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。

Leave a Reply

Your email address will not be published. Required fields are marked *