血小板-白蛋白-胆红素评分与重症监护病房（ICU）收治的心力衰竭患者全因死亡率之间的关联：一项回顾性队列分析及基于机器学习的预后建模研究

《Frontiers in Cardiovascular Medicine》：Association between the platelet-albumin-bilirubin score and all-cause mortality in ICU-admitted heart failure patients: a retrospective cohort analysis and machine learning-based prognostic modeling

PALBI评分通过整合血小板计数、白蛋白和胆红素水平，独立预测ICU重症心衰患者30天及360天全因死亡率，高评分组死亡率显著升高（HR 1.36/1.22），机器学习模型（如Ridge）验证其预测效能（AUC 0.76），为临床风险分层提供新工具。

　　心力衰竭（Heart Failure, HF）是一种复杂的临床综合征，其核心特征是心脏泵血功能下降，导致重要器官和组织的血液供应不足。HF已成为全球范围内重要的公共卫生问题，尤其在重症监护病房（Intensive Care Unit, ICU）中，HF患者常常面临严重的并发症，且其预后往往较差。据研究显示，美国约有670万成年人患有HF，预计到2030年这一数字可能上升至870万。HF患者中，约有14%的ICU住院病例主要由HF引起，其中约52.8%的患者在一年内发生死亡或再住院。这些数据表明，HF患者在ICU中的病情复杂且预后不佳，因此需要更加精准的预后评估工具。

肝功能异常在HF患者中非常常见，这主要与HF引发的多种病理生理机制有关。例如，心力衰竭可能导致肝脏淤血（congestive hepatopathy）或急性心源性肝损伤（acute cardiogenic liver injury），从而影响肝脏的正常功能。此外，肝病本身也可能加重心脏负担，形成心肝之间的双向相互作用。因此，肝功能指标，如血清胆红素和白蛋白水平，常被用作评估HF患者预后的关键参数。研究表明，胆红素升高与HF患者的不良预后密切相关，而低白蛋白血症和血小板减少也显著增加了HF患者的死亡风险。

为了更全面地评估HF患者的预后，近年来研究者提出了一个整合血小板计数、白蛋白和胆红素水平的新型评分系统——血小板-白蛋白-胆红素（Platelet-Albumin-Bilirubin, PALBI）评分。该评分最初用于肝细胞癌的预后评估，旨在预测肝脏功能储备和生存率。随着研究的深入，PALBI评分逐渐被应用于其他疾病领域，包括急性呼吸窘迫综合征（Acute Respiratory Distress Syndrome, ARDS）。然而，关于PALBI评分在ICU住院HF患者中的预测价值，目前仍缺乏充分的证据支持。

本研究旨在填补这一知识空白，通过分析ICU入院HF患者的PALBI评分，评估其对30天和360天全因死亡率的预测能力。研究团队利用了MIMIC-IV v3.1数据库，该数据库由麻省理工学院（MIT）的计算生理学实验室管理，涵盖了贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）的大量ICU临床数据。研究共纳入4,318名HF患者，其中男性占57%，中位年龄为73岁。通过计算患者入院时的PALBI评分，并将其分为三个 tertile（即分位数组），研究人员使用Kaplan-Meier生存曲线和log-rank检验分析不同组别间的全因死亡率差异。结果表明，最高PALBI tertile组的30天和360天全因死亡率分别为30%和52%，显著高于最低组的20%和39%。此外，多变量Cox回归分析进一步证实了PALBI评分与死亡风险之间的独立关联，30天死亡风险的比值比（Hazard Ratio, HR）为1.36（95%置信区间：1.12–1.64，p=0.002），而360天的HR为1.22（95%置信区间：1.03–1.44，p=0.019）。

除了传统的统计方法，研究还引入了机器学习模型，以进一步提高对30天死亡率的预测能力。研究团队将PALBI评分与其他临床特征（如年龄、血压、实验室指标、药物使用等）结合，构建了多种机器学习模型，包括决策树（Decision Tree, DT）、岭回归（Ridge Regression）、K近邻（K-Nearest Neighbors, KNN）、LightGBM、随机森林（Random Forest, RF）、XGBoost、支持向量机（Support Vector Machine, SVM）和多层感知器（Multilayer Perceptron, MLP）。通过比较这些模型的预测性能，研究发现岭回归模型在30天死亡率预测中表现最佳，其曲线下面积（Area Under the Curve, AUC）达到0.76。这表明，PALBI评分不仅在传统统计分析中显示出良好的预后价值，而且在机器学习模型中也具备较强的预测能力。

研究结果还揭示了PALBI评分与HF患者死亡风险之间的非线性关系。通过使用受限立方样条（Restricted Cubic Spline, RCS）回归分析，研究人员发现，随着PALBI评分的增加，死亡风险呈非线性上升趋势。这一发现强调了PALBI评分在不同严重程度HF患者中的动态变化，提示其在评估患者病情时可能具有更精细的分层能力。此外，分组分析显示，PALBI评分与全因死亡率之间的关联在不同临床亚组中保持稳定，例如在性别、种族、脑血管疾病、慢性阻塞性肺疾病（COPD）以及机械通气（MV）使用情况的分组中，均表现出显著的预测能力。值得注意的是，性别对PALBI评分与30天死亡率之间的关系存在显著交互作用，男性患者在较高PALBI评分下的死亡风险高于女性患者，这可能与男性更常见的缺血性HF以及更强的系统性炎症反应有关。

研究还探讨了PALBI评分的临床适用性。由于该评分基于常规实验室检测指标（血小板计数、白蛋白和胆红素），因此具有较高的可操作性和临床实用性。相比其他依赖主观评估的评分系统，如Child-Pugh评分或纽约心脏协会（New York Heart Association, NYHA）分级，PALBI评分完全由客观实验室数据构成，减少了不同观察者之间的主观差异，提高了结果的可重复性和稳定性。此外，研究提出了一个具体的PALBI评分阈值（?2.45），该阈值来源于30天死亡率的ROC曲线分析。这一阈值将患者分为高风险（PALBI > ?2.45）和低风险（PALBI ≤ ?2.45）组，为临床医生提供了一个简便、客观的工具，以识别ICU中高风险的HF患者，并据此制定更为个性化的治疗策略。

然而，本研究也存在一定的局限性。首先，由于数据来源于单一中心的回顾性分析，可能引入选择偏倚，限制了因果推断的可靠性。其次，尽管研究团队在多变量模型中考虑了多种潜在的混杂因素，但无法完全排除残余混杂的影响。此外，由于MIMIC-IV数据库的限制，研究未能纳入BNP（B-type natriuretic peptide）或NT-pro BNP（N-terminal pro-B-type natriuretic peptide）等重要的HF相关生物标志物，这可能影响评分的准确性和全面性。最后，研究未包含NYHA分级数据，尽管研究团队通过左心室射血分数（Left Ventricular Ejection Fraction, LVEF）等客观指标进行了调整，但这一缺失仍可能影响对HF患者心功能的全面评估。

尽管存在上述局限性，本研究的发现仍具有重要的临床意义。首先，PALBI评分作为一种简单、客观的工具，能够有效整合多个关键的预后指标，从而提高对HF患者死亡风险的预测能力。其次，该评分在不同临床亚组中表现出良好的稳定性，表明其可能适用于更广泛的HF患者群体。最后，研究结果为临床医生提供了基于实验室数据的决策支持，有助于优化HF患者的管理策略，如加强血流动力学监测、实施更积极的利尿治疗或早期多学科干预。未来的研究应进一步验证PALBI评分在不同人群和医疗体系中的适用性，并探索其在更广泛临床场景中的应用潜力。

综上所述，本研究通过系统的回顾性分析和机器学习模型构建，证实了PALBI评分在ICU住院HF患者中的独立预后价值。这一发现不仅拓展了PALBI评分的应用范围，还为HF的临床管理提供了新的视角和工具。随着对心肝相互作用和多器官功能障碍机制的进一步研究，PALBI评分有望成为评估HF患者预后的重要指标之一。此外，研究提出的性别差异和具体的评分阈值，也为实现个体化医疗提供了可能的依据。未来的研究需要在更大规模的多中心数据库中进行验证，以确保PALBI评分的广泛适用性和临床可靠性。