慢加急性肝衰竭(acute-on-chronic liver failure，ACLF)的病情危重，死亡率高，其早期预警、早期预后判断至关重要，相关研究始终是肝病研究的热点。我国是乙肝大国，乙肝也是ACLF的首要病因之一。乙肝相关慢加急性肝衰竭(acute-on-chronic hepatitis B liver failure，ACHBLF)指慢性乙肝或肝硬化患者在肝功能变化处于相对稳定的状态下，因各种急性损伤，如乙型肝炎病毒突破、特异性免疫应答激活、合并其他肝炎病毒感染、药物性肝损害、酒精性肝损害或身体其他部位的感染和炎症等，导致肝功能迅速恶化直至肝衰竭。它有别于西方国家以药物、酒精引起的肝衰竭。因此，我们有必要根据ACHBLF患者的临床特点，建立针对该特定病种的预后预警模型，以期能指导和优化ACHBLF患者的治疗，改善预后。　　本研究第一部分首先以当前临床上最常用的终末期肝病模型(model forend-stage liver disease，MELD)为基础发展而来的MELD-Na、MELDNa、MESO、iMELD、UKELD等六种MELD相关评分体系，应用于特定的ACHBLF患者群体，以期评价MELD相关评分体系在预测ACHBLF预后中的价值。本研究队列来自单一医疗中心，共计入选327例诊断为ACHBLF的住院患者，并进行随访。入选患者的平均年龄46.5±13.2岁，男260例，女67例。3个月随访中死亡124例，生存203例。通过计算上述六种评分并用ROC(receiver operating characteristiccurve)分析进行比较，结果发现:MELD、MELD-Na、MELDNa、MESO、iMELD、UKELD的ROC曲线下面积(area under the receiver operating characteristic curve,AUROC)分别为0.630(95％可信区间(confidence interval，CI):0.575-0.682)、0.556(95％ CI:0.500-0.611)、0.609(95％ CI:0.553-0.662)、0.537(95％CI:0.481-0.592)、0.555(95％CI:0.500-0.610)和0.530(95％CI:0.475-0.586)。虽然MELD和MELDNa的绝对值高于其余四个评分模型，但六个评分体系的AUROC值均小于0.7，可认为它们均不能很好的预测ACHBLF预后，无法满足临床应用的要求。　　接下来的第二部分则利用传统线性数理模式成功构建了一个基于肝病相关参数的Logistic回归模型（命名为LRM）以及一个整合心电参数的Cox比例风险回归模型（命名为ALPH-Q），它们的预测效能也在不同的独立队列得到了进一步的验证。首先，LRM模型构建于单一中心的242例患者临床与肝病相关的参数，平均年龄为46.0±12.9岁。在为期3个月的随访中，共有75位患者死亡。经单因素与多因素分析，结果发现:肝性脑病(比值比(odds ratio，OR)=2.165，95％ CI:1.015-4.616，P=0.046)，肝肾综合征(OR=9.767，95％ CI:4.273-22.328,P＜0.001)，肝硬化(OR=2.339,95％CI:1.110-4.930, P=0.025),乙肝e抗原(OR=2.874，95％ CI:1.376-6.003，P=0.005)和凝血酶原活动度/年龄(OR=0.12，95％ CI:0.037-0.395，P＜0.001)都是判断ACHBLF患者预后的独立危险因素。根据上述五个参数构建出的LRM=-1.343+0.772×HE+2.279×HRS+0.85×LC+1.026×HBeAg-2.117×PTA/age。根据公式P=1/（1+e-RE）算出该回归预测模型P＜0.001，GOF值为0.901;假阳性率为5％。LRM的cut-off值为0.2212，该值对应的敏感度和特异度分别为86.7％和75.5％。LRM对短期3个月的生存率的预测价值很高，其AUROC为0.873(95％CI:0.825-0.912)。而相比而言，MELD评分的AUROC为0.694(95％CI:0.632-0.752)，Child-Pugh评分的AUROC为0.718(95％ CI:0.657-0.774)，Sun模型评分的AUROC为0.786(95％ CI:0.729-0.836)。它们都明显低于LRM(P值分别为P＜0.001，P＜0.001和P=0.002)。为进一步验证LRM的能力，将其应用于一个完全独立的外单位的新队列中（共计210例患者），经检验，结果发现LRM模型预测的效能依然比其它模型要优越，准确度更高。其中，LRM的AUROC为0.844(95％ CI:0.788-0.891)，明显高于MELD评分的0.775(95％CI:0.712-0.830，P=0.035)。同样，Child-Pugh评分的AUROC为0.601(95％CI:0.532-0.668)，Sun模型评分的AUROC为0.753(95％ CI:0.688-0.809)。它们都明显低于LRM(P值分别为P＜0.001，P=0.004)。接下来，考虑到心脏与肝脏所存在的密切联系，尤其是肝病患者常伴有心率变时性功能不全，机电分离，QT间期延迟等电生理异常，我们首次引入了包含心电参数并充分利用生存资料数据的评分模型ALPH-Q:0.033年龄+1.013肝硬化（是=1，否=0）+0.031凝血酶原时间（秒）+0.994肝性脑病（是=1，否=0）+0.008QTc（毫秒）。此评分基于Cox回归模型，包含了年龄、肝硬化、PT、肝性脑病及QTc等参数。在第一个队列中展示出优于Child-Pugh，MELD及LRM评分的效能(P＜0.001)。同时，在外部的前瞻性队列验证中，ALPH-Q评分的预测能力比Child-Pugh，MELD评分高出25.2％及14.8％(分别为P＜0.001，P=0.033);而与LRM评分相比，虽然在统计学无显著差异(0.837(95％ CI:0.746-0.905) vs0.818(95％ CI:0.724-0.890)，P=0.522)，但在绝对值上有进一步的提高。　　疾病是错综复杂的，大多数情况下简单的线性回归并不能满足要求。疾病的各观察指标之间常常会有相关性，这就造成了变量间的共线性问题。第三部分采用人工神经网络(artificial neural network，ANN)这种非线性的模型来处理复杂的生物系统问题，探索构建乙肝相关慢加急性肝衰竭的非线性预后模型，同时，检验该模型的可重复性及应用性。本研究将本中心入组的402例患者数据按7∶3比例随机分为训练数据（280例）与验证数据（122例）。在ANN网络输入层纳入单因素分析有意义的6个参数(血清钠(OR=0.899，95％ CI:0.866-0.932，P＜0.001)，总胆红素(OR=1.026，95％ CI.1.005-1.047，P-0.015)，年龄(OR=1.039，95％ CI:1.022-1.055，P＜0.001)，凝血酶原活动度(OR=0.955，95％ CI:0.941-0.970，P＜0.001)，血红蛋白(OR=0.984，95％ CI:0.975-0.993，P＜0.001)，乙肝e抗原活性(OR=2.101，95％ CI:1.399-3.155,P＜0.001))，隐含层设计为3层，而输出层为因变量（3月内的死亡结局），即0，1二值变量。经ROC分析，由上述6个参数组成的ANN网络模型，在训练组与验证组中预测ACHBLF患者3月内死亡的能力均最强，AUROC分别为0.869(95％CI:0.823-0.906)与0.765(95％ CI:0.680-0.837)，高于当前使用的MELD系列相关评分，且均有显著统计学差异。　　在第四部分，研究引入了条件生存率评估(conditional survivalestimate，CSE)，它能够以实时监测的模式对死亡风险进行预测。先前模型的构建模式主要建立在单点测量的变量上，如基线数据。然而，这些取自于单点的静态变量，特别是在发病早期，总是易受病人敏感性和特异性的不同而有所差异。因此，我们急需一种灵活且可以实现动态判断疾病严重程度和预测预后的方法。本研究采用额外4周生存率来计算条件生存率，它起由再额外生存4周时间的存活概率和目前总体生存期的存活概率的比值来决定，即CS4=OS(X+4)/OS(X)。278例来自三个医学中心ACHBLF患者入组了该研究，并前瞻性随访了36.2±12.3月。有109例在随访期(39.2％)内死亡。患者在2周，4周，6周，8周，12周的实际总体生存率分别是80.5％，71.8％，69.3％，66.0％，63.7％。并且在患者分别生存了1周，3周，5周，7周，9周后，通过条件生存率估计未来再生存4周的概率分别是74％，86％，92％，93％，97％。当与具备良好预后因素患者的总体生存率比较时，具备不良预后因素的患者，如MELD＞25，Child C级，年龄＞45，肝性脑病，国际标准化比值＞2.5，能够获得最大实际生存率的提高(△36％vs△10％;△28％ vs.△16％;△29％vs.△15％;△60％ vs.△12％;△33％ vs.△12％;所有P＜0.001)。　　最后，在第五部分，由于近年来免疫与炎症在慢加急性肝功能衰竭发病机制中的地位越发重要，已不断涌现出一批反映慢加急性肝衰竭预后的新的标记物。我们猜测，新的有价值的预后标记物的整合将有助于进一步完善现有的预警系统。我们基于文献报道的与乙肝相关慢加急性肝衰竭有关的常用的免疫与炎症指标，采用流式细胞术检测外周新鲜血中Treg与Th17的数量，以及ELISA法检测血清中IL-2、IL-4、IL-10、IL-17、TNF-α、TGF-β1、IFN-γ的含量。结果发现:与存活组患者相比，死亡组患者Treg计数偏低(1.83±0.74 vs2.83±0.60，P＜0.001)，而Th17计数偏高(4.68±0.90 vs3.77±0.67，P＜0.001)。在炎症指标方面，死亡组患者IL-2水平更低(41.2±17.9 ng/ml vs60.5±14.9 ng/ml)，IL-10水平更低(23.3±10.4 ng/ml vs33.6±9.8 ng/ml，P＜0.001);而IL-4(176.9±33.3 ng/ml vs158.5±48.5 ng/ml,P=0.046)、IL-17(45.2±7.6 ng/ml vs35.7±6.3 ng/ml,P＜0.001)、TGF-β1(280.2±40.4 ng/ml vs238.4±40.3 ng/ml,P＜0.001)、TNF-α(126.7±15.3ng/ml vs117.5±24.1 ng/ml，P=0.042)均升高。IFN-γ在两组间无显著差异(52.6±14.0 ng/ml vs50.5±15.9 ng/ml，P=0.515)。经多因素logistic回归分析把单因素分析中有显著统计学意义的自变量全部纳入，并把患者3月内的死亡结局视为因变量。结果发现年龄(OR=1.106，95％ CI:1.029-1.188,P=0.006)，血钠(OR=0.821,95％ CI:0.693-0.972,P=0.022),Treg百分数(OR=0.093，95％ CI:0.012-0.736，P=0.024)，Th17百分数(OR=13.434,95％CI:2.055-87.820,P=0.007), IL-2(OR=0.927,95％CI:0.861-0.999,P=0.046)和IL-10(OR=0.846,95％ CI:0.748-0.956,P=0.008)都是判断预后的独立危险因素，并纳入所新构建的人工神经网络的（命名为ANN2）的输入层。隐含层设计为3层，而输出层为因变量（3月内的死亡结局），即0，1二值变量。通过ROC分析，比较ANN2、ANN1（注:第三部分所构建的网络）、LRM（注:第二部分所构建的模型）、MELD、Child-Pugh评分的预测能力。结果显示:ANN2预测3个月死亡率的准确性最高(AUROC=0.929，95％ CI:0.858-0.971)。而其他模型的结果为:ANN1(AUROC=0.858，95％ CI:0.772-0.921,P=0.013), LRM(AUROC=0.795,95％ CI:0.701-0.871,P=0.003),MELD(AUROC=0.671,95％ CI:0.567-0.763,P＜0.001), Child-Pugh(AUROC=0.640，95％ CI:0.535-0.735，P＜0.001)。ANN1、ANN2以及LRM均展示了较为良好的预后预测性能，而MELD与Child-Pugh的曲线下面积均低于0.7，在实际临床应用中能力欠佳。同时，结果也提示，人工神经网络良好的非线性模型构建及预测能力。　　本研究中，以当前最新的免疫与炎症标记物所构建的ANN2预测能力显著高于之前以常规临床指标构建的ANN1以及传统线性模型所构建的LRM。