《BMC Cardiovascular Disorders》：Dynamic variability of serum sodium, potassium, and calcium and mortality after acute myocardial infarction: insights from traditional and machine learning approaches
编辑推荐：
针对AMI危重症患者电解质变异性的预后价值尚不明晰的问题，研究者基于MIMIC-IV数据库，联合Cox模型与ML算法进行分析。结果发现钠、钾、钙的CV升高均独立增加28天及90天ICU死亡风险，其中钙CV预测重要性仅次于年龄，强调维持电解质稳态的关键临床意义。
在心内科重症监护室（ICU）里，急性心肌梗死（AMI）患者常常伴随着各种各样的并发症，而电解质紊乱便是其中极为常见却又容易被“常规思维”忽视的一环。长期以来，临床医生更习惯于关注患者入院时的电解质绝对数值——比如血钠是多少、血钾是否高出正常范围、血钙有没有低至危险阈值。然而，人体是一个动态平衡的系统，尤其是对于遭受急性心肌打击的危重症患者而言，电解质在短期内上下波动的“变异性”，或许比某一个时间点的静态数值更能反映体内内环境稳态的失控程度。遗憾的是，在以往的预后研究中，钠、钾、钙这三种核心血清电解质的动态变异性在AMI患者中的比较性预后意义一直悬而未决，它们相对的重要性也从未通过系统的机器学习（ML）方法进行过评估。这便留下了一个关键的科学问题：我们是否过于纠结于“纠正数值”，而忽略了“稳定波动”的重要性？
为了回答这一问题，研究人员开展了一项基于大型公开临床数据库MIMIC-IV（v3.1）的回顾性队列研究。研究纳入了3632名ICU中的AMI患者（中位年龄70.0岁，65.0%为男性），通过计算电解质变异系数（CV）并将其分为四分位数，分别利用传统的Cox比例风险模型和前沿的机器学习算法，深入探究了血清钠、钾、钙的动态变异性与28天及90天ICU死亡率之间的关联。研究结果清晰地表明，更大的钠CV、钾CV，尤其是钙CV，均独立地与AMI患者短期及中期ICU死亡风险增加密切相关；机器学习模型的特征重要性分析更是凸显了钙CV的关键地位，其重要性仅次于患者年龄。这一发现已发表在《BMC Cardiovascular Disorders》，它强力支持了一个临床范式的转变：对于AMI危重症患者，临床焦点应更多地放在维持电解质的稳定性上，而不仅仅是纠正其绝对水平。
作者为开展此项研究，主要采用了以下几个关键的技术方法：基于MIMIC-IV（v3.1）数据库构建回顾性队列；计算血清钠、钾、钙的变异系数（CV）作为变异性指标，并按四分位数分组；使用Cox比例风险模型分析CV与28天及90天ICU死亡率的关联；应用Kaplan–Meier曲线与Log-rank检验进行生存比较；利用限制立方样条（RCS）检验非线性关系；进行预设的亚组与交互作用分析（年龄、性别、BMI）及多种敏感性分析（排除7天内早期死亡、慢性肾病患者及仅用ICU前48小时数据重算CV）；最后开发机器学习（ML）模型预测28天死亡率，并用SHAP（Shapley Additive Explanations）解释最佳模型的关键特征。
Background
背景部分指出，电解质变异性可能捕捉到超越单次入院值的动态稳态不稳定性，但在AMI危重症患者中，钠、钾和钙变异性的比较预后重要性仍不明确，且尚未使用机器学习（ML）方法系统评估其相对预测重要性，因此亟需相关研究填补这一空白。
Methods
研究人员进行了基于MIMIC-IV（v3.1）的回顾性队列研究。患者根据电解质变异系数（CV）分为四分位数。CV四分位数与ICU死亡率（28天和90天）之间的关联使用Cox比例风险模型分析。Kaplan–Meier曲线与Log-rank检验比较各四分位数的生存情况，限制立方样条（RCS）用于检查非线性关系。预先指定了年龄（<65 vs ≥65）、性别和BMI（<30 vs ≥30 kg/m2）的亚组和交互作用分析。敏感性分析排除了早期死亡（≤7天）、慢性肾病（CKD）患者，并使用ICU前48小时数据重新计算CV。此外，开发了机器学习（ML）模型来预测28天死亡率，并使用SHAP（Shapley Additive Explanations）解释最佳模型以识别重要特征。
Results
结果共纳入3632名ICU患者，中位年龄70.0岁（IQR 61.0–78.0），65.0%为男性。在模型II中，较高的电解质变异性与28天ICU死亡率独立相关：钠（HR=1.11）、钾（HR=1.02）和钙（HR=1.06）。使用四分位数（Q1为参照），最高变异性组（Q4）的风险增加：钠（HR=1.38）、钾（HR=1.26）和钙（HR=2.34）。对于90天ICU死亡率，模型II显示连续CV的一致关联：钠（HR=1.09）、钾（HR=1.02）和钙（HR=1.06）。与Q1相比，Q4在钠（HR=1.25）、钾（HR=1.32）和钙（HR=1.80）中仍显著。RCS表明非线性正相关（非线性P<0.001），且钙CV具有最佳的区分能力。敏感性分析证实了稳健性。ML分析显示钙CV的重要性排第二，与年龄相当，而钠CV和钾CV也位居预测28天死亡率的前六大特征。
Conclusions
结论强调，较大的钠CV、钾CV，特别是钙CV，与AMI患者短期及中期ICU死亡率增加独立相关。互补的机器学习（ML）分析进一步强调了它们对短期ICU死亡风险分层的重要预后价值，支持临床应侧重于维持电解质稳定性，而非仅仅纠正绝对水平。
该研究通过对真实世界大数据（MIMIC-IV）的深度挖掘，结合经典统计学与人工智能（机器学习）的双重验证，成功地将学术视线从电解质的“静态绝对浓度”牵引至“动态波动变异”。论文的讨论部分再次强化了核心观点：在AMI患者的ICU管理中，血钙的变异性（CV）展现出了极强的预后判别力，其预测重要性在机器学习模型中甚至可与年龄这一强风险因素比肩，而钠与钾的变异性同样不容忽视。这一成果不仅为临床医生提供了一个极为简便且高价值的预后评估视角（即关注电解质CV），也为后续开展针对稳定危重症患者内环境的治疗干预性研究奠定了坚实的理论基础。总而言之，保持电解质曲线的平稳，或许才是挽救AMI重症患者生命的一剂隐形良方。
