《Frontiers in Nutrition》：Association between the prognostic nutritional index and cognitive impairment in patients with heart failure: a cross-sectional study
编辑推荐：
背景：预后营养指数（prognostic nutritional index, PNI）由血清白蛋白和外周血淋巴细胞计数计算得出，常被用作营养-炎症标志物。本研究探讨了心力衰竭（heart failure, HF）患者中PNI与认知障碍（cognitive i
背景：预后营养指数（prognostic nutritional index, PNI）由血清白蛋白和外周血淋巴细胞计数计算得出，常被用作营养-炎症标志物。本研究探讨了心力衰竭（heart failure, HF）患者中PNI与认知障碍（cognitive impairment, CI）之间的关联。方法：本项横断面研究纳入了153例HF患者。在认知状态分类和统计分析之前，对于受教育年限不足12年的参与者，在其原始蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）总分上加1分。研究人员将参与者分为CI组（教育校正后MoCA <26）或非CI组（教育校正后MoCA ≥26）。结果：93例患者（60.8%）被识别为CI。CI组的PNI中位数低于非CI组[44.10 (40.55–47.00) vs. 47.08 (44.62–50.28)，p <0.001]。在调整年龄、性别和受教育程度后，PNI每增加5个单位与较低的CI患病几率相关（比值比(odds ratio, OR)：0.562，95%置信区间(confidence interval, 95% CI)：0.348–0.910；p = 0.019）。基础临床模型的曲线下面积（area under the curve, AUC）为0.868，而PNI扩展模型的AUC为0.882；增量较小且无统计学意义（ΔAUC: 0.014, 95% CI: ?0.008至0.036；DeLong检验p = 0.204）。在敏感性分析中，白蛋白与CI独立相关（每增加5 g/L，OR: 0.362，95% CI: 0.172–0.759；p = 0.007），且PNI扩展模型并未优于白蛋白扩展模型（AUC: 0.882 vs. 0.887；ΔAUC: ?0.005, 95% CI: ?0.022至0.013；DeLong检验p = 0.588）。结论：较低的PNI与HF患者较高的CI患病几率独立相关。然而，其在年龄、性别和受教育程度之外的增量区分能力很小且无统计学意义，并且在敏感性分析中，PNI扩展模型并未优于白蛋白扩展模型。这些发现支持一种关联性，但未能确立其增量临床效用；决策曲线分析属于探索性分析，并且需要进行外部验证。
研究背景与目的
认知障碍（cognitive impairment, CI）是心力衰竭（heart failure, HF）患者中一种重要的合并症。近期一项全球荟萃分析估计，约43%的老年HF患者存在CI。受影响的HF患者可能在自我护理、用药依从性、生活质量和临床结局方面表现更差。蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）对轻度认知缺陷敏感，被广泛用于识别HF患者的CI。然而，常规认知测试并非普遍可用，因此人们对于寻找廉价生物标志物以帮助识别那些需要进行正式认知评估的患者产生了兴趣。
营养不良和系统性炎症在HF患者中经常共存，并可能通过降低生理储备、内皮功能障碍、免疫激活和脑灌注受损等途径导致认知功能障碍。预后营养指数（prognostic nutritional index, PNI）由血清白蛋白和外周血淋巴细胞计数计算得出，常被用作营养-炎症标志物。然而，它并非直接的或营养特异性的测量指标：白蛋白水平受炎症、肝脏合成、充血、体液状态和疾病严重程度的影响，而淋巴细胞计数则受免疫激活、感染、药物和生理应激的影响。较低的PNI及相关营养缺陷已被证实与急性和慢性HF患者的死亡率和再住院率相关，但其与HF患者CI的关联研究较少。因此，本研究的首要目标是检验PNI在MoCA定义的CI与非CI的HF患者间是否存在差异，以及在调整临床相关协变量后，PNI是否仍与CI患病率独立相关。
关键技术方法
这是一项横断面观察性研究，于2025年2月至5月在福建医科大学附属协和医院进行。研究对象为经电子病历筛查的心内科住院成年HF患者。最终纳入153例患者。CI定义为教育校正后的MoCA评分<26分。PNI计算公式为：血清白蛋白（g/L）+ 5 × 绝对淋巴细胞计数（×109/L）。统计分析使用了IBM SPSS 26.0和R 4.3.3软件。采用二元逻辑回归分析评估PNI与CI的独立关联，并利用受试者工作特征（receiver operating characteristic, ROC）曲线分析评估模型判别能力。内部验证通过1000次自助重采样完成。
研究结果
基线特征
在153例患者中，93例（60.8%）患有MoCA定义的CI，60例（39.2%）无CI。CI组患者年龄更大，女性比例更高，高中及以上学历的比例更低，体重指数也更低。冠心病在CI组中更为常见。CI组的中位PNI为44.10（四分位距40.55–47.00），显著低于非CI组的47.08（四分位距44.62–50.28）（p < 0.001）。两组的HF表型分布无显著差异。
逻辑回归分析
单变量逻辑回归分析显示，PNI每增加5个单位，CI的未校正比值比（odds ratio, OR）为0.410（95%置信区间(confidence interval, 95% CI): 0.272–0.618；p < 0.001）。在调整了年龄、性别和受教育程度的主要模型中，PNI每增加5个单位与较低的CI患病几率独立相关（OR: 0.562, 95% CI: 0.348–0.910；p = 0.019）。这一关联在进一步调整了体重指数、冠心病、左心室射血分数（left ventricular ejection fraction, LVEF）和纽约心脏协会（New York Heart Association, NYHA）心功能III–IV级的扩展敏感性模型中仍然显著（OR: 0.596, 95% CI: 0.364–0.977；p = 0.040）。在另一个替代模型中，白蛋白每增加5 g/L也与较低的CI患病几率独立相关（OR: 0.362, 95% CI: 0.172–0.759；p = 0.007）。未发现PNI与CI的关联在不同HF表型间存在差异（交互作用p = 0.586）。
内部模型性能与决策曲线分析
包含年龄、性别和受教育程度的基础临床模型的表现AUC为0.868（95% CI: 0.810–0.927）。加入PNI后，PNI扩展模型的表现AUC为0.882（95% CI: 0.827–0.938），AUC的绝对增量为0.014（95% CI: ?0.008至0.036），无统计学意义（DeLong检验p = 0.204）。在白蛋白敏感性分析中，单独的PNI并未优于单独的白蛋白（AUC: 0.713 vs. 0.693），且PNI扩展模型也未优于白蛋白扩展模型（AUC: 0.882 vs. 0.887；ΔAUC: ?0.005, 95% CI: ?0.022至0.013；DeLong检验p = 0.588）。探索性决策曲线分析显示，在阈值概率0.20–0.70范围内，PNI扩展模型相对于基础临床模型的优势很小且不均匀。经过自助法校正后，基础临床模型的AUC为0.858，PNI扩展模型为0.869。PNI扩展模型的Brier评分为0.132，平均绝对校准误差为0.061，Hosmer-Lemeshow检验表明拟合良好。
讨论与结论
讨论部分指出，较低的PNI与HF患者的CI独立相关，但这种统计关联必须与增量临床效用相区别。PNI扩展模型虽然具有较高的表观判别能力，但大部分判别能力已存在于基础临床模型中，加入PNI后AUC的增加很小且不显著。PNI不应被解释为营养状况的特异性测量指标，因为它可能捕捉了营养、炎症、免疫、充血和疾病严重程度的复合信号。本研究中CI患病率较高，可能与研究人群年龄较大、病情更复杂以及使用了敏感的MoCA阈值有关。白蛋白敏感性分析加强了本研究的解释，即数据并未显示将血清白蛋白与淋巴细胞计数结合能提供比单独使用白蛋白更好的判别能力。该研究存在局限性，包括横断面设计无法推断因果关系、样本量有限且来自单中心、可能存在残余混杂因素、缺乏直接营养评估以及缺乏外部验证。
研究结论翻译如下：较低的PNI与HF患者中MoCA定义的CI患病率独立相关。这种关联并未确立增量临床效用：在年龄、性别和受教育程度基础上加入PNI后AUC的增加很小且不显著，决策曲线分析是探索性的，并且在敏感性分析中PNI并未优于白蛋白。在考虑将PNI用于临床分类或筛查策略之前，需要进行前瞻性多中心外部验证和直接营养评估。
