构建用于预测急性心肌梗死合并心源性休克患者院内死亡率的预测模型

《Frontiers in Cardiovascular Medicine》：Construction of a predictive model for in-hospital mortality in patients with acute myocardial infarction complicated with cardiogenic shock

AMI合并CS患者院内死亡率预测模型的构建与验证，采用回顾性分析纳入150例患者，通过LASSO回归筛选出年龄、LVEF、CK-MB、hs-CRP及β/ACEI/ARB/降脂药使用等7项独立预测因子，构建列线图模型，训练集与测试集AUC分别为0.941和0.981，校准曲线与决策曲线分析显示良好一致性。

　　急性心肌梗死（AMI）合并心源性休克（CS）是一种严重的临床状况，具有极高的死亡率和发病率，对医疗系统的挑战尤为突出。在这一患者群体中，早期识别高危个体并实施个性化治疗策略对于改善预后至关重要。然而，目前缺乏一个经过验证的临床预测模型，能够准确评估这些患者的住院死亡风险。为此，本研究旨在开发并验证一个实用的预测模型，为临床医生提供一个便捷的工具，以辅助快速风险分层和制定个体化治疗方案。

本研究基于对上海同济医院心内科临床数据库的回顾性分析，收集了1,419名AMI患者的资料，最终纳入了150名合并CS的患者。这些患者被随机分为训练组（70%）和测试组（30%），以确保模型的稳定性和独立验证能力。在训练组中，研究团队通过逻辑回归分析筛选变量，并进一步使用LASSO回归方法进行优化，以减少多重共线性并提高预测效率。最终确定的七个独立预测变量包括年龄、左心室射血分数（LVEF）、肌酸激酶同工酶MB（CK-MB）、高敏C反应蛋白（Hs-CRP）、β受体阻滞剂使用情况、血管紧张素转换酶抑制剂/血管紧张素受体阻滞剂（ACEI/ARB）使用情况以及他汀类药物使用情况。这些变量均在住院期间可获取，并且符合临床指南，确保了模型的实用性。

在模型的内部验证过程中，研究团队使用了多种评估方法，包括受试者工作特征曲线（ROC）下的面积（AUC）、校准曲线以及决策曲线分析（DCA）。结果显示，该模型在训练组中的AUC为0.941，在测试组中的AUC达到0.981，表明其在区分高危与低危患者方面表现出色。校准曲线进一步验证了模型预测结果与实际观察结果之间的良好一致性，而DCA则表明模型在广泛的阈值概率范围内具有显著的临床价值。这些结果共同证明了该模型在临床应用中的可行性，为早期风险评估提供了有力支持。

该研究的成果不仅为临床医生提供了一个新的工具，还对当前的预测模型进行了对比分析。例如，IABP-SHOCK II和CardShock等已有的CS评分系统虽然在某些情况下具有参考价值，但它们通常依赖于需要侵入性操作或特殊实验室检测的指标，如动脉乳酸水平和心肌收缩力指数。相比之下，本研究开发的模型基于在患者入院初期即可获取的常规临床和实验室参数，无需额外的检测手段，因此在实际应用中更具优势。此外，本模型特别针对AMI-CS患者进行了优化，纳入了AMI特异性标志物（如CK-MB）和治疗措施，这可能进一步提高了其在这一特定人群中的预测能力。

在临床特征方面，研究团队发现，存活患者与非存活患者在多个关键指标上存在显著差异。例如，存活患者的平均年龄显著低于非存活患者（66.14岁 vs. 72.44岁），且吸烟比例更高（66.06% vs. 24.39%），β受体阻滞剂使用率也更高（61.47% vs. 9.76%）。这些结果表明，年龄和心血管疾病相关的危险因素在AMI-CS患者中对预后有重要影响。同时，LVEF在存活患者中显著高于非存活患者（53.06% vs. 48.71%），这与心功能评估的重要性相吻合。此外，存活患者的Hs-cTnI、CK-MB、肌酐（Cr）、Hs-CRP和NT-pro-BNP水平均显著低于非存活患者，提示这些生物标志物在预测住院死亡风险方面具有重要作用。

值得注意的是，尽管吸烟是公认的冠心病危险因素，但本研究发现，吸烟者在存活患者中所占比例显著高于死亡患者。这一结果可能与吸烟患者在生理功能上相对较好的保存有关，尤其是在关键疾病阶段，其年龄较小且可能具有较好的基础健康状况。这一现象虽然与传统观念相悖，但提示我们在制定风险分层策略时，需要综合考虑多种因素，包括患者的年龄、基础健康状况和治疗反应。未来的研究应进一步探讨这一看似矛盾的结果，并评估是否需要在不同患者群体中调整风险评估的阈值。

此外，本研究还强调了β受体阻滞剂、ACEI/ARB和他汀类药物在AMI-CS患者中的使用情况与预后之间的关系。虽然这些药物在急性期可能因降低心肌收缩力而被限制使用，但模型显示，这些药物的使用与住院死亡率的降低密切相关。这可能意味着，在病情稳定后，这些药物的使用对改善预后具有重要意义。然而，研究团队也指出，这些药物的使用时间可能影响模型的预测准确性，因为它们通常在入院后较晚阶段才被引入。因此，该模型更适合用于住院后期的预后评估，而非在入院初期进行风险分层。

在模型的构建过程中，研究团队还进行了敏感性分析，以评估是否包含这些药物使用情况对预测效果的影响。当排除β受体阻滞剂、ACEI/ARB和他汀类药物后，模型的预测能力有所下降，AUC分别为0.744和0.793，说明这些药物的使用情况在模型中具有关键作用。这表明，模型不仅适用于住院初期的快速风险评估，还能在治疗决策已经做出的情况下提供有价值的预后信息。因此，该模型在不同临床阶段的应用具有重要意义。

尽管该模型表现出色，但研究团队也明确指出了其局限性。首先，研究采用的是回顾性设计，样本量相对较小（150例），这可能限制了模型的科学稳健性，尤其是在考虑经济状况、教育背景等潜在的混杂变量时。其次，该模型的性别比例严重失衡（80%为男性），这可能影响其在女性患者中的适用性。研究团队建议，在未来的外部验证中，应优先考虑包含更多女性患者的多中心前瞻性队列，以评估模型在不同性别中的表现差异。此外，研究未能捕捉到动态参数，如连续乳酸水平和血管活性药物剂量，这限制了模型在住院初期的实用性。因此，未来的模型开发应考虑纳入这些标准化指标，以提高其在不同临床环境下的适用性。

综上所述，本研究开发并验证了一个临床适用的预测模型和图谱，用于评估AMI-CS患者的住院死亡风险。该模型基于常规可获取的临床和实验室参数，能够帮助临床医生在早期识别高危患者，制定个性化的治疗方案，并优化医疗资源的分配。尽管存在一些局限性，如样本量较小和性别比例失衡，但该模型在区分能力和临床适用性方面均表现出色，为AMI-CS的风险分层提供了新的思路。未来的研究应进一步探索该模型在不同人群中的表现，并通过外部验证确保其在更广泛临床环境中的可靠性。