基于可解释机器学习的应激性高血糖比值对心房颤动患者死亡的异质性预测效应

《Cardiovascular Diabetology》：Assessment of stress hyperglycemia ratio to predict mortality in patients with atrial fibrillation across different glucose metabolic states: an observational cohort study with machine learning

　　

摘要

背景

应激性高血糖比值（SHR）反映了急性血糖波动，与心房颤动（AF）患者的不良预后相关。然而，其在不同血糖表型中的预后价值尚不明确。本研究旨在利用可解释机器学习技术探讨SHR对死亡风险的异质性预测效应。

方法

在重症监护信息资源库IV（MIMIC-IV）数据库中筛选AF患者，并根据糖化血红蛋白A1c（HbA1c）水平分为三组：正常糖调节（NGR，n?=?1388）、糖尿病前期（Pre-DM，n?=?1156）和糖尿病（DM，n?=?1821）。研究进一步将SHR按三分位数分组，以入重症监护室（ICU）后30天全因死亡为主要终点。进行了包括Kaplan-Meier、标志点分析、限制性立方样条和Cox回归分析在内的多种统计分析。此外，利用十六种机器学习算法，并结合SHapley加性解释（SHAP）方法，对风险因素进行评估。

结果

共纳入4,365例患者，平均年龄为73.1?±?11.2岁，其中62.1%为男性。总体而言，501例患者（11.48%）在ICU入院后30天内死亡。在未调整模型和部分调整模型中，升高的SHR均被发现可预测所有三个亚组的死亡风险。经完全多变量调整后，高SHR仅在NGR患者中仍为独立危险因素（风险比[HR]?=?1.88，95%置信区间[CI] 1.15–3.07，P?=?0.011），而在Pre-DM（HR?=?1.27，95% CI 0.78–2.07，P?=?0.338）和DM亚组中未见显著关联（HR?=?1.24，95% CI 0.84–1.82，P?=?0.275）。在所有表型中均发现了SHR与死亡之间的非线性关联，机器学习分析显示出良好的判别能力（曲线下面积[AUC]?>?0.85），SHAP分析证实SHR在NGR个体中具有更大的预后权重。

结论

SHR是AF死亡的关键预后工具，相较于单一指标可提供更高的预测准确性，尤其在NGR患者中更为显著。这种综合方法可为个性化血糖管理策略提供依据，有望改善临床预后。