《Annals of Medicine》：Interpretable machine learning analysis of immune-inflammatory biomarkers for predicting no-reflow in patients with acute myocardial infarction after percutaneous coronary intervention
编辑推荐：
目的：评估常规免疫炎症生物标志物是否能预测急性心肌梗死（AMI）患者经皮冠状动脉介入治疗（PCI）后的无复流（NR）现象，量化其在临床变量基础上的增量预测价值，并构建一个可解释的围手术期预测模型。
方法：本前瞻性队列研究纳入了382例接受PCI治疗的AMI患者
目的：评估常规免疫炎症生物标志物是否能预测急性心肌梗死（AMI）患者经皮冠状动脉介入治疗（PCI）后的无复流（NR）现象，量化其在临床变量基础上的增量预测价值，并构建一个可解释的围手术期预测模型。
方法：本前瞻性队列研究纳入了382例接受PCI治疗的AMI患者。研究人员采用单变量和多变量逻辑回归确定独立相关因素；通过混杂因素调整的限制性立方样条（RCS）评估非线性关联。研究人员应用LASSO回归筛选核心预测因子，并使用方差膨胀因子（VIF）评估多重共线性。四种机器学习模型经过1000次迭代自助法内部验证和SHAP解释。研究人员通过ΔAUC（DeLong检验）、连续净重新分类改善指数（NRI）和综合判别改善指数（IDI）检验增量价值。通过分层回归和交互作用检验评估AMI亚型的效应修饰作用。
结果：91例患者（23.8%）发生NR。多个以中性粒细胞为中心的指标在校正后仍与NR独立相关。七个预测因子构成最终模型（所有VIF < 2.5）。LightGBM获得了最优的区分能力和适度的净临床获益（AUC 0.799，95% CI 0.699–0.899）；AMI亚型和中性粒细胞相关标志物主导了SHAP输出。中性粒细胞计数、中性粒细胞与高密度脂蛋白胆固醇比值（NAR）、中性粒细胞与高密度脂蛋白胆固醇比值（NHR）、全身免疫炎症指数（SII）和泛免疫炎症值（PIV）显著改善了区分能力。在测试的16个标志物中，7个产生了显著的连续NRI，10个显示出显著的IDI增益。在分层分析中，中性粒细胞计数、中性粒细胞与淋巴细胞比值（NLR）和单核细胞与高密度脂蛋白胆固醇比值（MHR）与ST段抬高型心肌梗死（STEMI）患者的NR相关，但在非ST段抬高型心肌梗死（NSTEMI）患者中不相关；交互作用检验未发现显著的AMI亚型效应修饰作用。
结论：术前以中性粒细胞为中心的炎症生物标志物是PCI后NR的独立相关因素，并在传统临床变量基础上提供了增量预测价值。可解释的LightGBM模型支持围手术期NR风险分层，但在临床应用前必须进行外部验证和重新校准。
论文解读文章
研究背景与目的
急性心肌梗死（AMI）是全球心血管疾病死亡和致残的主要原因，经皮冠状动脉介入治疗（PCI）是其标准再灌注策略。然而，即使成功开通心外膜梗死相关动脉（IRA），微循环灌注障碍常导致PCI后无复流（NR）现象。NR不仅是短暂的血管造影异常，还会引起持续性微血管损伤、增加梗死面积并恶化远期预后。炎症在NR发病机制中起核心作用，其中中性粒细胞驱动的系统性炎症主要介导微循环损伤。常规血液来源的复合炎症指标作为成本效益高且易于获取的生物标志物，可用于评估炎症负荷。然而，既往研究多集中于有限的单个标志物，缺乏对多种复合炎症指标的系统性头对头比较。此外，现有的NR预测模型通常采用不可解释的机器学习框架，限制了其实际临床实施。因此，本研究旨在系统比较15种复合免疫炎症指标和中性粒细胞计数对PCI后NR的预测性能，量化它们在传统临床变量基础上的增量预测价值，并构建一个可解释的机器学习模型以优化AMI患者PCI围手术期的NR风险分层。
研究方法概述
这是一项单中心前瞻性队列研究，连续纳入2023年1月1日至2024年3月31日在陆军军医大学第一附属医院（西南医院）接受PCI治疗的382例AMI患者。研究人员首先通过单变量和多变量逻辑回归识别NR的独立预测因子，并应用限制性立方样条（RCS）分析连续生物标志物与NR风险的非线性剂量反应关系。随后，采用LASSO回归进行变量选择以减少候选预测因子数量并缓解多重共线性，并通过方差膨胀因子（VIF）评估共线性。基于选定的七个预测因子，构建了四种预测模型：逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM），并通过贝叶斯超参数优化进行模型训练。模型性能通过1000次自助法内部验证进行评估，涵盖区分度（AUC、PR-AUC）、校准度（校准曲线、Brier分数）和临床效用（决策曲线分析）。最佳模型通过九个预设性能指标的平均排名选定，并使用SHAP分析进行模型解释。此外，研究人员还通过ΔAUC、连续NRI和IDI评估了各炎症标志物的增量预测价值，并按AMI亚型进行了分层分析和交互作用检验。
研究结果
基线特征：在382例患者中，91例（23.8%）发生PCI后NR。NR组的高敏C反应蛋白（hs-CRP）、白蛋白水平、单核细胞计数、血小板计数和中性粒细胞计数均显著高于正常血流组。多个复合炎症指标，包括全身免疫炎症指数（SII）、全身炎症反应指数（SIRI）、中性粒细胞与淋巴细胞比值（NLR）、中性粒细胞与高密度脂蛋白胆固醇比值（NHR）、单核细胞与高密度脂蛋白胆固醇比值（MHR）、血小板与高密度脂蛋白胆固醇比值（PHR）、C反应蛋白与白蛋白比值（CAR）、中性粒细胞与白蛋白比值（NAR）和泛免疫炎症值（PIV）在NR组中也升高，而血小板与中性粒细胞比值（PNR）则较低。NR组患者更可能表现为ST段抬高型心肌梗死（STEMI）（78.0% vs. 39.9%，p < 0.001）并伴有更差的术前TIMI血流（p = 0.004）。
单变量和多变量逻辑回归：单变量分析确定了16个与NR显著相关的实验室变量。经多变量校正后，白蛋白、单核细胞计数、中性粒细胞计数、SII、SIRI、NLR、PNR、NHR、MHR、PHR、NAR和PIV仍为NR的独立相关因素，而尿酸、hs-CRP、血小板计数和CAR失去独立显著性。NAR显示出显著升高的比值比（OR）和极宽的95%置信区间（OR = 51.947，95% CI: 3.860–699.039，p = 0.003），表明该效应估计存在显著的统计不稳定性。
剂量反应关系：对多变量回归中保持独立的12个生物标志物进行RCS分析，除PHR外所有标志物均显示显著的整体关联。白蛋白呈现U形关联，低水平和极高水平的白蛋白均对应升高的NR风险，风险最低点位于中间白蛋白浓度。SII呈初始急剧上升后趋于平稳的模式，而PIV则呈快速初始增加后缓慢上升的非单调模式。单核细胞计数、中性粒细胞计数、SIRI、NLR、NHR和MHR显示近似单调的正向剂量反应关系。
变量选择和多重共线性：在最优λ.min = 0.0258下，LASSO回归保留了七个非零系数的变量：白蛋白、中性粒细胞计数、NLR、MHR、高血压、支架数量和AMI亚型。事件每变量（EPV）比率约为13:1，满足预测模型开发的最低样本量要求。VIF分析确认七项预测因子间不存在严重的多重共线性，所有VIF值均低于2.5。
机器学习模型性能：LightGBM模型获得了最高的自助法验证AUC（0.799，95% CI: 0.699–0.899），其次是LR（0.781）、XGBoost（0.776）和RF（0.759）。LightGBM也获得了最高的PR-AUC（0.574）和最低的Brier分数（0.151）。决策曲线分析（DCA）显示，在阈值概率0至0.3范围内，所有四个模型均产生正的净临床获益；在0.3至0.5范围内，仅LightGBM维持适度的正净临床获益。在九个预设性能指标的平均排名中，LightGBM表现最佳，被选为最终的最优模型。
SHAP解释和风险阈值：SHAP分析确定AMI亚型是对模型输出贡献最强的预测因子（平均绝对SHAP值 = 0.581），中性粒细胞计数位居第二（0.236）。炎症复合指标NLR（0.151）和MHR（0.138）显示出有意义的预测重要性，与白蛋白（0.156）相当。升高的中性粒细胞计数、NLR和MHR始终与正向SHAP值相关，表明NR风险更高。STEMI状态与NR风险增加相关，而NSTEMI与较低风险相关。SHAP依赖图显示，白蛋白呈现非线性模式，中间水平对应负向SHAP值，而低和高白蛋白水平均产生正向SHAP值。通过Youden指数确定的最佳高风险分层截断值为0.334。
炎症标志物对PCI后NR的增量预测价值：基线临床模型包含四个LASSO保留的非炎症预测因子：白蛋白、高血压、支架数量和AMI亚型。将中性粒细胞计数加入基线模型后，区分度获得最大增益（ΔAUC +0.029，p = 0.024），NAR、NHR、SII和PIV也显著改善了AUC。大多数模型扩展的IDI显著改善，其中中性粒细胞计数和SIRI显示出最大的IDI（均为+0.036）。NAR、中性粒细胞计数、NHR、SIRI、SII、MHR和PIV显示出显著的连续NRI，表明有意义的患者层面风险重分类。
按AMI亚型的亚组分析：在382例患者中，187例（49.0%）为STEMI，195例（51.0%）为NSTEMI。STEMI的NR发生率（38.0%，71/187）明显高于NSTEMI（10.3%，20/195）。分层回归分析显示，MHR（OR = 2.860，95% CI: 1.510–5.830，p = 0.002）、中性粒细胞计数（OR = 1.130，95% CI: 1.050–1.230，p = 0.001）和NLR（OR = 1.140，95% CI: 1.040–1.270，p = 0.006）在STEMI亚组中与NR显著相关。在NSTEMI亚组中，所有变量均未达到统计学显著性。六个变量的交互作用检验均未达到Bonferroni校正后的显著性阈值（α = 0.0083）。
讨论与结论
讨论总结：NR仍是AMI患者PCI后常见且具有重要预后意义的并发症，反映了炎症性微血管损伤而非单纯的机械性梗阻。本研究有三项发现值得强调：一组以中性粒细胞为中心的生物标志物与NR独立相关；特别是中性粒细胞计数在临床变量基础上改善了区分度和重分类；白蛋白与NR呈U形非线性关系，这是线性模型无法捕捉的。再灌注会触发急性的、以中性粒细胞为中心的反应，活化的中性粒细胞在冠状动脉微循环中积聚，损伤内皮细胞，释放蛋白酶和活性氧，并挤出中性粒细胞胞外陷阱，这些陷阱为血小板粘附和暴露组织因子提供支架，将先天免疫与局部血栓形成联系起来。这解释了为何入院时升高的中性粒细胞计数能独立预测NR，以及多个衍生复合指标在校正后仍具有预测性。炎症生物标志物携带了超越传统临床变量的预测信息。RCS分析揭示了临床上重要的非线性关联，特别是白蛋白独特的U形关系。并非每个指标都携带稳定信息，例如NAR获得了较大的校正OR值但被LASSO剔除，表明其估计不稳定。在四种算法中，LightGBM实现了最优整体性能。SHAP分析识别出AMI亚型和中性粒细胞计数是首要预测贡献者。亚组分析提示STEMI中的炎症信号更强，但交互作用检验未达显著性，可能受限于NSTEMI亚组较少的NR事件数。
研究局限性：本研究为单中心前瞻性队列，样本量适中，模型仅通过自助法内部验证，缺乏外部验证，限制了普适性。关键的术中变量如血栓负荷和血栓抽吸术未被收集和分析。仅评估了术前生物标志物，无法评估动态生物标志物轨迹。由于观察性设计，本研究只能建立关联而非因果关系。NAR的宽置信区间强调了在中等规模数据集中对比率衍生的炎症标志物应谨慎解读。
研究结论翻译：在接受PCI的AMI患者中，术前以中性粒细胞为中心的炎症生物标志物与PCI后NR独立相关，并在标准临床变量基础上产生异质性的增量区分度和重分类能力。白蛋白与NR呈U形关联，在低浓度和极高浓度时风险均升高。整合了炎症、营养和临床预测因子的可解释LightGBM模型取得了良好的区分度（AUC = 0.799）和净临床获益，但在临床应用前需要进行重新校准。使用此队列特定的0.334截断值，该模型允许围手术期识别高风险患者以进行个体化护理。尽管在STEMI亚组中观察到更强的关联，但未检测到预测因子与AMI亚型之间的显著交互作用。这些发现支持低成本术前炎症生物标志物分析用于NR风险分层，但仍需进行多中心外部验证。
