《Clinica Chimica Acta》:Association between iron metabolism biomarkers and all-cause mortality in critically ill patients with sepsis: a retrospective cohort study
编辑推荐:
•铁代谢生物标志物可独立预测重症监护病房(ICU)脓毒症患者的死亡率。•铁蛋白>680 ng/mL或转铁蛋白<160 mg/dL提示死亡风险更高。•LightGBM模型表现优于所有其他模型:曲线下面积(AUC)为0.763,Brier分数为0.134,误差最低。•铁代谢生物标
- •
铁代谢生物标志物可独立预测重症监护病房(ICU)脓毒症患者的死亡率。
- •
铁蛋白>680 ng/mL或转铁蛋白<160 mg/dL提示死亡风险更高。
- •
LightGBM模型表现优于所有其他模型:曲线下面积(AUC)为0.763,Brier分数为0.134,误差最低。
- •
铁代谢生物标志物提高了再分类能力(0.076)和判别能力(0.028)。
- •
临床医生应考虑将铁代谢生物标志物纳入脓毒症死亡评估。
引言
脓毒症是由感染引发的宿主反应失调所导致的危及生命的器官功能障碍[1],是重症监护病房(ICU)中最常见的疾病之一。尽管抗感染治疗和生命支持技术已取得进展,脓毒症的高死亡率仍然是严重的临床问题[2]、[3]。2021年的估计数据显示,全球新发脓毒症病例约1.66亿例,全因脓毒症相关死亡约2140万人,占全球总死亡人数的31.5%[4],ICU死亡率在30%至50%之间[5]。尽管广泛使用的临床评分系统——如序贯器官衰竭评分(SOFA)和急性生理与慢性健康评分(APACHE)[6]——表现出良好的判别能力,但因其依赖多项生理和实验室参数,限制了其在床旁快速风险分层中的实用性[7]。这一局限促使人们越来越关注寻找简单、易于获取且可靠的生物标志物来预测脓毒症死亡风险。
在脓毒症的病理生理过程中,铁代谢紊乱被认为是重要的潜在驱动因素[8]。近期的流行病学研究大大推进了对铁-脓毒症关联的认识。Mohus等人证明铁状态参数与一般人群中脓毒症的易感性显著相关,为铁代谢在脓毒症风险分层中的临床意义提供了人群层面的证据[9]。在遗传层面,Wu等人采用孟德尔随机化方法建立了免疫细胞中铁代谢紊乱与肺炎及脓毒症风险之间的因果关系,提示铁失调可能通过免疫介导途径使个体易感于严重感染[10]。同样,Mohus等人开展了一项两样本孟德尔随机化研究,证实遗传决定的铁状态影响脓毒症和严重COVID-19的预后,进一步强调了铁稳态在宿主对抗系统性感染中的因果作用[11]。在机制方面,Nemeth和Ganz阐明了铁调素-铁转运蛋白相互作用作为控制全身铁稳态的核心调控轴,为理解感染诱导的铁调素上调如何驱动低铁血症及随后的免疫调节提供了分子框架[12]。
关于临床预后,Luo和Ding利用大型数据库识别出血清铁是脓毒症的重要预后因素,但最佳预测阈值以及铁水平对死亡率的定向效应仍不明确[13]。Hamilton等人同时开展了观察性研究和孟德尔随机化分析来评估铁状态与脓毒症预后的关系;其发现揭示了观察性关联与因果估计之间的差异,提示混杂因素和反向因果关系可能会使铁代谢生物标志物在临床环境中的解读变得复杂[14]。近期,Jin等人发现血清铁水平与脓毒症患者28天死亡率之间存在非线性关系,证明与正常范围内的水平相比,极低和极高的铁浓度均与升高的死亡风险相关[15]。这种U形或J形关联挑战了传统的线性假设,凸显了危重症期间铁稳态的复杂性。综合而言,这些研究表明,单一铁代谢生物标志物无法完全捕捉与脓毒症死亡相关的预后信息;血清铁、铁蛋白、转铁蛋白和总铁结合力之间的相互作用及其联合预测价值仍有待深入探索。
鉴于上述研究空白,将多种铁代谢生物标志物整合到统一的预测框架中是一个有前景的方向。机器学习方法擅长捕捉非线性关系和高维交互作用,在此方面可能比传统回归模型具有优势。MIMIC-IV数据库为相关研究提供了宝贵的资源,包含危重症患者的综合实验室和临床数据。
因此,本研究旨在基于MIMIC-IV重症监护数据库,开发一种结合铁代谢生物标志物的机器学习预测模型,以评估其在预测脓毒症患者30天死亡率方面的性能。该模型预期将提供一种基于铁代谢生物标志物(包括血清铁、铁蛋白、转铁蛋白和总铁结合力)的新型预后工具,以协助临床医生制定个体化治疗决策。
各节摘要
研究人群
这是一项基于重症监护医学信息库IV(MIMIC-IV v3.1)的回顾性队列研究[16]、[17]、[18],该数据库包含超过65,000名入住ICU患者的详细临床信息。为获取该数据库的访问权限,本研究的一位作者(高亮)通过了考试并获得了认证证书(认证编号:65332686)。由于患者信息已匿名处理,因此无需知情同意,本研究按……开展
患者特征
本回顾性研究纳入2729名入住重症监护病房(ICU)的脓毒症患者。患者分为生存组和非生存组,其中534例(19.57%)在30天内死亡。生存者中位年龄为65岁(IQR 53–76),非生存者为69岁(IQR 59–80);男性患者分别占53.53%(1175/2195)和56.37%(301/534)。为评估选择偏倚,我们使用标准化均值差比较了纳入与排除的患者……
讨论
在本项纳入2729名脓毒症危重症患者的大型回顾性队列研究中,我们系统评估了铁相关生物标志物(铁蛋白、血清铁、转铁蛋白和总铁结合力)的预后价值,并开发了预测30天死亡率的机器学习模型。本队列的30天死亡率为19.57%(534/2729),与之前一项基于MIMIC-IV的1947例脓毒症患者研究中报道的28天死亡率20.18%相当[20]。我们的……
结论
在本项基于MIMIC-IV数据库2729名脓毒症患者的回顾性队列研究中,我们评估了铁代谢生物标志物的预后价值,并开发了基于机器学习的30天死亡率预测模型。30天死亡率为19.57%(534/2729)。非生存者表现出显著更高的铁蛋白(1089.0 vs. 782.0 ng/mL,p < 0.001)和血清铁水平,同时转铁蛋白(124.0 vs. 149.0 mg/dL,p < 0.001)和总铁结合力(206.0 vs.……)更低。
CRediT作者贡献声明
高亮:撰写——初稿。刘军进:软件。胡月凯:方法学。范启超:软件。曹金:形式分析。黄教峰:撰写——审阅与编辑。丁海波:撰写——审阅与编辑。
伦理审批
本研究经福建医科大学第一附属医院机构审查委员会批准(编号:IEC-FOM-013-2.0)。
利益冲突声明
作者声明不存在任何已知的经济利益冲突或可能影响本文所报道工作的个人关系。
高亮|刘军进|胡月凯|范启超|曹金|黄教峰|丁海波