应激高血糖比率对急性肾损伤患者预后的预测价值：基于MIMIC-IV数据库的机器学习研究

《BMC Nephrology》：Association between stress hyperglycemia ratio and all-cause mortality in patients with acute kidney injury: a retrospective analysis of the MIMIC-IV database using machine learning

本研究针对急性肾损伤（AKI）患者预后评估难题，探讨应激高血糖比率（SHR）与短期死亡率的关系。团队通过分析MIMIC-IV数据库中4,418例AKI患者数据，发现SHR与院内死亡率（HR=1.23）和ICU死亡率（HR=1.47）显著相关，并构建出AUC达0.77的机器学习预测模型。该研究为AKI患者的风险分层提供了新的生物标志物组合策略。

　　

当肾脏功能在数小时至数天内急剧恶化，急性肾损伤（Acute Kidney Injury, AKI）这场"沉默的风暴"便悄然降临。在重症监护室（ICU）中，超过半数的患者会遭遇AKI的袭击，而其死亡率甚至高于ICU患者的平均水平。更令人忧心的是，临床上一直缺乏能够快速、准确评估AKI患者预后的生物标志物。

在这种危急情况下，血糖水平的变化往往能传递重要信号。住院患者，特别是ICU危重症患者，常出现应激性高血糖现象——这是机体对抗急性严重疾病的一种生存反应。然而，传统的血糖指标存在明显局限：我们难以区分患者入院时的血糖升高究竟是急性应激所致，还是慢性高血糖的表现。正是这个临床痛点，催生了一项新的指标——应激高血糖比率（Stress Hyperglycemia Ratio, SHR），它通过将入院血糖（Admission Blood Glucose, ABG）与糖化血红蛋白（Hemoglobin A1c, HbA1c）推算的平均血糖水平相结合，巧妙地区分了急慢性高血糖。

在此背景下，Zou等人在《BMC Nephrology》上发表的研究，首次系统性地探讨了SHR与AKI患者短期死亡率之间的关联。研究团队基于MIMIC-IV数据库，开展了一项回顾性队列分析，旨在揭示SHR在AKI预后评估中的潜在价值。

研究人员采用多中心真实世界研究方法，从MIMIC-IV数据库中筛选出4,418例AKI患者。通过计算SHR（公式：ABG/(28.7×HbA1c-46.7)），将患者分为四个等级。运用限制性立方样条（Restricted Cubic Splines, RCS）分析SHR与死亡率的剂量反应关系，建立Cox比例风险模型评估风险比（Hazard Ratio, HR），并采用Kaplan-Meier生存曲线比较不同SHR组的生存差异。创新性地引入Boruta机器学习算法进行特征筛选，构建了包括逻辑回归、随机森林等六种预测模型，通过受试者工作特征曲线（Receiver Operating Characteristic Curve, ROC）和曲线下面积（Area Under the Curve, AUC）评估模型性能。

基线特征揭示临床规律

研究纳入的患者平均年龄为67.56±15.13岁，女性占36.03%。随着SHR水平升高，患者白细胞计数、心率、ICU住院时间以及院内死亡率（6.88%）和ICU死亡率（4.48%）均呈现上升趋势。特别值得注意的是，AKI分期与SHR分组存在显著关联，在院内死亡患者中，AKI 2期患者占比最高（75.0%），且不同SHR组间的AKI分期分布具有显著差异（p=0.032）。

生存分析彰显分组差异

Kaplan-Meier生存分析显示，SHR越高，患者生存率越低。无论是7天还是28天的观察期，无论是院内死亡率还是ICU死亡率，不同SHR组间都存在显著差异（log-rank p<0.01）。这一发现直观地展示了SHR对AKI患者预后的预测能力。

风险模型确认关联强度

Cox回归分析进一步量化了SHR与死亡率的关系。在调整了年龄、性别、合并症等混杂因素后，SHR每增加1个单位，院内死亡风险增加23%（HR=1.23, 95% CI:1.09-1.40），ICU死亡风险增加47%（HR=1.47, 95% CI:1.25-1.74）。更为重要的是，限制性立方样条分析揭示了一个U形关系：当SHR超过1.05时，死亡风险呈现渐进性上升趋势。

预测性能评估

与传统血糖指标相比，SHR展现出稍强的预测能力。对于院内死亡率，SHR的AUC为0.576，优于HbA1c（0.535）和入院血糖（0.545）。类似趋势也出现在ICU死亡率的预测中。尽管单独使用SHR的预测性能有限，但这提示其更适合作为组合预测模型的一部分。

亚组分析验证结果稳健

在不同年龄、性别、是否合并糖尿病、心力衰竭等亚组中，SHR与死亡率的正相关关系保持一致，且交互作用均不显著（p>0.05）。这一发现强化了SHR作为AKI预后预测指标的普适性和可靠性。

机器学习提升预测精度

通过Boruta算法进行特征重要性排序，SHR被确认为重要的预测变量之一。基于筛选出的特征构建的机器学习模型中，逻辑回归和随机森林表现最佳，AUC分别达到0.774和0.766，显著优于单一SOFA评分（AUC=0.664）。

本研究通过多方法验证，确立了SHR与AKI患者短期死亡率之间的独立关联。这种关联可能通过多种生物学机制介导：胰岛素抵抗导致应激激素（儿茶酚胺、皮质醇、胰高血糖素）释放，促进肝糖原分解；高血糖加剧氧化应激，引起血管内皮损伤；激活肾素-血管紧张素-醛固酮系统（Renin-Angiotensin-Aldosterone System, RAAS），触发炎症因子释放，加剧肾脏和心血管系统损伤。

研究的创新之处在于将传统Cox模型与机器学习相结合，揭示了SHR与死亡率之间的复杂关系。结果表明，将SHR与少量常规变量结合即可获得良好的预测性能，无需复杂的多标志物组合。然而，研究也存在一些局限：缺乏外部验证可能高估模型性能；部分患者尿量数据缺失可能影响AKI的完整识别；危重症状态下HbA1c的可靠性问题；以及APACHE II评分数据稀缺等。

综上所述，这项研究为AKI患者的风险分层提供了新的思路。SHR作为一个易于获取、计算简单的指标，虽不宜作为独立的生物标志物使用，但可作为现有ICU死亡率预测模型的有益补充。未来需要通过随机试验来验证SHR指导的血糖管理策略是否能真正改善患者临床结局。