《Frontiers in Endocrinology》：Machine learning–based prognostic prediction and subphenotype identification in trauma-induced coagulopathy using early blood glucose trajectories
编辑推荐：
背景：创伤性凝血病（TIC，一种创伤后发生的凝血功能障碍）以显著的异质性为特征，传统分类方法捕捉其动态进展的能力有限，常无法解释个体间变异。本研究旨在建立一个基于早期血糖轨迹识别血糖轨迹表型（即根据血糖动态变化模式划分的亚组）的框架，并评估其与28天死亡率
背景：创伤性凝血病（TIC，一种创伤后发生的凝血功能障碍）以显著的异质性为特征，传统分类方法捕捉其动态进展的能力有限，常无法解释个体间变异。本研究旨在建立一个基于早期血糖轨迹识别血糖轨迹表型（即根据血糖动态变化模式划分的亚组）的框架，并评估其与28天死亡率的关联。
方法：利用来自MIMIC-IV数据库的905例创伤患者作为发现队列和河北医科大学第三医院的260例创伤患者作为验证队列，进行回顾性分析。应用LASSO回归（最小绝对收缩和选择算子回归）识别预后变量，随后开发并比较了12种机器学习模型。采用GBTM（组基轨迹模型）描述入院后前7天的动态血糖轨迹模式，并分析其与临床结局的关联。
结果：共识别出六个关键预后变量：RDW（红细胞分布宽度）、白细胞计数、血糖、阴离子间隙、乳酸和pH值。逻辑分类器模型在发现队列中的AUC（曲线下面积）为0.785，验证队列中为0.761，校准度可接受（ECE（预期校准误差）= 0.119）。在发现队列184例符合条件的患者中，GBTM识别出三种不同的血糖轨迹模式：下降后稳定型、持续波动型和稳定后上升型。稳定后上升型轨迹模式与最高的28天死亡率显著相关（汇总分析中p = 0.034，校正OR（比值比）3.879，95% CI（置信区间）3.101–4.886，p < 0.001，n = 1,165），这一发现在验证队列中得到进一步证实（p < 0.001）。
结论：将GBTM应用于早期血糖轨迹能够识别与不同死亡风险相关的血糖轨迹表型。该方法可能为动态风险分层和针对性临床管理提供新颖的框架。
**论文解读**
**一、研究背景**
创伤是全球重大公共卫生问题，每年约135万人死于交通事故，其中近93%发生在中低收入国家，道路交通伤害预计到2030年将成为全球第七大死亡原因。在创伤相关死亡中，创伤性出血是最重要的可预防性死因，约占40%的病例，且对5至29岁年轻人群影响尤为严重。
严重创伤常诱发TIC（创伤性凝血病），该病以血小板消耗、凝血因子耗竭和纤溶系统激活为特征，通常定义为INR（国际标准化比值）≥ 1.5或APTT（活化部分凝血活酶时间）≥ 35秒。TIC的潜在机制高度异质，涉及凝血因子耗竭、高纤溶（纤溶系统过度激活）、内皮损伤、血小板功能障碍和炎症反应等多条相互作用的途径。值得关注的是，TIC并非单一病理实体，而是一个包含高凝状态和低凝状态的双向表型谱——高凝状态见于约22.2%至85.1%的患者，低凝状态见于约25%至35%的严重创伤患者，两者分别与血栓事件和不可控大出血风险增加相关，死亡风险相应升高约两至四倍和三至四倍。
目前，TIC的诊断和分类主要依赖单一时间点的静态实验室指标。然而，TIC的生理过程本质上是动态的，通常在数小时至数天内从早期低凝阶段演变为后期高凝状态，这种表型转换在不同个体间差异显著，需要持续监测才能准确表征。因此，传统静态实验室参数区分TIC亚型和捕捉其复杂病理生理过程的能力有限。近期CGM（连续血糖监测）技术的进展揭示了个体空腹血糖水平存在显著的个体内变异，挑战了基于静态测量的传统诊断范式——Shilo等报告在5,328例初始血糖正常的个体中，40%和3%分别被重新分类为糖尿病前期和糖尿病。这一发现与TIC的动态异质性相呼应，提示传统静态指标如PT（凝血酶原时间）和APTT可能导致TIC表型的错误分类。为克服这一局限，GBTM（组基轨迹模型）可应用于纵向数据以识别不同的时间模式。创伤应激可通过HPA轴（下丘脑–垂体–肾上腺轴）的激活介导胰岛素抵抗和糖异生增强，从而影响糖代谢，为基于血糖轨迹的早期代谢监测提供了理论依据。
在此背景下，研究人员开展此项研究，目的有二：其一，利用GBTM基于ICU入院后7天的纵向血糖测量值开发并验证动态血糖轨迹表型；其二，评估所识别亚表型的临床特征和结局（包括28天死亡率），以期为精准治疗策略提供信息。
**二、研究概述与意义**
本研究为回顾性观察性队列研究。研究人员以MIMIC-IV数据库中的905例创伤患者为发现队列，以河北医科大学第三医院2023年1月至2024年12月收治的260例创伤患者为验证队列，应用LASSO回归筛选出RDW、白细胞计数、血糖、阴离子间隙、乳酸和pH值六个关键预后变量，基于此构建并比较了12种机器学习模型，最终选定逻辑分类器为最优预测模型。同时，采用GBTM对ICU入院后前7天每日早晨血糖测量值进行纵向建模，识别出三种血糖轨迹模式：下降后稳定型、持续波动型和稳定后上升型，并证实稳定后上升型与最高的28天死亡率显著独立相关。该研究首次将纵向血糖轨迹分析引入TIC的预后评估领域，证明血糖轨迹可作为反映TIC内在病理生理动态变化的替代标志物，为在缺乏实时凝血监测条件的临床场景中实现TIC的动态风险分层提供了创新性框架，对推动创伤精准管理具有重要的临床转化价值。
**三、关键技术方法概述**
本研究采用的主要关键技术方法包括：（1）LASSO回归（最小绝对收缩和选择算子回归，一种通过L1正则化实现变量选择和降维的统计方法），用于从候选变量中筛选核心预后特征；（2）基于六个筛选变量构建并系统比较了12种机器学习算法，涵盖决策树、梯度提升树、AdaBoost、LightGBM、逻辑分类器、随机森林、朴素贝叶斯、CatBoost、XGBoost、支持向量机、感知器分类器和k近邻分类器，通过网格搜索结合10折分层交叉验证进行超参数优化，以PR-AUC（精确率-召回率曲线下面积）为主要评价指标；（3）GBTM（组基轨迹模型），用于对纵向血糖数据进行潜类别建模，依据AIC（赤池信息准则）、AvePP（平均后验概率）和临床可解释性选择最优模型；（4）SHAP（SHapley加性解释）方法，用于量化各特征对模型预测结果的边际贡献，增强模型可解释性。发现队列来源于MIMIC-IV数据库（版本3.1），验证队列来源于河北医科大学第三医院收治的创伤患者（年龄≥18岁且<80岁、ISS（创伤严重程度评分）>15或等效标准、ICU住院时间>24小时）。
**四、研究结果**
**4.1 发现队列与验证队列的基线特征**
发现队列共纳入MIMIC数据库905例患者，其中幸存者693例。与非幸存组相比，幸存组患者心率更低、收缩压更高、WBC（白细胞）计数和绝对中性粒细胞计数更低、白蛋白水平更低、阴离子间隙和血糖水平更低、乳酸水平更低、pH值更接近正常。在验证队列260例患者中，幸存组相对更年轻，且pH值更高、心率更低、WBC计数更低、白蛋白和血糖及乳酸水平更低，与发现队列基线特征模式一致。
**4.2 特征选择与模型性能比较**
LASSO回归分析在训练集（n=634，占发现队列70%）中识别出六个与预后密切相关的变量：RDW、WBC、血糖、阴离子间隙、乳酸和pH值。12种机器学习模型在独立保留测试集（n=181）上均显示出一定的预后预测能力。鉴于数据集存在类别不平衡（幸存者693例 vs. 非幸存者212例），研究人员以PR-AUC为主要模型选择标准：逻辑分类器取得最高PR-AUC（0.651），优于GBDT（梯度提升决策树，0.631）、KNN（k近邻，0.629）和LightGBM（0.618）。同时，逻辑分类器展现出良好的校准性能（ECE = 0.119）和决策曲线分析中最大的临床净获益，因此被选定为最优预测模型。敏感性分析进一步表明，基于六个LASSO变量的简约模型与纳入全部24个候选变量的完整模型在AUC上无统计学显著差异（DeLong检验，p > 0.05），且校准曲线和决策曲线表现相当，验证了简约建模策略的合理性，说明TIC预后主要由核心代谢和酸碱紊乱指标以及炎症和血液学应激反应标志物所驱动。
**4.3 外部验证**
在河北医科大学第三医院的独立外部验证队列（n=260）中，逻辑分类器模型显示出良好的泛化能力，ROC（受试者工作特征）曲线的AUC为0.761（95% CI: 0.676–0.846），显著高于随机分类参考线（AUC = 0.5）。校准曲线表明预测风险与观察结局在大多数概率区间内具有较好一致性，ECE为0.119，虽提示预测概率与观察结局之间存在一定偏差，但预测结果仍保持临床实用价值。
**4.4 模型可解释性分析**
基于最终逻辑分类器模型的SHAP分析显示，RDW、阴离子间隙、血糖、pH值、WBC和乳酸是影响TIC预后的六个最重要预测因子。SHAP蜂群汇总图展示了各特征对模型输出的贡献分布，个体病例分析则展示了模型对特定患者预测时各因子的贡献方向和大小。
**4.5 GBTM轨迹识别与验证**
在发现队列184例符合条件（每日早晨血糖缺失率<15%）的患者中，GBTM评估了一至五个潜类别的模型。综合AIC、AvePP（所有类别均>0.999）、亚组比例和临床可解释性，三分类模型被选定为最优方案，识别出三种血糖轨迹模式：Class 1（下降后稳定型），起始标准化血糖值较高（约1.5–2.0），随后迅速下降并维持在较低水平（约?0.5至0）；Class 2（持续波动型），7天内标准化血糖值维持在中等偏高水平波动（约0.5–1.0），代表持续性中重度高血糖模式；Class 3（稳定后上升型），起始血糖较低（约?0.5至0），于第3–4天后明显上升至较高水平（约1.5–2.0）。在验证队列中应用GBTM参数同样识别出三种与发现队列一致的轨迹模式。完全病例敏感性分析（n=119）进一步证实了轨迹分类的稳健性，所识别轨迹形状几乎相同，且Class 3与28天死亡率的关联保持统计学显著（OR 3.80，95% CI 2.98–4.85，p < 0.001）。
**4.6 亚表型基线特征与结局比较及预后增量价值**
以Class 1为参照，经年龄、WBC、乳酸和队列来源校正后，逻辑回归分析显示：Class 2（持续波动型）与28天死亡风险降低79.5%相关（OR 0.205，95% CI 0.102–0.37，p < 0.001）；Class 3（稳定后上升型）则与28天死亡风险增加约289.7%显著相关（OR 3.879，95% CI 3.101–4.886，p < 0.001）。在外部验证队列中，三种轨迹亚型的28天死亡率差异显著（p < 0.001）：持续波动型死亡率最低（11.11%），而稳定后上升型死亡率最高（55.00%），下降后稳定型居中（27.27%）。增量预后价值评估显示，在基线模型（纳入入院血糖、年龄、WBC和乳酸）基础上加入轨迹分组后，AUC从0.698提升至0.778（DeLong p = 0.032），连续NRI（净重分类改善指数）为0.650（95% CI, 0.293–1.000），IDI（综合判别改善指数）为0.097（95% CI, 0.049–0.143），证实血糖轨迹分类在入院血糖和基线协变量之外具有显著的增量预后价值。
**五、讨论总结与研究结论**
研究讨论指出，三种血糖轨迹模式——尤其是与最高死亡率相关的稳定后上升型——可能反映了TIC患者不同潜在病理生理状态的差异。稳定后上升型血糖轨迹可能代表持续且未受控制的SIRS（系统性炎症反应综合征），临床上已知SIRS与凝血功能障碍和不良结局相关，炎症反应与凝血通路之间的复杂相互作用为血糖轨迹与TIC结局之间的观察关联提供了潜在的病理生理学解释。此外，该亚组还观察到更高的总胆固醇水平，可能与创伤后HPA轴和交感神经系统的过度激活导致系统性代谢失调有关，提示可能存在更广泛的代谢–凝血失调综合征。上述分子机制的讨论应被视为基于现有文献的推测性假设，而非本研究数据直接支持的结论，因为研究人员未测量炎症生物标志物、内皮损伤标志物或特异性凝血分子标志物。
传统上，识别TIC表型转换依赖TEG（血栓弹力图）或ROTEM（旋转血栓弹力测定）等频繁的侵入性凝血检测，而这些检测在许多临床场景中难以普及。相比之下，血糖轨迹提供了一种替代性的动态监测手段，常规单点血糖测量可能漏检高达40%的糖代谢异常病例，而纵向监测能够识别需要差异化管理的轨迹亚组。例如，稳定后上升型患者可能受益于早期血糖控制和脂质代谢联合干预以及针对迟发性血栓并发症（如深静脉血栓、肺栓塞和MODS（多器官功能障碍综合征））的加强监测，而持续波动型患者若血糖干预过于激进反而可能破坏代谢稳态。
本研究存在若干局限性：回顾性设计存在信息偏倚可能；MIMIC-IV数据库结构限制可能导致部分临床相关变量被排除；验证队列来自单一中心且样本量相对较小；轨迹分析队列仅占总体TIC人群的20.3%（184/905），可能受选择偏倚影响；未能测量炎症因子和凝血分子标志物；TIC定义采用INR/APTT而非TEG/ROTEM，存在传统凝血检测的固有局限；ICU管理干预措施（胰岛素治疗、营养支持、输血策略等）的详细信息未能充分纳入分析，残余混杂无法完全排除。
**研究结论翻译**：将GBTM应用于早期血糖轨迹能够识别与不同死亡风险相关的血糖轨迹表型。该方法可能为动态风险分层和针对性临床管理提供新颖的框架。
