巨细胞动脉炎患者 180 天及 1 年死亡率与年龄、红细胞分布宽度的关联研究：揭示关键预后因素与潜在机制

为探究巨细胞动脉炎（GCA）患者 180 天和 1 年死亡率与年龄、红细胞分布宽度（RDW）的关系，研究人员从 MIMIC-IV 数据库提取数据开展研究。结果发现年龄和 RDW 是独立危险因素，RDW 还起部分介导作用。该研究为临床诊疗提供重要依据。

　　巨细胞动脉炎（Giant Cell Arteritis，GCA）是一种常见的影响大中动脉的血管炎，主要发生在 50 岁以上人群中，它会累及颅动脉，还可能延伸到主动脉等大血管，引发动脉瘤、狭窄等严重并发症。患者常出现头痛、下颌跛行、视力障碍等症状。目前，关于 GCA 患者的死亡率研究发现，疾病不同阶段的死亡原因各异，早期多与大血管血管炎、心血管事件、感染等有关，晚期则常与慢性并发症或合并症相关 。同时，红细胞分布宽度（Red Cell Distribution Width，RDW）在多种疾病中被认为可能与死亡率相关，它是反映红细胞体积异质性的指标，由红细胞体积的标准差除以平均红细胞体积再乘以 100 得出 。然而，关于 GCA 预后与年龄、RDW 之间的关系，在医学领域还存在明显的研究空白。为了填补这一空白，来自首都医科大学附属北京安贞医院临床检验部等机构的研究人员开展了相关研究，该研究成果发表在《Arthritis Research & Therapy》上。

研究人员利用了 Medical Information Mart for Intensive Care-IV（MIMIC-IV）数据库 3.0 版本的数据，这些数据来自美国马萨诸塞州波士顿贝斯以色列女执事医疗中心，涵盖了 2008 年至 2022 年超过 65,000 名重症监护病房（ICU）患者和 200,000 多次急诊科就诊信息 。研究对象选取了该数据库中住院和入住 ICU 的 GCA 患者，通过国际疾病分类（ICD）代码 ICD-9 代码 446.5 和 ICD-10 代码 M31.6 进行筛选，同时排除了年龄小于 18 岁、记录缺失或同时诊断为风湿性多肌痛（PMR）的患者，最终确定了 228 名 GCA 患者纳入研究。

在研究过程中，研究人员运用了多种关键技术方法。首先是数据提取，利用 PostgreSQL 软件获取患者的人口统计学特征、用药情况、预后指标和实验室测量数据 。然后，进行了多种统计分析，包括对分类变量和连续变量的不同处理方式，运用逻辑回归分析（Logistic regression analysis）和 Cox 比例风险回归分析（Cox proportional hazards regression analysis）探究年龄、RDW 与死亡率的关系；采用 Kaplan-Meier（KM）生存分析评估不同年龄和 RDW 水平患者的生存情况；通过限制立方样条（Restricted Cubic Spline，RCS）分析探索变量间的非线性关系；运用中介效应分析确定 RDW 在年龄与死亡率关系中的中介作用 。此外，还运用了机器学习算法，将通过 LASSO 和逻辑回归筛选出的变量纳入决策树（Decision Tree，DT）、随机森林（Random Forest，RF）、极端梯度提升生存学习器（Extreme Gradient Boosting Survival Learner，XGBoost）和支持向量机（Support Vector Machine，SVM）算法构建模型，并利用 SHapley Additive exPlanations（SHAP）分析评估各变量对死亡率预测的贡献 。

研究结果如下：

1. 基线特征：228 名 GCA 患者纳入研究，非幸存者相比幸存者，RDW、肌酐（Cr）、血尿素氮（BUN）水平更高，年龄更大，糖皮质激素使用更多，而红细胞（RBC）、血红蛋白（Hb）、血细胞比容（HCT）水平更低。
2. 逻辑回归分析结果：多变量逻辑回归分析显示，年龄和 RDW 是 GCA 患者 180 天和 1 年死亡率的重要预测因子。对 RDW 进行分位数分析发现，最高分位数（Q3）患者的 180 天和 1 年死亡率风险显著高于最低分位数（Q1）患者。
3. Cox 回归分析结果：多变量 Cox 分析表明，年龄和 RDW 水平是 GCA 患者死亡率的独立危险因素。经过 LASSO 回归筛选变量构建的多变量 Cox 回归模型也证实了这一点。
4. KM 生存分析结果：确定了年龄和 RDW 的最佳截断值，高年龄或高 RDW 水平的患者生存几率显著低于低年龄或低 RDW 水平的患者。
5. 非线性分析结果：RCS 分析显示，RDW 水平与 1 年死亡率之间存在强烈的非线性关系，当 RDW 超过 17.53% 时，死亡率风险显著增加；但 RDW 与 180 天死亡率以及年龄与 180 天或 1 年死亡率之间未发现非线性关系。
6. 中介效应分析结果：RDW 在年龄（每增加 10 岁）与 180 天或 1 年死亡率之间起显著的间接中介作用，尽管作用程度较小。
7. 预测模型建立与验证结果：运用机器学习技术预测 GCA 患者 1 年死亡率，RF 模型表现最佳。SHAP 分析表明，年龄和 RDW 是影响死亡率预测的关键变量。

研究结论和讨论部分指出，年龄和 RDW 水平是 GCA 住院或入住 ICU 患者 180 天和 1 年死亡率增加的独立危险因素，RDW 部分介导了年龄与死亡率的关系。这一发现对临床实践和患者管理具有重要意义，为医生评估 GCA 患者的死亡风险提供了新的指标，有助于早期识别高风险患者，采取更有针对性的治疗和监测措施。但该研究也存在一些局限性，如研究的回顾性和单中心性质限制了结果的外部有效性，无法确定因果关系，部分患者被排除可能引入偏差，缺乏非 GCA 对照队列等 。未来需要更多前瞻性、多中心研究来进一步验证这些结果，探索影响 RDW 的因素，以及更准确地评估 GCA 对死亡率的影响。总的来说，该研究为 GCA 患者的预后评估和临床管理提供了重要的理论依据和研究方向，具有重要的科学价值和临床意义。