编辑推荐：
动脉瘤性蛛网膜下腔出血（aSAH）死亡率高，现有预后评估存在局限。研究人员开展 aSAH 患者中 TyG 指数与功能预后关系的研究。结果显示高 TyG 指数与不良功能预后相关，该指数或可辅助临床决策。
在脑血管疾病的 “战场” 上，动脉瘤性蛛网膜下腔出血（aSAH）是一位极其危险的 “敌人”。它是自发性蛛网膜下腔出血中常见的类型，像一颗隐藏在颅内的 “定时炸弹”，一旦颅内动脉瘤破裂引发 aSAH，患者的预后情况差异极大，有的幸运儿能完全康复，可不少人却面临严重残疾甚至失去生命，至少 20% 的幸存者无法实现生活自理。
目前，评估 aSAH 患者预后主要依靠临床分级量表（如 Hunt - Hess 分级、世界神经外科联盟（WFNS）分级）、影像学评估（改良 Fisher（mFisher）量表）以及动脉瘤的位置、大小等因素。然而，这些 “老方法” 并不能全面地把握每个患者预后的复杂情况。现有的生物标志物，如神经元特异性烯醇化酶（NSE）、胶质纤维酸性蛋白（GFAP）和早期 S100 钙结合蛋白 B（S100B），也存在诸多问题，要么检测复杂、结果不稳定，要么需要侵入性采样，不是所有患者都适用。
在代谢领域，胰岛素抵抗（IR）逐渐进入人们的视野，它与多种血管疾病密切相关。甘油三酯 - 葡萄糖（TyG）指数作为衡量 IR 的新指标，计算简单，只需空腹甘油三酯和血糖水平。不过，此前关于 TyG 指数与出血性中风，尤其是 aSAH 患者预后关系的研究少之又少，且存在样本混杂、变量不全面、样本量小等缺陷。
为了填补这些空白，华中科技大学同济医学院附属同济医院神经外科的研究人员挺身而出。他们开展了一项单中心回顾性队列研究，旨在探究 TyG 指数与 aSAH 患者功能预后之间的关系。
研究人员从 2018 年 1 月至 2023 年 10 月，收集了在该科室接受治疗的 aSAH 患者信息。经过严格筛选，最终纳入 470 例患者。他们详细收集患者的人口统计学信息、合并症、临床指标、血液生化参数等，通过计算 TyG 指数，并依据改良 Rankin 量表（mRS）在患者出院 3 个月时评估神经功能预后，将结果分为良好（mRS 0 - 2）和不良（mRS 3 - 6）两组。
在分析数据时，研究人员采用了多种方法。首先，通过受试者工作特征（ROC）曲线确定预测 aSAH 患者不良预后的 TyG 指数最佳截断值；为了减少混杂因素的干扰，运用倾向得分匹配（PSM）构建平衡队列；利用单变量和多变量逻辑回归分析 TyG 指数与功能预后的关联；借助受限立方样条（RCS）评估 TyG 指数水平与功能预后的连续关系；还进行亚组分析，探究不同特征患者中 TyG 指数与功能预后的关系；最后，构建包含 TyG 指数和传统预后量表的列线图，并对比传统模型和 TyG 增强模型的预测性能。
研究结果令人瞩目。470 例患者中，女性占 61.7% ，平均年龄 56.0 ± 9.6 岁，TyG 指数平均值为 8.6（IQR：8.1 - 9.0）。ROC 分析确定 TyG 指数的最佳截断值为 8.83。PSM 后，高 TyG 指数（≥8.83）组患者不良功能预后的发生率显著高于低 TyG 指数（<8.83）组（43.0% vs. 26.6%，P = 0.006）。多变量逻辑回归显示，无论是否进行 PSM，高 TyG 指数都是 aSAH 患者不良功能预后的独立危险因素。RCS 回归模型表明，随着 TyG 指数升高，aSAH 患者不良功能预后的风险呈线性增加。亚组分析发现，在女性、无高血压、有脑出血（ICH）、有脑室出血（IVH）、Hunt - Hess 分级≥4、mFisher 评分≥3 的患者亚组中，TyG 指数与不良功能预后显著相关。在预测性能方面，TyG 增强模型的曲线下面积（AUC）为 0.899，高于传统模型的 0.889（DeLong 检验 P = 0.048），说明 TyG 指数的加入提高了模型预测 aSAH 患者不良功能预后的准确性。
研究结论表明，高 TyG 指数与 aSAH 患者不良功能预后风险增加显著相关。这一发现意义重大，TyG 指数计算简便，有望成为神经外科医生临床决策的有力助手，帮助医生更好地对 aSAH 患者进行风险分层，为患者制定更精准的治疗方案。不过，该研究也存在一些局限，比如回顾性研究无法确定因果关系，可能存在残余混杂因素，且未分析 TyG 指数在住院期间的动态变化。未来还需要更多前瞻性研究来进一步探索 TyG 指数的奥秘。
该研究发表在《European Journal of Medical Research》上，为 aSAH 患者的预后评估和临床管理提供了新的方向，就像在黑暗中点亮了一盏明灯，指引着后续的研究和临床实践不断前行。
在研究方法上，研究人员采用回顾性队列研究，收集单中心连续 aSAH 患者数据。运用倾向得分匹配减少混杂因素，通过单变量和多变量逻辑回归分析关联，利用受限立方样条探索非线性关系，开展亚组分析，构建列线图并对比模型预测性能 。
