《Frontiers in Neuroscience》：Predictive value of blood composite biomarkers for hemorrhagic transformation following mechanical thrombectomy in acute anterior circulation large vessel occlusion stroke patients
编辑推荐：
论文摘要专业翻译
背景： 出血转化（hemorrhagic transformation, HT）是急性前循环大血管闭塞（large vessel occlusion, LVO）患者接受机械取栓（mechanical thrombectomy, MT）后的一种
论文摘要专业翻译
背景： 出血转化（hemorrhagic transformation, HT）是急性前循环大血管闭塞（large vessel occlusion, LVO）患者接受机械取栓（mechanical thrombectomy, MT）后的一种灾难性并发症，然而可靠的早期预测工具仍然有限。本研究系统比较了九种血液复合生物标志物，旨在确定最佳的代谢-免疫整合性HT预测指标。
方法： 研究回顾性纳入206例接受MT的急性前循环LVO患者。基于入院常规实验室检查结果计算九种复合生物标志物：血小板-淋巴细胞比值（platelet-to-lymphocyte ratio, PLR）、中性粒细胞-血小板比值（neutrophil-to-platelet ratio, NPR）、系统性炎症反应指数（systemic inflammation response index, SIRI）、泛免疫炎症值（pan-immune inflammation value, PIV）、单核细胞-高密度脂蛋白比值（monocyte-to-HDL ratio, MHR）、中性粒细胞-淋巴细胞比值（neutrophil-to-lymphocyte ratio, NLR）、系统性免疫炎症指数（systemic immune-inflammation index, SII）、血糖-钾离子比值（glucose-to-potassium ratio, GPR）及血糖-淋巴细胞比值（glucose-to-lymphocyte ratio, GLR）。研究采用分层筛选策略：弹性网络回归用于基线变量选择，Spearman相关分析用于生物标志物聚类，单变量AUC联合DeLong检验用于代表性指标筛选。模型评估涵盖判别能力（AUC及DeLong检验、Bootstrap 1000次迭代乐观性校正）、校准能力（Hosmer-Lemeshow检验和Brier评分）及临床净获益（NRI、IDI和决策曲线分析）。
结果： 53例患者（25.7%）发生HT。弹性网络回归筛选出六个基线变量：平均血小板体积、血糖、D-二聚体、饮酒史、脑白质疏松及肺部感染。Spearman聚类产生五个代表性生物标志物：GLR、SIRI、GPR、NPR和MHR。其中，GLR是唯一显示有改善基线模型判别能力趋势的生物标志物（AUC：0.852–0.882；△AUC = 0.030），尽管该差异未达到统计学显著性（P = 0.057）。Base+GLR模型的Bootstrap校正AUC为0.861。GLR还显示出最显著的校准改善（Hosmer-Lemeshow P = 0.858 vs. 基线模型0.081；Brier评分降低5.4%），并实现了显著的整合判别改善（IDI = 0.0376，95% CI：0.002–0.078）和连续净重分类改善（NRI = 0.712）。决策曲线分析显示GLR与基线模型之间的净获益差异有限，提示GLR需要与多维度因素整合才能进行综合评估。
结论： 在九种复合生物标志物中，GLR对急性前循环LVO患者MT后HT提供了最大的增量预测价值。作为一种常规可获取的代谢-免疫整合性指标，GLR可作为围手术期风险分层的早期预警层，但与影像学和手术信息的整合对于临床决策仍然至关重要。
论文解读
一、研究背景与问题
急性缺血性卒中（acute ischemic stroke, AIS）是全球范围内致残率和致死率极高的重大健康问题，其中大血管闭塞（large vessel occlusion, LVO）约占AIS病例的24%–46%。近年来，以机械取栓（mechanical thrombectomy, MT）为代表的血管内治疗取得了显著进展，多项随机对照试验和荟萃分析证实，MT联合标准药物治疗可显著改善前循环LVO患者的功能预后，MT已成为该类患者的标准治疗方案。
然而，MT术后并发症——出血转化（hemorrhagic transformation, HT）严重损害神经功能恢复和临床结局。不同队列中MT术后HT的发生率差异较大，报道的颅内出血率为16%–46%。无论是否表现出临床症状，HT均被确认为预后不良的独立预测因素。因此，系统阐明MT术后出血转化的机制并开发可靠的早期预测工具，对于优化围手术期管理和改善临床结局至关重要。
既往研究已开发了纳入饮酒史、脑白质疏松、GLR、D-二聚体、血糖和平均血小板体积的列线图模型，显示出良好的判别能力（AUC = 0.880）和校准能力（Hosmer-Lemeshow检验P = 0.337）。其中，GLR作为一种复合生物标志物引起了研究者的特别关注。与单一炎症生物标志物相比，复合生物标志物能更精确地反映全身炎症状态和预后，在重症监护环境中具有临床预后价值。然而，预测MT后HT的最优血液复合生物标志物此前尚未确定。本研究旨在从单一生物标志物验证转向系统性多标志物比较，回答一个更广泛的临床问题：在所有可用的复合生物标志物中，哪一种能提供超越传统临床-实验室变量的最大增量预测价值。
二、研究设计与主要技术方法
研究人员回顾性连续纳入2023年1月至2026年3月在湖北第三人民医院神经内科接受机械取栓的206例急性前循环LVO患者，其中193例曾纳入既往研究。HT组53例（25.7%），Non-HT组153例（74.27%）。HT的定义依据《中国急性脑梗死后出血转化诊治共识2019》：MT术前颅脑CT或MRI未见颅内出血，术后24–72小时复查影像显示梗死区域内或远隔部位出血。
研究采用分层筛选策略：首先以所有基线变量为候选集，通过弹性网络回归（elastic net regression）进行变量选择（α范围0.1–0.9网格搜索，10折交叉验证确定最优λ，采用λ.1se准则），将筛选出的显著变量纳入二元logistic回归构建基线模型；其次对九种复合生物标志物进行Spearman相关分析，将|r| > 0.80的指标归为同一聚类，通过分层规则（单变量AUC优先、DeLong检验确认、临床验证广度、变量数量简洁性）筛选代表性指标；最后将代表性生物标志物与基线模型组合构建竞争模型。模型评估涵盖三个维度：判别能力（AUC及DeLong检验、Bootstrap 1000次迭代乐观性校正）、校准能力（Hosmer-Lemeshow检验和Brier评分）以及临床净获益（NRI、IDI和决策曲线分析）。
三、研究结果
3.1 两组一般特征比较
HT组与Non-HT组在脑白质疏松史、术前肺部感染、中性粒细胞绝对值、淋巴细胞绝对值、平均血小板体积（MPV）和血糖分布方面差异具有统计学意义（P < 0.05）。HT组入院NIHSS评分呈升高趋势（16.85 ± 5.88 vs. 14.90 ± 6.63，P = 0.059），血小板计数亦呈降低趋势（P = 0.060），但均未达统计学显著水平。
3.2 复合血液指标组间比较
HT组的PLR、NPR、SIRI、PIV、NLR、SII、GPR和GLR水平均显著高于Non-HT组（均P < 0.05），而MHR无显著组间差异（P = 0.161）。
3.3 弹性网络回归构建基线模型
弹性网络正则化在α = 0.4时获得最低交叉验证误差（0.9458）。采用λ.1se准则最终确定六个变量：平均血小板体积、血糖、D-二聚体、饮酒史、脑白质疏松和肺部感染。训练集AUC为0.895，10折交叉验证AUC为0.79。
3.4 代表性复合生物标志物筛选
Spearman相关分析显示PLR、NLR、SII和GLR之间|r| = 0.80–0.92，构成家族1；SIRI和PIV相关系数* r * = 0.93，构成聚类2；NPR、GPR和MHR与所有其他指标|r| < 0.50，为独立因素。家族1中，GLR单变量AUC最高（0.729），DeLong检验确认其显著优于PLR（P = 0.022）、NLR（P = 0.019）和SII（P = 0.003），故保留GLR。聚类2中，SIRI（AUC = 0.620）与PIV（AUC = 0.586）差异无统计学意义（P = 0.134），依据规则3选择构成变量更少的SIRI。最终保留GLR、SIRI、GPR、NPR和MHR五个候选指标，分别与基线模型组合构建五个竞争模型。
3.5 模型比较与评估
判别能力方面，加入GLR使基线模型AUC从0.852提升至0.882（△AUC = 0.030，P = 0.057），呈边缘显著改善趋势；Bootstrap校正后Base+GLR仍保持最高校正AUC（0.861）。校准能力方面，加入GLR后Hosmer-Lemeshow检验P值从0.081改善至0.858，Brier评分降低5.4%，为所有模型中改善最显著者。净重分类改善方面，GLR是唯一达到统计学显著性的生物标志物（IDI = 0.0376，95% CI：0.002–0.078；连续NRI = 0.712）。SIRI在事件组产生负向净重分类改善（-0.36），提示潜在漏诊风险；MHR虽能有效识别高危出血患者，但排除低危患者能力弱，可能导致过度治疗；NPR虽有助于排除非出血患者，但存在将出血患者误分类为低危的漏检风险。决策曲线分析显示各模型净获益差异 < 0.03，提示单独依赖GLR指导出血预防策略的临床价值有限。综合预测效能排序为：GLR > NPR ≈ MHR ≈ SIRI > GPR。
3.6 补充实验：血糖与GLR共线性敏感性分析
为排除GLR增量价值仅为血糖冗余的数学假象，研究人员进行了三项敏感性分析：排除血糖后基线模型AUC降至0.790，加入GLR后升至0.865（△AUC = +0.075，P = 0.003）；以"1/淋巴细胞计数"替代GLR获得与原始模型数值相同的AUC（0.882）；线性回归显示血糖解释GLR方差的37.1%，正交化GLR残差加入基线模型后AUC仍为0.882（Bootstrap校正AUC = 0.871）。这些结果证实GLR的增量预测价值反映真实的代谢-免疫整合效应，而非与血糖共线性的数学伪影。
四、讨论与结论
讨论部分指出，GLR通过整合高血糖损伤应激和低免疫缓冲能力两条不同的病理生理通路发挥作用。高血糖通过激活氧化应激（ROS）-基质金属蛋白酶（MMP）级联反应损害血脑屏障完整性，其中MMP-2直接介导occludin的细胞外降解，MMP-9降解IV型胶原和层粘连蛋白，损害微血管结构完整性。同时，高血糖激活NF-κB/AP-1/Egr-1等促炎转录程序，上调黏附分子表达，并通过组织因子（TF）和纤溶酶原激活物抑制剂-1（PAI-1）改变局部止血平衡。卒中后淋巴细胞减少源于HPA轴-交感神经激活驱动的皮质醇/儿茶酚胺依赖性淋巴细胞再分布和消耗；淋巴细胞减少一方面加剧中性粒细胞驱动的炎症损伤，另一方面损害T细胞通过PSGL-1/P-选择素相互作用介导的"免疫-止血"偶联保护，从而增加HT风险。
纯炎症性比值指标（如NLR、SII、PLR）本质上仅是炎症负荷的替代标志物，当肺部感染等协变量已纳入模型后，纯炎症比值贡献的边缘信息趋于饱和。SIRI和PIV虽尝试通过多细胞类型整合捕捉更广泛的炎症信号，但本质上仍是炎症负荷的加权表达，缺乏代谢维度。GPR的预测效能可能部分源于混杂通路而非直接反映HT病理。NPR和MHR均未能全面覆盖代谢和免疫两方面，且各自存在方向性局限。
研究结论： 在九种血液复合生物标志物中，葡萄糖-淋巴细胞比值（GLR）对急性前循环大血管闭塞卒中患者机械取栓后出血转化提供了最大的增量预测价值。作为一种从入院实验室检查中获得的常规可及代谢-免疫整合性指标，GLR可作为围手术期风险分层的早期预警层。然而，与神经影像学和手术信息的整合对于全面的临床决策仍然至关重要。
