求^[43]（见附表3）。而宏基因测序（mNGS）虽可检测多种病原体核酸，但存在成本高、实验室工作负担重、获取结果时间长以及数据解释困难等问题^[44]（见附表3）。拉曼技术为细菌鉴定提供了一种快速、准确且不依赖血培养的新方法。Wang等^[45]构建了一种超灵敏的SERS夹心细菌传感器（命名为USSB）金黄色葡萄球菌表现出超高的检测敏感度（见附表2）。Rebrosova等^[46]将拉曼光谱与光镊相结合来加速鉴定血流感染病原体，并直接从加标的人血清中捕获和分析微生物，使整个鉴定过程几乎是实时的。Wang等^[47]基于SERS成功区分了含有或不含结核分枝杆菌（Mtb）的痰样本，准确率达到94.32%，并区分了不同耐药特征的Mtb菌株，证明拉曼在结核感染的快速诊断中具有应用潜力（见附表2）。Ayala等^[48]利用拉曼光谱鉴定B群链球菌（GBS）引起的新生儿脓毒症，并将其与大肠杆菌和金黄色葡萄球菌区分开来。Arend等^[49]利用拉曼光谱技术有效地区分和识别了外周血中性粒细胞的细菌和真菌感染。Wang等^[50]开展了一项在SERS基础上使用硼酸功能化的多巴胺包被的Au@Ag纳米颗粒作为探针检测致病菌的研究，该研究于30 min内便对金黄色葡萄球菌、大肠埃希菌、痢疾志贺菌、铜绿假单胞菌和肺炎克雷伯菌作出分类（见附表2）。这些研究使得临床医生能够快速明确感染病原菌，及时调整抗生素使用方案，降低抗生素耐药风险，对脓毒症的治疗具有重要指导意义。

2.3.2 真菌鉴定

除细菌外，念珠菌、霉菌等真菌也是导致脓毒症发生的常见病原微生物。Xu等^[51]开发了单细胞拉曼光谱结合人工智能的快速真菌感染识别方法，涉及94例患者的临床真菌分离物，生成115?129个单细胞拉曼光谱，实现了100%的真菌物种识别准确率，并在1 h内完成尿路感染的诊断（见附表2）。De Gussem等^[52]利用共焦拉曼光谱技术的高空间分辨率收集了多种大型真菌的单个担子孢子光谱。通过不同的化学计量学预处理技术对拉曼光谱进行处理，并使用线性判别分析，约90%的光谱可被分配到正确的属。拉曼光谱技术可通过分析真菌的特征光谱来快速、准确地鉴别脓毒症中的真菌种类，有助于临床及时制定针对性的治疗方案。

2.3.3 病毒鉴定

随着对脓毒症发病机制研究的深入，病毒感染引发的脓毒症受到越来越多关注。拉曼技术在病毒鉴定方面也崭露头角。对于流感病毒、呼吸道合胞病毒等常见致病病毒，拉曼光谱能够反映其病毒粒子的核酸结构、蛋白质外壳等特征^[53-55]。通过对感染细胞或病毒样本的拉曼检测，结合病毒特异性光谱特征分析，可实现对病毒的快速鉴定和分型。Ye等^[56]提出了一种基于机器学习的拉曼光谱分析方法，用于快速识别人类病毒和禽类病毒，分别实现了99%（甲型与乙型流感病毒）、96%（四种甲型流感亚型）、95%（包膜与非包膜病毒）、99%（禽冠状病毒与其他禽类病毒）的准确率，验证了模型在识别病毒拉曼特征方面的有效性（见附表2）。Yang等^[57]的研究基于SERS和机器学习的无标记诊断平台，能够快速、准确地检测13种呼吸病毒，实现了病毒种类及变种的分类，准确率超过99%。Moitra等^[58]基于SERS和机器学习设计了一组针对SARS-CoV-2 N基因的抗病毒DNA探针，能够有效区分临床阳性与阴性样本，敏感度约为100%，特异度约为90%，可实现对目前所有SARS-CoV-2变种的有效检测（见附表2）。在临床诊断中，这有助于早期明确病毒感染病因，为抗病毒治疗提供及时指导，同时也有助于对脓毒症的病原体进行全面排查，避免漏诊误诊，为患者的精准治疗奠定基础，有效改善脓毒症患者的临床预后。

3 拉曼光谱技术应用于脓毒症诊疗的国内外代表性研究

国内研究聚焦拉曼光谱技术在脓毒症检测的敏感度提升与多指标集成。Zhou等^[14]构建Ag涂层磁性“海胆核-多孔壳”SERS传感器，同步检测超敏反应蛋白（C-reactive protein, CRP）、IL-6、PCT，检测限低至0.1~100 fg/mL，与临床检测一致性超99%；Wang等^[45]开发生物启发式SERS夹心传感器，以树状介孔硅与Fe₃O₄@Au构建双模块，实现金黄色葡萄球菌7CFU/mL超灵敏检测，脓毒症小鼠血样检测耗时 < 1 h且与血培养吻合度98%；Huang等^[39]开发i-SERS策略与微流控芯片，将PCT检测限降至0.03 ng/mL、检测时间缩至16 min，适配床旁即时检测场景。

而国外研究侧重临床特殊场景适配与技术融合：O'Toole等^[8]通过无标记拉曼分析烧伤患者血浆细胞外囊泡（extracellular vesicles, EVs），结合PCA/QDA模型实现脓毒症识别敏感度97.5%、特异度90%，并可追溯致病菌类型；Kim等^[59]制备3D金-银合金纳米柱SERS传感器，同步检测4种免疫蛋白，结合SVM算法实现脓毒症四阶段分类准确率95.0%、精准度95.8%；Nguyen等^[60]利用M13噬菌体构建介孔SERS底物，实现CRP、PCT、可溶性髓系细胞触发受体-1（sTREM-1）三重检测，检测限27~103 pM，血清检测稳定性良好（RSD < 8%）。

上述研究从检测敏感度、多指标同步性、临床场景适配性等维度突破，为脓毒症早期诊断、病原体识别及病情分型提供多元化技术路径，推动拉曼光谱从实验室向临床转化。

4 拉曼技术与人工智能（AI）结合对脓毒症诊疗的应用

拉曼光谱技术与AI的结合极具潜力，拉曼原始光谱数据复杂难析，而AI中的卷积神经网络（convolutional neural network, CNN）和循环神经网络（recurrent neural network, RNN）算法则能大显身手。CNN通过卷积核识别光谱细微差异，精准定位生物分子；RNN可捕捉生物分子动态变化。二者结合，在癌症筛查^[61-65]、检测血药浓度^[66]等应用场景中，能快速精准检测生物分子，助力医学研究与诊疗，在生物医学领域优势显著^[67]。但当前其应用面临样本异质性强、高质量样本稀缺、标注偏差与隐私限制等突出数据问题，而深度学习与大数据融合对此可发挥独特价值：深度学习可在低信噪比的情况下，识别光谱重叠峰，快速识别30种常见病原体并达到平均82%的分离准确率^[68]，还可利用数据增强方法增加光谱数据量，对8种不同致病细菌物种的分类准确率达到99.99%^[69]。拉曼光谱与临床信息融合更具巨大潜力：Wang等^[47]研究表明，单独SERS检测结核分枝杆菌（MTB）感染的诊断特异度为86%，融合临床证据（患者结核接触史、胸部CT结核病灶、结核菌素试验结果）后特异度提升至92%，且对耐药MTB的识别准确率达94.32%。融合拉曼动态监测数据与临床疗效指标（如SOFA评分、APACHE Ⅱ评分等），能构建“早期预警-治疗监测-预后分层”体系，提前预警风险，实现个体化预后评估。将该技术用于脓毒症诊疗，可缩短早期诊断时间、提升特异性，助力病情监测与疗效评估，辅助精准选药，有望成为临床管理关键技术。特异度然而，目前拉曼技术结合AI诊疗脓毒症的相关研究还太少，在临床广泛推广应用前，仍亟需大量高质量的研究来夯实理论基础与实践经验，以充分挖掘其在脓毒症诊疗中的全部潜力。

5 小结与展望

近年来，拉曼光谱技术凭借无创、快速、可解析分子信息的优势，在脓毒症诊疗中作用显著：病理机制研究上，共振拉曼可早期监测线粒体氧化还原状态，SERS助力解析炎症因子与代谢物关联；临床诊断中，SERS将PCT、IL-6检测缩至16~30 min；治疗监测时，30 min内完成致病菌分类，结合机器学习区分耐药菌株，为精准用抗生素提供依据。其核心创新在于技术融合与靶点突破，SERS结合CNN等算法解决光谱解析难题，病原体鉴定准确率超99%，还提出“线粒体氧化还原状态”预警指标、建立“单细胞拉曼指纹库”等，摆脱血培养依赖。但该技术仍面临诸多局限：技术层面，SERS基底批次差异致信号重现性不足，AI模型适配复杂感染差，设备成本高、通量低；临床层面，样本异质性强、缺乏统一标准，难精准定位耐药基因，对低浓度耐药菌检测敏感度不足。这些局限性的本质是特异性标志物不足、分子动态监测弱、早期诊断特异性低、床旁检验（POCT）设备适配性差等核心问题未解决。未来可聚焦多方向发展：结合多组学挖掘亚型标志物、研发微流控集成化POCT设备、联用多技术拓展场景、建立耐药基因-拉曼信号关联模型与疗效评分体系等。尽管目前应用尚处初级阶段，随技术成熟、标准化完善及多中心验证，其有望成为脓毒症精准诊疗核心工具，助力降低全球脓毒症病死率。

利益冲突??所有作者声明无利益冲突

本文附录请登陆中华急诊网（www.cem.org.cn）浏览（Html格式全文）