IF 10.6!郑州大学第一附属医院刘奇团队:“机器学习”预测心衰死亡,一区TOP轻松拿下!

点击蓝字 关注我们

文献解读

标题：利用压力-高血糖比预测患有既往慢性心力衰竭的重症监护病房患者28天全因死亡率：机器学习驱动的回顾性队列分析

发表期刊：Cardiovascular Diabetology

发表时间：2025年1月8日

影响因子：10.6/Q1

慢性心力衰竭（CHF）患者预后差，应激性高血糖常见但评估不准确。应激性高血糖比率（SHR）能校正基础血糖水平，但其对ICU中CHF患者28天死亡率的预测价值尚不明确。

1.数据提取

从MIMIC-IV数据库筛选ICU住院的慢性心力衰竭患者，计算应激性高血糖比率（SHR）= 入院血糖 / (28.7×HbA1c% - 46.7)。

2.统计分析

采用RCS、ROC、KM曲线、Cox回归及Boruta算法评估SHR与28天死亡率的关系及特征重要性。

3.机器学习

7:3划分训练/验证集，构建Coxph、KNN、贝叶斯、神经网络模型，通过AUC、DCA及校准曲线评价性能。

研究结果

图1.患者纳入流程图

从MIMIC-IV数据库初始12,861例CHF患者中，排除未检测HbA1c（11,948例）及随访<28天（2,821例），最终纳入913例。其中存活组425人，死亡组488人，死亡率53.5%

表1.基线特征

死亡组年龄更大（中位72 vs 63岁），收缩压、舒张压、血氧饱和度更低，呼吸频率更高。SHR在死亡组更高（1.2 vs 1.1）。感染性疾病（脓毒症、肺炎）在存活组更常见，而呋塞米使用在存活组更高。

图2.SHR与28天死亡率的RCS分析

未校正和校正后均显示SHR与死亡率呈显著正相关（P<0.001），风险随SHR升高而增加，证明SHR是独立预测因子。

图3.COX回归与亚组森林图

未校正HR=1.45（95% CI 1.32-1.59），校正后HR=1.43（1.29-1.58）。各亚组（性别、年龄、糖尿病、肝病、肾病、脓毒症等）HR均>1，交互作用P>0.05，表明SHR的预测效应不受这些因素影响。

图4.ROC曲线比较

SHR预测28天死亡的AUC为0.924（95% CI 0.904-0.943），高于ABG（0.910）和HbA1c（0.917）。SHR的最佳截断值为0.57，敏感性0.80，特异性0.98。

图5.KM生存曲线

以SHR=0.57为界，将患者分为高SHR组和低SHR组。高SHR组28天生存概率显著低于低SHR组（P=0.011），提示SHR可用于风险分层。

图6.Boruta算法特征重要性排序

绿色区域为重要特征，SHR被列为关键预测因子之一，其他重要变量包括年龄、pH、OASIS评分、SpO₂、MAP和美罗培南。红色区域为不重要变量，黄色为潜在重要变量。

图7.机器学习预测模型的建立与验证

神经网络模型AUC最高（0.801），KNN模型DCA净获益最大，校准曲线与参考线吻合良好，表明基于SHR的预测模型具有较高临床实用性。

总结