浙大二院又发1区，这次挖的MIMIC🤩

宝子们，今天和大家分享一篇浙大二院发表的一篇关于应激性高血糖比率（SHR）与重症脑血管病患者死亡风险的研究。

⭕️统计路线

数据来源与样本选择：研究数据来自MIMIC-IV数据库，共纳入2,461名脑血管疾病患者。

变量测量：收集了患者的年龄、性别、合并症、实验室检查结果、生命体征、疾病严重程度评分等信息。

SHR计算：SHR的计算公式为：[(入院血糖（mg/dL）)/(28.7 * HbA1c（%）− 46.7)]。

统计分析：

描述性统计：对连续变量和分类变量进行描述。

生存分析：采用Kaplan-Meier生存分析评估不同SHR组的死亡发生率。

Cox比例风险回归模型：构建了三个模型，分别未调整、部分调整和完全调整混杂因素，分析SHR与死亡风险的关联。

限制性立方样条（RCS）分析：用于评估SHR与死亡风险之间的关系是否为非线性。

ROC曲线和C指数：评估SHR对死亡风险的预测能力，并计算了IDI和NRI来评估SHR加入现有模型后的预测改进。

关键结果

SHR与死亡风险的关联：SHR每增加一个标准差，院内死亡风险增加35%，ICU死亡风险增加37%。当SHR超过0.77-0.79时，死亡风险显著增加。

亚组分析：在非糖尿病患者中，SHR与死亡风险的关联更为显著。此外，女性患者中SHR的预测价值更为突出。

预测能力的提升：将SHR加入现有的风险评分模型（如APSIII、SAPSII、OASIS和SOFA），AUC值均有显著提升，表明SHR能够增强模型对临床结果的预测能力。

⭕️简要结论

SHR是重症脑血管病患者院内死亡的独立风险因素，且与死亡风险呈线性关系。将SHR纳入现有预测模型可以提高模型的预测性能，有助于临床医生识别高风险患者，以便进行更密切的监测或早期干预。

⭕️思维分享

指标选择的重要性：本研究中，SHR作为一个新兴的指标，相较于传统的血糖测量方法，更能准确反映急性应激性高血糖状态。这提示我们在科研中，选择合适的指标对于研究结果的准确性和可靠性至关重要。

混杂因素的调整：在统计分析中，研究者通过构建不同的模型，逐步调整混杂因素，确保了结果的稳健性。这强调了合理控制混杂因素对于揭示变量之间真实关系的重要性。

预测模型的优化：通过将SHR加入现有模型，研究者成功提高了模型的预测能力。这表明不断探索和引入新的预测指标，对于优化现有预测模型具有重要意义。