青岛大学附属医院挖MIMIC数据库发1区8.5分

文献标题： Combined assessment of stress hyperglycemia ratio and glycemic variability to predict all-cause mortality in critically ill patients with atherosclerotic cardiovascular diseases across different glucose metabolic states

⭕️研究背景

动脉粥样硬化性心血管疾病（ASCVD）重症患者的血糖管理是临床难题。应激性高血糖（SHR）和血糖波动（GV）与不良预后相关，但两者联合评估的预测价值尚不明确，尤其是在不同血糖代谢状态（正常糖调节NGR、糖尿病前期Pre-DM、糖尿病DM）患者中。本研究结合机器学习，探索联合指标的临床意义。

⭕️统计过程

数据来源：MIMIC-IV数据库，纳入2807例ASCVD重症患者。

分组：按HbA1c分为NGR、Pre-DM、DM三组。

核心指标：

SHR = 入院血糖 / (28.7×HbA1c -46.7)，反映急性高血糖程度。

GV = 血糖变异系数（标准差/均值×100%）。

分析方法：

Kaplan-Meier生存曲线、Cox比例风险模型、ROC曲线评估预测效能。

机器学习（逻辑回归、随机森林等）构建预测模型，Boruta算法筛选特征。

⭕️关键结果

NGR和Pre-DM患者：

联合SHR+GV的预测效能显著优于单一指标（28天死亡率AUC：NGR 0.688 vs. SHR 0.623，Pre-DM 0.712 vs. GV 0.593）。

高SHR+高GV组死亡风险最高（HR=2.07~2.78）。

DM患者：

联合评估仅对90天死亡率有微弱提升（AUC 0.578 vs. SHR 0.560），其他无显著优势。

机器学习：

随机森林（NGR组）和逻辑回归（Pre-DM/DM组）表现最佳，SHAP分析显示GV在非糖尿病人群中贡献显著。

简要结论

联合SHR+GV是NGR/Pre-DM患者死亡率的强预测工具，但对DM患者价值有限。

分层血糖管理：非糖尿病人群需重点关注急性高血糖和血糖波动，糖尿病人群需结合其他指标优化预后评估。

思维分享

多指标联合的临床意义：

单一指标易受混杂因素干扰，联合评估可捕捉不同病理机制（如急性应激vs.慢性波动）。

分层分析（如按血糖状态分组）能揭示异质性，提升结论的临床针对性。

机器学习应用：

特征选择：Boruta算法可避免过拟合，优先保留强关联变量（如APACHE II评分、乳酸）。

模型可解释性：SHAP分析帮助临床理解预测逻辑，增强结果可信度。