《Frontiers in Neurology》：Association of the CONUT score with mortality in critically ill patients with acute ischaemic stroke: a machine learning study with external validation
编辑推荐：
背景：营养不良在急性缺血性卒中（AIS）患者中频繁发生，且与不良临床结局相关。然而，控制营养状况评分（CONUT评分）在该人群中的预后价值仍不明确。因此，研究人员调查了CONUT评分与死亡率之间的关系，并开发了一个用于早期风险预测的机器学习模型。方法：研究人员
背景：营养不良在急性缺血性卒中（AIS）患者中频繁发生，且与不良临床结局相关。然而，控制营养状况评分（CONUT评分）在该人群中的预后价值仍不明确。因此，研究人员调查了CONUT评分与死亡率之间的关系，并开发了一个用于早期风险预测的机器学习模型。方法：研究人员回顾性分析了重症监护医学信息集市IV（MIMIC-IV）数据库中1,103例AIS患者的数据，并纳入了一个独立队列，该队列包含来自中国一家三级医院的659例患者。研究人员进行了生存分析、多变量Cox模型和亚组分析，以评估CONUT评分与30天及365天全因死亡率之间的关系。在训练队列中基于Boruta特征选择后，研究人员开发了用于30天死亡率预测的机器学习模型，并通过区分度、校准度、决策分析和Shapley加法解释（SHAP）评估了模型性能。结果：升高的CONUT评分与较高的风险独立相关。经过多变量调整后，CONUT评分每增加1个单位，短期死亡风险增加14.1%，长期死亡风险增加15.9%。Kaplan-Meier曲线进一步显示，营养状况较差的患者生存率逐渐降低，且该关联在亚组分析中保持稳定。在六种机器学习方法中，CatBoost模型实现了最强的区分能力，在内部和外部验证队列中分别产生0.794和0.761的曲线下面积（AUC）值。决策曲线和校准分析也支持了该模型的稳健性。结论：在重症AIS患者中，CONUT评分与短期和长期死亡率均独立相关。基于CatBoost的预测模型在个体化风险评估中显示出良好的预测性能。
**论文解读：CONUT评分与急性缺血性卒中重症患者死亡率的关联研究**
**研究背景与问题**
急性缺血性卒中(Acute Ischaemic Stroke, AIS)是全球范围内导致死亡和残疾的主要原因之一，随着人口老龄化和血管共病患病率上升，其疾病负担持续加重。尽管再灌注治疗和神经重症监护取得了进展，但重症监护病房(Intensive Care Unit, ICU)内的AIS患者由于神经损伤广泛、多器官功能障碍及并发症易感性增加，预后尤其不良。早期识别高风险患者仍是临床挑战。
营养不良在AIS患者中普遍存在，并通过免疫失调、全身炎症、组织修复受损和感染易感性增加等机制加重神经损伤。多项评估工具如老年营养风险指数、营养风险筛查2002、微型营养评估和主观全面评定已被研究，但部分依赖主观评估或在ICU环境中难以准确获取。控制营养状况评分(Controlling Nutritional Status, CONUT)由总胆固醇、淋巴细胞计数和血清白蛋白计算得出，可基于常规实验室参数提供客观的营养、炎症和免疫状态评估。已有证据表明CONUT评分升高与心血管疾病、恶性肿瘤及一般卒中人群的不良结局相关，但关于其在AIS重症患者中的预后意义，尤其是长期死亡率和个体化风险预测方面的证据仍然有限。
因此，本研究旨在探索CONUT评分与AIS重症患者30天和365天死亡率的关系，并开发基于机器学习的预测模型，通过外部验证评估其临床应用价值。
**研究方法**
研究人员采用回顾性队列研究设计，主要数据来源于美国重症监护医学信息集市IV(Medical Information Mart for Intensive Care IV, MIMIC-IV)数据库，共纳入1,103例AIS患者。外部验证队列来自中国华东医院神经重症监护室，包含659例患者。主要技术方法包括：1) 生存分析：采用Kaplan-Meier曲线比较不同营养状态组间的生存差异，并使用log-rank检验；2) 多变量Cox回归模型评估CONUT评分与死亡率的独立关联，调整年龄、性别、房颤、糖尿病、高血压、血小板计数、红细胞计数、白细胞计数、血尿素氮、血清肌酐、血压、心率及序贯器官衰竭评估(Sequential Organ Failure Assessment, SOFA)评分等混杂因素；3) 机器学习建模：在训练队列中使用Boruta算法进行特征选择，保留12个重要变量，构建六种机器学习模型（CatBoost、LightGBM、随机森林、多层感知器、逻辑回归、XGBoost），通过五折交叉验证优化，并在内部及外部验证队列中评估模型性能；4) 模型评估：使用受试者工作特征曲线下面积(Area Under the Curve, AUC)、校准曲线、Brier评分、决策曲线分析(Decision Curve Analysis, DCA)及Shapley加法解释(SHAP)进行模型性能与可解释性评估。
**研究结果**
**3.1 基线特征**
MIMIC-IV队列中1,103例AIS患者的中位年龄为70岁，男性占52.31%。根据CONUT评分分为正常、轻度营养不良、中度营养不良和重度营养不良四组。重度营养不良组患者白细胞计数、血小板计数、红细胞计数和血红蛋白水平较低，而血尿素氮、血清肌酐、血糖和SOFA评分显著升高，提示更严重的生理损害和器官功能障碍。30天和365天死亡率随营养状况恶化而逐渐增加，重度营养不良组最高。
**3.2 CONUT评分与结局事件的关联**
Kaplan-Meier生存曲线显示，四组间30天和365天生存率存在显著差异(p<0.001)，生存概率随CONUT评分升高而逐渐降低。Cox回归分析表明，CONUT评分作为连续变量时，每增加1个单位，30天死亡风险增加14.1%(调整后HR=1.141, 95% CI: 1.072-1.214, p<0.001)，365天死亡风险增加15.9%(调整后HR=1.159, 95% CI: 1.098-1.224, p<0.001)。与正常营养组相比，重度营养不良组30天死亡风险增加4.303倍，365天死亡风险增加4.872倍。
**3.3 亚组分析**
按性别、年龄、房颤、糖尿病和高血压分层后，CONUT评分与死亡风险的关联在所有亚组中保持一致，且交互作用检验均不显著(所有P for interaction > 0.05)，表明该预后价值在不同患者群体中稳定。
**3.4 模型开发与验证**
Boruta算法从候选变量中确认了12个重要特征，包括CONUT评分、血小板计数、高密度脂蛋白胆固醇、心率、糖化血红蛋白、简化急性生理评分II(SAPS II)、白细胞计数、血氧饱和度、血糖、中性粒细胞计数、全身炎症反应综合征(SIRS)评分和SOFA评分。在六种机器学习模型中，CatBoost模型在内部验证队列中表现出最高的预测准确性，AUC为0.794，优于LightGBM(0.746)、随机森林(0.738)、XGBoost(0.742)、多层感知器(0.646)和逻辑回归(0.683)。校准曲线显示模型拟合良好，Brier评分为0.09，决策曲线分析表明CatBoost模型具有临床净获益。在外部验证队列中，CatBoost模型AUC为0.761，显示出良好的泛化能力。
**3.5 模型可解释性**
SHAP分析显示，糖化血红蛋白、心率、血氧饱和度、CONUT评分和高密度脂蛋白胆固醇是模型输出的主要贡献因素。CONUT评分升高、白细胞计数增加、心率加快和SOFA评分升高通常与较高死亡风险相关，而血氧饱和度升高和血小板计数升高则倾向于降低预测风险。
**讨论与结论**
**讨论**：本研究发现CONUT评分升高与AIS重症患者30天和365天死亡率独立相关，且关联在亚组分析中保持稳定。CatBoost模型在内部和外部验证中均表现出良好性能。CONUT评分与不良结局的机制可能涉及多方面：血清白蛋白水平反映营养和炎症状态，低白蛋白与血脑屏障破坏、氧化应激和脑水肿相关；淋巴细胞计数降低提示卒中诱导的免疫抑制，增加感染风险；低胆固醇水平反映慢性营养不良和代谢储备不足。CONUT评分整合了营养、炎症和免疫信息，应被视为复合指标。该评分基于常规实验室参数，可快速获取，便于早期风险分层。但本研究存在局限性：回顾性设计、缺失数据均值插补、仅使用基线CONUT评分、缺乏梗死体积和美国国立卫生研究院卒中量表(NIHSS)评分等关键变量、外部验证队列来自单中心。
**结论**：在重症AIS患者中，较高的CONUT评分与短期和长期死亡率增加独立相关。CONUT评分可作为神经重症监护中早期营养评估和风险分层的简单客观指标。此外，基于CatBoost的机器学习模型显示出良好的预测性能和外部泛化能力，提示其在进一步前瞻性验证后具有个体化预后评估的潜在价值。
