《Frontiers in Neurology》：Cardiac troponin T and 28-day mortality in traumatic brain injury: a retrospective cohort study and machine learning prediction model
编辑推荐：
摘要专业翻译
背景： 创伤性脑损伤（TBI）常通过脑-心轴诱发心功能不全，然而心肌肌钙蛋白T（cTnT）在TBI中的预后价值尚未被充分阐明。本研究探讨了cTnT水平与TBI患者28天全因死亡率之间的关联，并开发了一种基于机器学习的预测模型。
方法： 这项回顾性
摘要专业翻译
背景： 创伤性脑损伤（TBI）常通过脑-心轴诱发心功能不全，然而心肌肌钙蛋白T（cTnT）在TBI中的预后价值尚未被充分阐明。本研究探讨了cTnT水平与TBI患者28天全因死亡率之间的关联，并开发了一种基于机器学习的预测模型。
方法： 这项回顾性队列研究纳入了来自MIMIC-III/IV数据库的837例成年TBI患者（开发队列）以及来自中国某单中心的121例患者（外部验证队列）。研究人员分析了入住ICU后24小时内首次cTnT测量值。采用限制性立方样条（RCS）回归探讨非线性关系。cTnT按四分位数分组（Q1≤0.03，Q2 0.03–0.06，Q3 0.06–0.17，Q4>0.17 ng/mL）。采用Boruta加LASSO两步特征选择法确定了13个稳健预测因子。训练了五种机器学习算法（随机森林、BART、GBM、CTREE、SVM）。主要结局为28天全因死亡率。
结果： 在837例患者中，217例（25.9%）在28天内死亡。RCS分析显示显著的非线性关联（非线性P值<0.001）。在校正LASSO筛选出的12个协变量（不包括cTnT四分位分组本身）的多变量Cox回归中，Q3和Q4组患者与Q1组相比死亡风险几乎增加两倍（HR=2.01，95% CI：1.37–2.95，p<0.001；HR=1.96，95% CI：1.31–2.93，p=0.001）。随机森林模型取得了最佳判别性能，内部AUC为0.783，外部验证AUC为0.706（95% CI：0.584–0.828）。该模型还表现出良好的校准度（Brier评分=0.155），且决策曲线分析显示其在临床相关阈值概率范围内具有较好的临床效用。
结论： cTnT升高与TBI患者28天死亡率独立相关，潜在风险阈值为≥0.06 ng/mL。整合cTnT与临床变量的随机森林模型可提供中等程度的死亡预测能力。cTnT可作为TBI中系统性应激和多器官功能障碍的综合标志物。
论文解读文章
一、研究背景与意义
创伤性脑损伤（TBI）是全球范围内导致死亡和残疾的主要原因之一。其复杂的病理生理机制不仅影响中枢神经系统，还会触发系统性炎症反应和多器官功能障碍。近年来，越来越多的实验和临床研究揭示了心脏与大脑之间存在的“隐形”相互作用，这种相互作用在TBI中尤为显著：即使患者既往无心脏病史，TBI仍可诱发心功能不全，从而增加死亡风险，并可能导致心力衰竭和神经源性应激性心肌病（NSC）等远期心脏并发症。
TBI后心功能不全的病理生理机制极为复杂，涉及交感神经活动增强、下丘脑-垂体-肾上腺（HPA）轴激活以及免疫和炎症通路失调。这些过程共同导致自主神经功能障碍、儿茶酚胺过度释放、心肌细胞损伤、线粒体功能受损和持续性炎症级联反应。尽管在脑卒中和蛛网膜下腔出血（SAH）的脑-心轴研究方面已取得实质性进展，但专门针对TBI患者脑-心轴的研究仍然有限。
心肌肌钙蛋白T（cTnT）是传统上用于诊断心肌损伤和急性冠脉综合征的高特异性和高敏感性生物标志物。然而，越来越多的证据表明，cTnT水平升高不仅与心脏事件相关，还可反映系统性炎症反应和多器官功能障碍。TBI后，系统性炎症被启动，导致心肌细胞损伤并随后释放肌钙蛋白进入循环。因此，cTnT水平的变化不仅代表心脏损伤，还可作为系统性炎症状态的重要指标。
在此背景下，本研究旨在探讨cTnT水平与TBI患者临床结局之间的关联并评估其预后价值。研究人员利用大型重症监护数据库（MIMIC-III和MIMIC-IV）的数据，采用多种机器学习方法构建TBI患者生存预测模型，以期提高预测的准确性和可靠性。此外，还应用限制性立方样条（RCS）分析探索cTnT与患者结局之间潜在的非线性关系。这些发现有望为TBI管理的临床决策提供有价值的见解，并为深入研究预后的复杂决定因素奠定基础。
二、研究设计与方法
研究人员开展了一项回顾性观察性研究。开发队列整合自MIMIC-III（v1.4）和MIMIC-IV（v3.1）数据库，对于2008–2012年重叠期间同时出现在两个数据库中的患者，仅保留其MIMIC-IV记录。外部验证队列来自中国湖北省十堰市太和医院神经重症监护科2023年1月31日至2023年10月31日期间收治的符合条件TBI患者，最终纳入121例。研究经太和医院伦理委员会批准（批准号：2025KS181）。
核心暴露变量为入住ICU后24小时内首次测定的cTnT血浆浓度，主要结局为入院后28天全因死亡率，次要结局为院内全因死亡率。研究人员采用了Boruta加LASSO两步特征选择策略确定最终预测因子集。Boruta是一种基于随机森林的包装方法，通过迭代比较每个预测因子与随机置换“影子”属性的重要性来筛选变量；随后将保留的变量纳入带10折交叉验证的LASSO回归，以λ.min准则选择最优惩罚参数。最终确定了13个预测因子。在此基础上，研究人员训练了五种机器学习算法——随机森林、梯度提升机（GBM）、贝叶斯加法回归树（BART）、条件推断树（CTREE）和支持向量机（SVM），并以7:3比例将开发队列随机分为训练集（n=586）和内部测试集（n=251）。模型判别性能通过受试者工作特征曲线下面积（AUC）评估，校准度通过校准曲线和Brier评分评估，临床效用通过决策曲线分析（DCA）评估。
三、研究结果
基线特征： 研究共纳入837例入住ICU的成年TBI患者，其中280例来自MIMIC-III数据库，557例来自MIMIC-IV数据库。28天死亡率为25.9%（217/837）。与存活者相比，非存活者年龄更大（78岁 vs. 75岁，p=0.048）、心率更高（93 vs. 90.5次/分，p=0.009）、白细胞计数更高（12.5×10?/L vs. 9.75×10?/L，p<0.001）、血糖更高（157 vs. 133 mg/dL，p<0.001）、乳酸更高（2.5 vs. 2.29 mmol/L，p<0.001）、天冬氨酸氨基转移酶（AST）更高（89.8 vs. 67.35 U/L，p<0.001）、肌酐更高（1.2 vs. 1.1 mg/dL，p=0.042），且cTnT水平显著更高（0.10 vs. 0.05 ng/mL，p<0.001）。血管加压药使用在非存活者中更为频繁（59.91% vs. 38.23%，p<0.001）。
限制性立方样条分析： 未校正模型显示cTnT与28天死亡率之间存在显著非线性关系（非线性P<0.001）。在校正年龄和格拉斯哥昏迷评分（GCS）后，该非线性模式仍然显著（非线性P<0.001）。在低浓度范围（<0.1 ng/mL）内，死亡风险比（HR）急剧上升；超过约0.1 ng/mL后，曲线略有平缓但继续上升。
按cTnT四分位数分层的基线特征： 随着年龄从Q1的78岁降至Q4的68岁（p<0.001），cTnT四分位数组间多个临床参数存在显著差异。Q4组心率最高（93.95次/分，p=0.017）、收缩压最低（125.20 mmHg，p=0.018）。白细胞计数从Q1的9.80×10?/L递增至Q4的11.60×10?/L（p<0.001），血糖从Q1的135 mg/dL递增至Q4的149 mg/dL（p<0.001），AST从Q1的68 U/L递增至Q4的90.05 U/L（p=0.016），肌酐从Q1的1.00 mg/dL递增至Q4的1.20 mg/dL（p<0.001）。血管加压药使用率从Q1的33.96%递增至Q4的60.68%（p<0.001）。28天死亡率从Q1的17.74%升至Q4的33.98%（p<0.001）。
Boruta特征选择： 在31个候选变量中，22个被确认为与28天死亡率相关的预测因子，包括年龄、GCS、白细胞计数、血糖、乳酸、心率、平均动脉压、收缩压、PaO?、PaCO?、AST、ALT、总胆红素、肌酐、血尿素氮、钙、钠、血红蛋白、血小板计数、cTnT四分位分组和血管加压药使用。8个变量被拒绝，1个变量（舒张压）被分类为暂定。
LASSO回归： 在λ.min=0.02076（LogLambda=?3.875）时，13个变量保留了非零系数，包括：年龄、GCS、血红蛋白、白细胞计数、血糖、钠、乳酸、PaO?、AST、总胆红素、肌酐、cTnT四分位分组和血管加压药使用。
cTnT与28天全因死亡率的关联： 在校正12个LASSO筛选协变量的多变量Cox回归中，以Q1（≤0.03 ng/mL）为参照，Q3（0.06–0.17 ng/mL）和Q4（>0.17 ng/mL）组患者的死亡风险显著升高（HR=2.01，95% CI：1.37–2.95，p<0.001；HR=1.96，95% CI：1.31–2.93，p=0.001），而Q2（0.03–0.06 ng/mL）与Q1无显著差异（HR=1.12，95% CI：0.70–1.80，p=0.626）。年龄、白细胞计数、乳酸、总胆红素、血糖、钠和血管加压药使用与死亡风险增加独立相关，而较高的GCS评分具有保护作用。
亚组分析： 按性别、血管加压药使用、高血压、急性肾损伤（AKI）、脑血管意外、2型糖尿病、高脂血症和心力衰竭等8个临床相关因素进行预设亚组分析，所有交互作用P值均>0.05（范围：0.092–0.938），表明cTnT四分位数与28天死亡率之间的关联在各亚组中保持一致。
cTnT与院内全因死亡率的关联： 在校正相同协变量的多变量Cox回归中，Q3组院内死亡风险增加近三倍（HR=2.92，95% CI：1.42–5.99，p=0.003），Q4组风险也显著升高（HR=2.50，95% CI：1.08–5.75，p=0.032）。
Kaplan–Meier生存分析： 四组间28天生存率存在显著异质性（总体Log-rank p<0.001）。Q2与Q1生存概率相似（p=0.896），Q3和Q4均显著差于Q1（p=0.0001和p=0.0002），但Q3与Q4之间无显著差异（p=0.992），提示cTnT超过0.06 ng/mL时死亡风险同样升高，存在阈值效应。
模型性能与选择： 在五种机器学习算法中，随机森林取得了最高AUC（0.783，95% CI：0.701–0.865），其次为BART（0.753）、GBM（0.751）、SVM（0.650）和CTREE（0.568）。随机森林被选为最优预测模型。
模型校准与临床效用： 逻辑重校准后Brier评分范围为0.155（随机森林）至0.186（CTREE），均低于零模型Brier评分0.191。决策曲线分析显示，所有五种模型在临床相关阈值概率范围内（约0.10–0.75）均比“全部治疗”或“均不治疗”策略提供更大的临床净获益。随机森林模型即使在较高阈值概率（≥0.75）下仍保持正净获益。
外部验证： 随机森林模型在外部验证队列（n=121）中AUC为0.706（95% CI：0.584–0.828），最佳阈值为1.095，对应灵敏度0.614和特异度0.750。
四、讨论与结论总结
讨论部分指出，本研究证实了cTnT与TBI患者28天死亡率之间存在显著的非线性关联，潜在风险阈值为cTnT≥0.06 ng/mL。cTnT升高反映了脑-心轴介导的心肌损伤，同时也作为系统性炎症反应和多器官功能障碍的整合标志物。随机森林模型整合cTnT与临床变量，提供了中等程度的死亡预测能力，内部AUC为0.783，外部验证AUC为0.706，校准度良好（Brier评分=0.155），并在临床相关阈值概率范围内展现出较好的临床效用。
研究结论为：cTnT升高与TBI患者28天死亡率独立相关，潜在风险阈值为≥0.06 ng/mL。整合cTnT与临床变量的随机森林模型可提供中等程度的死亡预测能力。cTnT可作为TBI中系统性应激和多器官功能障碍的整合标志物。
