TYG！！山西医科大学二院挖MIMIC发1区！

⭕️文献标题

《Association between triglyceride-glucose index and mortality in critically ill patients with atrial fibrillation: a retrospective cohort study》

⭕️研究背景

房颤（AF）是ICU中常见的高危心律失常，患者常伴多器官并发症，死亡率居高不下。TyG指数（甘油三酯-葡萄糖指数）是评估胰岛素抵抗的新指标，已被证实与心血管疾病相关，但其在危重房颤患者中的预后价值尚不明确。本研究利用MIMIC-IV数据库，首次探索TyG指数与危重房颤患者全因死亡率的关系。

⭕️统计过程

数据来源：回顾性队列研究，纳入MIMIC-IV数据库中1473例ICU房颤患者。

变量调整：

基线特征：年龄、性别、合并症（高血压、糖尿病等）。

统计模型：多变量Cox比例风险回归（分3层调整混杂因素）。

方法：Kaplan-Meier生存分析、限制性立方样条（验证线性关系）。

分层分析：按TyG指数三分位分组，并探索亚组（如是否合并糖尿病）。

⭕️关键结果

死亡率关联：

高TyG组（T3）30天死亡率风险增加39%（HR=1.39, 95%CI:1.05-1.83）。

90天和365天风险同样显著（P均<0.05）。

线性关系：限制性立方样条显示TyG与死亡率呈线性正相关（非线性P>0.05）。

亚组差异：在非糖尿病患者中关联更强（HR=1.43），而糖尿病患者中无显著关联。

⭕️简要结论

TyG指数是危重房颤患者死亡的独立预测因子，尤其适用于非糖尿病人群。这一指标简单易得（仅需血糖+甘油三酯），可为ICU风险分层提供新工具！

⭕️思维分享

变量调整策略：多模型分层调整（如基线→临床→治疗因素）能增强结果可信度，避免遗漏混杂。

注重亚组分析：比如本文中，切分人群，按是否患糖尿病分组。一句话总结，亚组分析=“精准拆解人群”，让研究结果更靠谱！

数据收集

1. 数据来源：

使用了 MIMIC-IV 数据库（Medical Information Mart for Intensive Care IV），版本 3.1，包含 2008 年至 2019 年美国波士顿贝斯以色列迪士尼医疗中心 ICU 住院记录。
数据收集涵盖人口统计信息、病史、实验室参数、用药、特殊情况、评分系统、生命体征和死亡时间等。
所有实验室参数均在首次 ICU 入院的第一天记录。

研究人群

1. 纳入标准：

首次因房颤（AF）住院并进入 ICU 的患者。
AF 的诊断通过 ICD-9/10 编码确认。

2. 排除标准：

多次住院的患者；
缺乏 ICU 入院第一天的空腹血糖和甘油三酯数据；
ICU 入院 24 小时内死亡或出院的患者。

数据处理

1. 主要变量：

TyG 指数计算公式：TyG 指数 = ln[空腹甘油三酯(mg/dL) × 空腹血糖(mg/dL)] / 2

2. 主要终点：

主要终点为 30 天全因死亡率，次要终点为 90 天和 365 天全因死亡率

3. 分组：

按 TyG 指数分为三分位数组（T1, T2, T3）
按是否在 30 天内死亡，将患者分为 生存组 和 死亡组

数据分析

1. 单变量分析：

比较不同 TyG 指数组间的基线特征，使用：
连续变量：t 检验或 Mann-Whitney U 检验；
分类变量：卡方检验；
Pearson 卡方检验用于分类变量间的比较；
Fisher 精确检验用于样本量较小的分类变量。

2. 生存分析：

Kaplan-Meier 生存分析 用于评估不同 TyG 指数组的生存率差异；
使用 log-rank 检验比较差异。

3. Cox 回归模型：

使用 Cox 比例风险回归模型评估 TyG 与死亡风险的关系，计算 HR 和 95% CI。
三种模型调整情况：
模型 1：未调整；
模型 2：调整年龄、性别、体重、种族、高血压、糖尿病、心肌梗死等；
模型 3：进一步调整心率、平均动脉压、白细胞计数、红细胞压积、肌酐等更多变量。

4. 限制性立方样条回归：

用于评估 TyG 与 30 天、90 天和 365 天死亡率之间的非线性关系。

5. 亚组分析：

不同人群（年龄、性别、种族等）下的 TyG 指数预后价值，通过交互项评估。