关于基因组学脓毒症亚型的研究多为前瞻性的小样本队列研究。

来自英国的Davenport等2016年的一项前瞻性队列研究，探索数据库来自265例社区获得性肺炎所导致的脓毒症患者，检测外周血白细胞的全基因表达，通过聚类来确立不同的脓毒症亚型，然后在另外106例患者中验证上述亚型。本研究确立了2个脓毒症亚型，即脓毒症反应特征（sepsis response signatures，SRS）1型（108例，41%）和SRS 2型。SRS1型表现出免疫抑制特性，包括内毒素耐受、T细胞衰竭和人白细胞抗原（human leukocyte antigen，HLA）Ⅱ表达下调。临床特征方面，SRS 1型疾病严重程度更重，更容易出现低血压和使用血管活性药物。SRS 1型的14 d、28 d和6个月病死率也均显著高于SRS 2型。上述结果在验证数据库中均得到了很好的验证。

另外一项关于基因组学脓毒症亚型的研究同样来自英国，探索数据来自306例脓毒症患者，第一验证数据为216例脓毒症患者，第二验证数据为上述Davenport等的265例社区获得性肺炎所导致的脓毒症患者，基因检测为包含140个基因的外周血全基因表达。结果发现，4个脓毒症亚型，即Mars 1~ 4型，其中Mars 1型病情最重，发生休克的比例最高，病死率也显著高于其他3个亚型。并且BPGM和TAP2基因对于Mars 1型的诊断具有特异性。

以上两项研究纳入的均为成人脓毒症患者，Wong等的研究旨在探索儿童脓毒症的基因组学亚型。该研究的探索数据纳入了168例儿童脓毒症患者，验证数据为132例脓毒症患者，检测了100个基因。结果将儿童脓毒症患者分成A和B 2个亚型，其中A型的病情更重，预后更差。并且该研究还分析了不同亚型对糖皮质激素治疗的异质性，发现A型患者糖皮质激素治疗显著获益，而B型则为阴性结果。

国内章仲恒团队根据基因表达数据库（the Gene Expression Omnibus，GEO）和ArrayExpress数据库的资料，纳入了1613例脓毒症患者，并将其分为2个亚型，1型的特点是免疫抑制，且病死率高于2型。此外，还常采用遗传算法（genetic algorithms，GA）建立了5基因模型（C14orf159、AKNA、PILRA、STOM和USP4）。在外部验证队列中，该模型比SRS亚型的分类方法表现更好，与急性生理学与慢性健康状况（acute physiology and chronic health evaluation，APACHEⅡ）评分表现相当。该研究还在一个数据库中进行了治疗异质性分析，发现2型患者使用氢化可的松会增加病死率，而在1型患者中则不会。

另外3项基于基因组学脓毒症亚型的研究也与上述结果类似或基于上述亚型，并且Wong等的另一项在儿童脓毒症中的研究同样发现了不同亚型对糖皮质激素治疗的异质性。

上述这些脓毒症亚型的优点是从根源上分型，将机制与临床结合，与肿瘤等传统疾病的分型及精准治疗类似。缺点是研究的样本量都较小，并且基因的检测时间长，而脓毒症病情急、变化快，临床决策需要非常及时、随时调整。另外，基因检测的费用也较高。

脓毒症患者的特点为病情重、发展快，需要临床上快速做出决策，因此，对于临床医师来说，可能没有足够的机会去花数天时间等待基因组学、微生物学或生物标志物等需要送检的定量化结果。而另一方面，脓毒症患者正因为病情危重，所以拥有非常丰富的电子病历资料，因此对于这类患者，应用直观的、可床旁快速获取的、丰富的临床数据来进行分型似乎更具有临床可实施性。

对于脓毒症而言，2019年度影响最大的文章，无疑是来自美国匹兹堡大学的Seymour等发表在JAMA上，根据临床大数据和机器学习方法探索脓毒症表型的研究。该研究采用聚类统计、机器学习及模拟的方法回顾性分析数据。在2万多例脓毒症患者中根据29个早期临床指标，确定了α、β、γ和δ 4个表型，并在另外4万多例脓毒症患者、1个既往队列研究和3个既往RCT的数据中验证上述表型。研究结果发现上述4种脓毒症表型具有不同的临床特征：α表型最常见，使用升压药物剂量最小；β表型患者年龄较大，合并症多及肾功能不全；γ表型患者炎症反应和呼吸功能不全更多；δ表型更多发生肝功能不全及休克。4种表型的28 d和365 d病死率显著不同，并且炎症标志物的水平也存在显著差异。模拟模型还发现，在既往的RCT数据中，改变表型频率能够显著改变试验结果。该研究开创性地应用重症医学中比较容易获取的早期临床指标，应用大数据和机器学习的方法确定了与宿主反应、临床预后和治疗效果相关的4种表型，具有重要意义。但关于大数据和精准治疗方面，不同医院数据的异质性和统计模型的选择仍是未来研究需考虑的方面。

国内章仲恒团队根据监护室医学信息数据集（medical Information Mart for Intensive Care Ⅲ，MIMIC-Ⅲ）数据库的临床资料，纳入了14 993例脓毒症患者，亦采用聚类统计学的方法，基于24 h内的临床指标，将脓毒症患者分成了4个亚型，1型为相对轻的患者，2型的特征为呼吸功能不全，3型为多器官功能不全和休克，4型为神经功能不全。其中，3型的90 d病死率和住院病死率均显著高于其他亚型，1型的病死率最低；3型患者液体入量最多，并且对于该型患者，液体入量多能降低病死率，而对于4型患者液体入量多，反倒增加病死率。

对于基于临床大数据的脓毒症分型，其优点是数据来自真实世界，获取简单，时效性强，费用低。但也存在一些缺点：① 电子病历数据异质性大，指标繁杂，缺少统一标准；② 数据缺失严重，部分指标的缺失率非常大，数据插补后会影响聚类的效果；③ 各项临床指标的选择时间窗不统一；④ 缺乏微生物和生物标志物等感染密切相关指标。