早期动脉乳酸轨迹与危重心力衰竭患者死亡风险：一项双队列轨迹分析揭示预后新视角

《Scientific Reports》：Early arterial lactate trajectories and mortality risk in critically ill heart failure: a two-cohort trajectory analysis

本研究针对静态乳酸指标在危重心力衰竭预后评估中的局限性，通过分析MIMIC-IV（n=5,261）和MIMIC-III（n=906）数据库，采用潜在类别混合模型识别出72小时内的三种动脉乳酸轨迹类型。研究发现，与低稳定型相比，早期升高延迟下降型患者的院内死亡风险显著增加（OR 6.88），28天和1年死亡风险分别提升3.88倍和3.16倍。该轨迹分析为ICU决策提供了超越单次乳酸值的动态风险评估工具。

　　

在重症监护病房中，心力衰竭患者就像在暴风雨中航行的船只，而乳酸指标则是监测船体是否进水的关键仪表。传统上，医生们往往依靠单次乳酸测量值来判断病情严重程度，就像仅通过一次水位测量来预测整段航程的风险。然而，这种静态评估方式可能无法捕捉到患者代谢状态的动态变化，忽略了乳酸水平随时间演变的复杂模式。

危重心力衰竭患者常伴有组织灌注不足和代谢紊乱，导致乳酸积累。虽然乳酸清除率的概念已被引入临床实践，但多数研究仍局限于两时间点的简单比较，未能充分揭示乳酸变化的非线性特征。近年来，随着轨迹建模技术的发展，研究人员开始探索生物标志物的动态变化与预后的关系，但在心力衰竭领域，乳酸轨迹的临床意义仍不明确。

为了解决这一难题，研究人员开展了一项回顾性队列研究，论文发表于《Scientific Reports》。该研究创新性地应用潜在类别混合模型（Latent Class Mixed Model, LCMM）分析危重心力衰竭患者入院72小时内的动脉乳酸变化轨迹，并评估这些轨迹与短期及长期死亡率的关系。

研究团队主要采用了几项关键技术方法：基于MIMIC-IV和MIMIC-III数据库的临床数据提取；使用潜在类别混合模型进行乳酸轨迹识别；通过多变量逻辑回归和Cox回归模型评估轨迹与预后的关联；利用机器学习算法（JMIM特征选择和TabPFN分类器）构建临床预测工具。

识别乳酸轨迹类别

通过LCMM分析，研究成功识别出三种不同的乳酸轨迹类型：

Class 1（低稳定型）占86.37%，表现为72小时内乳酸水平持续低而稳定；Class 2（早期升高延迟下降型）占4.07%，基线乳酸中度升高且呈现先升后降模式；Class 3（早期下降后再升高型）占9.56%，初始乳酸水平较高，早期下降后出现再次升高。模型拟合指标支持3类解决方案具有最优的AIC/BIC/SABIC值和熵值。

按乳酸轨迹分层的临床特征

三类患者在临床特征上存在显著差异。Class 1患者病情最轻，SOFA评分最低，器官支持需求最少。Class 2患者病情最重，SOFA评分最高，需要更频繁的机械通气（61.7%）、血管活性药物（57.0%）和肾脏替代治疗（24.8%），尿量最低，初始乳酸水平最高（中位数5.1 mmol/L）。Class 3患者表现为中间临床严重程度。

乳酸轨迹类别间的死亡率趋势

Kaplan-Meier生存分析显示三类患者在短期和长期死亡率上存在显著差异：

Class 2患者预后最差，28天和1年生存概率显著降低。Class 1预后最好，Class 3风险居中。这种风险梯度在MIMIC-III验证队列中得到一致复制。

多变量回归分析

多变量逻辑回归显示，与Class 1相比，Class 2的院内死亡调整后优势比（OR）为6.88（95% CI 4.86-9.74），Class 3为3.03（95% CI 2.32-3.98）。Cox回归模型显示Class 2的28天死亡风险比（HR）为3.88（95% CI 3.17-4.75），1年死亡HR为3.16（95% CI 2.65-3.78）。Class 3的风险也显著升高，但程度低于Class 2。

探索性机器学习分类

研究还开发了基于机器学习的分类器：

使用JMIM特征选择（得分>0.8）和TabPFN算法构建的分类器在内部验证中表现出色（AUC 0.87-0.89），外部验证中也保持良好性能（AUC 0.72-0.84）。SHAP分析显示乳酸、pH值和碳酸氢盐是预测的主要贡献因素。

亚组分析

亚组分析显示乳酸轨迹类别与死亡率的关系在不同年龄、性别、SOFA评分和血管活性药物使用亚组中保持一致，无显著交互作用。

这项研究的重要意义在于首次系统描绘了危重心力衰竭患者早期动脉乳酸动态轨迹的临床价值。研究发现的不同轨迹类型反映了患者代谢应激的异质性，其中早期升高延迟下降型患者风险最高，即使其初始乳酸水平与其它类型相似。这表明乳酸变化模式比单次测量值更能准确预测预后。

从机制角度看，乳酸在心力衰竭中不仅是缺氧的标志物，还通过单羧酸转运体（MCTs）参与心肌能量代谢，并通过赖氨酸乳酸化修饰影响基因表达和心肌重构。这些复杂机制支持将乳酸轨迹视为综合风险表型而非单一病理生理过程的替代指标。

该研究的临床意义在于为ICU医生提供了新的风险评估工具。通过识别高风险的乳酸轨迹模式，可以更早地进行干预决策和资源分配。机器学习分类器的开发进一步为临床实时风险评估提供了可能，尽管其临床应用仍需前瞻性验证。

总之，这项研究突破了传统静态乳酸评估的局限，通过轨迹分析为危重心力衰竭患者的风险分层提供了更精准、动态的评估框架，为改善这类高危患者的临床管理提供了重要依据。