指南与共识呼吸衰竭与机械通气重症综合管理与镇静镇痛消化、代谢与肾脏急症

应激性高血糖比值与急性低氧性呼吸衰竭患者死亡率的非线性关联:共识聚类与监督机器学习模型的验证

Nonlinear association between stress hyperglycemia ratio and mortality in AHRF: validation through consensus clustering and supervised machine learning models.
指南 / 共识 · Front Endocrinol (Lausanne) · 2026-09-01
一句话结论在AHRF患者中,SHR最高四分位(≥1.20)与28天全因死亡率升高相关(HR 2.972,95%CI 2.108-4.189),SHR可作为风险分层标志物而非治疗靶点。

本研究基于MIMIC-IV数据库回顾性分析2514例急性低氧性呼吸衰竭(AHRF,PaO2/FiO2≤300 mmHg)成人患者,评估应激性高血糖比值(SHR)与28天全因死亡率的关联。主要简约Cox模型中,SHR最高四分位(1.20-4.42)较最低四分位(0.19-0.84)28天全因死亡风险升高(HR 2.972,95%CI 2.108-4.189,P<0.001)。限制性立方样条提示可能的非线性关联,数据推导拐点约0.929。SHR加入SOFA后AUC由0.602升至0.706。共识聚类识别出三种探索性临床表型,表型II中SHR与死亡率关联更清晰,但二分类SHR交互检验无统计学意义(P=0.456)。作者认为SHR可作为AHRF风险分层的潜在预后标志物,不应独立决定血糖目标或胰岛素治疗。

要点

  • AHRF(PaO2/FiO2≤300 mmHg)患者中,SHR最高四分位(1.20-4.42)较最低四分位(0.19-0.84)28天全因死亡风险升高(HR 2.972,95%CI 2.108-4.189,P<0.001)。
  • SHR四分位Q1至Q4的28天全因死亡率分别为7.5%、7.2%、9.3%和25.8%;最高十分位(SHR 1.45-4.42)死亡率为41.4%,最低十分位(0.19-0.67)为6.8%。
  • 排除极端值后最高SHR四分位与28天全因死亡的关联仍显著:排除第1/99百分位后校正HR 2.130(95%CI 1.467-3.094),排除第2.5/97.5百分位后HR 1.857(95%CI 1.269-2.717),排除第5/95百分位后HR 1.805(95%CI 1.186-2.746)。
  • SHR预测28天全因死亡的AUC为0.690,SOFA为0.602(AUC差异0.088,P<0.001);SOFA+SHR的AUC为0.706(与SOFA相比AUC差异0.105,P<0.001),Brier评分由SOFA的0.106降至0.099。
  • 作者认为SHR应作为风险分层标志物而非指导治疗的生物标志物,SHR不应独立决定血糖目标、胰岛素治疗策略或其他治疗决策。

适用人群与场景

  • 纳入标准:年龄>18岁、ICU住院时间超过24小时的成人患者,AHRF操作性定义为PaO2/FiO2比值≤300 mmHg。
  • 排除标准:诊断前后48小时内缺乏HbA1c数据、诊断后24小时内无血糖水平记录、首次符合条件ICU入住后的重复ICU入住。
  • 数据来源为MIMIC-IV数据库(2008年至2019年贝斯以色列女执事医疗中心ICU患者),仅纳入首次符合标准的ICU入住。

诊断标准与关键阈值

  • AHRF操作定义:PaO2/FiO2比值≤300 mmHg,患者首次满足该预设PaO2/FiO2标准的时点视为符合条件。
  • SHR计算公式:SHR = 血清葡萄糖(mg/dL)/(28.7 × HbA1c(%) - 46.7)。
  • SHR四分位分组:Q1(0.19≤SHR<0.84)、Q2(0.84≤SHR<1.02)、Q3(1.02≤SHR<1.20)、Q4(1.20≤SHR≤4.42)。
  • 限制性立方样条数据推导拐点约0.929,原文强调该值不应被解释为已确立的临床截断值。
  • 表型分析中使用数据推导阈值0.93将每种表型分为高SHR组和低SHR组。

研究设计与关键结果

  • 研究类型:基于MIMIC-IV数据库的回顾性分析,纳入2514例AHRF患者;主要终点为28天全因死亡率。
  • 主要简约Cox模型:SHR最高四分位较最低四分位与28天全因死亡率升高相关(HR 2.972,95%CI 2.108-4.189,P<0.001)。
  • 28天全因死亡率Q1至Q4分别为7.5%、7.2%、9.3%和25.8%;最高十分位(SHR 1.45-4.42,249例,103例死亡)死亡率41.4%,最低十分位(SHR 0.19-0.67,265例,18例死亡)死亡率6.8%;SHR≤0.41仅28例患者和3例死亡。
  • 限制性立方样条提示可能的非线性关联(总体P<0.001,非线性P=0.010),数据推导拐点约0.929。
  • 敏感性分析:排除第1/99百分位后最高SHR四分位与28天全因死亡关联仍显著(校正HR 2.130,95%CI 1.467-3.094,P<0.001);排除第2.5/97.5百分位后HR 1.857(95%CI 1.269-2.717,P=0.001);排除第5/95百分位后HR 1.805(95%CI 1.186-2.746,P=0.006)。
  • 预测分析:SHR的AUC为0.690,SOFA为0.602(AUC差异0.088,P<0.001);SOFA+SHR的AUC为0.706(与SOFA相比AUC差异0.105,P<0.001),Brier评分由SOFA的0.106降至SOFA+SHR的0.099;SOFA+SHR与单独SHR相比AUC差异0.017(P=0.101),无统计学意义。
  • CoxBoost+SuperPC模型保留18个特征,训练队列表观C指数0.814、乐观度校正C指数0.803,独立验证队列C指数0.826,验证队列28天时间依赖性AUC为0.845。
  • 共识聚类识别三种探索性表型:表型I 28天全因死亡率2.7%、平均28天生存时间27.6±3.0天;表型II死亡率24.5%、生存时间23.8±8.8天;表型III死亡率30.0%、生存时间22.4±9.7天(P<0.001)。

证据类型、等级与局限

  • 证据类型:基于MIMIC-IV数据库的回顾性观察性研究,采用限制性立方样条、Cox比例风险模型、Kaplan-Meier生存分析、机器学习预测模型和共识聚类分析。
  • 局限:作为基于MIMIC-IV数据库的回顾性分析,无法建立因果推断,且尽管进行了多变量调整,仍可能存在残余混杂。
  • 局限:由于SHR计算需要同时具备血糖和HbA1c测量值,排除缺乏这些实验室数据的患者可能引入选择偏倚,包括可能在采血完成前即已死亡的极重症患者。
  • 局限:通过共识聚类识别的表型来源于单一回顾性数据库中的临床和实验室变量,部分聚类变量同时也反映疾病严重程度和预后,表型-结局关联可能部分属于同义反复,需外部验证。
  • 局限:机器学习模型和聚类分析虽在独立验证队列中评估,但验证队列来源于同一数据库,临床应用前仍需外部前瞻性验证。
  • 局限:本研究基于单中心ICU数据库,无法直接评估基于SHR的风险预测的区域异质性和地理可移植性,需未来多中心流行病学验证。
  • 局限:回顾性数据库研究中无法充分评估实验室检测平台、试剂批次及潜在批次效应。
  • 局限:较低SHR范围内事件数较少且不确定性更宽,可能的非线性模式尤其在较低SHR范围内需进一步验证。

对床旁实践的改变

  • AHRF患者入院时可计算SHR(血清葡萄糖/(28.7×HbA1c-46.7)),SHR最高四分位(1.20-4.42)者28天全因死亡风险较低四分位升高(HR 2.972,95%CI 2.108-4.189),可据此识别需更密切监测的患者。
  • 作者认为SHR应被解读为风险分层标志物而非指导治疗的生物标志物,SHR不应独立决定血糖目标、胰岛素治疗策略或其他治疗决策,本研究不支持以SHR为指导的降糖方案。
  • 作者认为SHR升高可能有助于识别需要更密切监测并重新评估急性代谢应激、疾病严重程度、感染或休克状态以及血糖波动的AHRF患者。
  • 作者指出SHR的预后意义不应假定在所有种族、地区和医疗系统环境中完全一致,本研究基于单中心ICU数据库无法直接评估区域异质性。
  • 作者认为机器学习模型和共识聚类表型为探索性结果,在临床实施前需要前瞻性外部验证和临床影响研究。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译19 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Front Endocrinol (Lausanne). 2026 Sep 1;17:1810713. doi: 10.3389/fendo.2026.1810713

背景

急性低氧性呼吸衰竭(AHRF)是危重症患者中观察到的一种严重并发症,本研究将其操作性地定义为PaO2/FiO2比值≤300 mmHg。AHRF可由吸入氧分压降低、肺泡氧弥散受损、肺泡通气不足、肺内分流以及通气-灌注不匹配所致(1, 2)。AHRF患者常表现出严重的氧合障碍和多器官功能障碍,导致死亡率持续居高不下。尽管重症监护和机械通气策略取得了进展,AHRF仍然是全球重要的公共卫生问题。

应激性高血糖是与生理或病理应激相关的急性高血糖反应,可能与内分泌、免疫和代谢紊乱有关(3)。既往研究提示,高血糖可能与免疫反应受损和感染易感性增加有关(4)。为了更准确地评估相对于慢性血糖背景的急性高血糖,研究者提出了应激性高血糖比值(SHR),定义为入院血糖除以由HbA1c推算的平均血糖(5)。SHR可能反映危重症患者的急性代谢应激,据报道在多种危重症情况下具有预后价值(6)。在本研究中,我们评估了SHR与AHRF患者临床结局之间的关联,并探讨了SHR是否有助于风险分层。

方法

研究设计与人群

本研究基于MIMIC-IV数据库开展,该数据库包含2008年至2019年间在贝斯以色列女执事医疗中心重症监护室接受治疗的患者信息。其中一位作者完成了协作机构培训计划(CITI)关于“数据或标本研究”的必修课程和评估,并获得了MIMIC数据库的访问权限(认证编号:9535772)。由于数据库中所有患者数据均已完全匿名化,本研究无需伦理批准。AHRF操作性地定义为PaO2/FiO2比值≤300 mmHg。PaO2/FiO2比值从bg表中提取,该表包含MIMIC-IV数据库中血气衍生变量。患者在首次满足该预设PaO2/FiO2标准的时点被视为符合条件。对于在多次住院或ICU入住期间符合标准的患者,仅纳入首次符合条件的入住。纳入标准为年龄>18岁的成人患者,ICU住院时间超过24小时。排除标准包括(1):诊断前后48小时内缺乏糖化血红蛋白(HbA1c)数据的患者(2);诊断后24小时内无血糖水平记录的患者;以及(3)首次符合条件ICU入住后的重复ICU入住。

数据提取

使用结构化查询语言(SQL)从MIMIC-IV数据库中提取数据。收集的变量包括(1):人口学特征:年龄、性别、身高、体重和体重指数(BMI)(2);严重程度评分:序贯器官衰竭评估(SOFA)评分和简化急性生理学评分II(SAPS II)(3);生命体征:心率、呼吸频率、收缩压(SBP)、平均动脉压(MAP)和舒张压(DBP)(4);实验室事件:白细胞计数(WBC)、红细胞计数(RBC)、红细胞分布宽度(RDW)、血小板计数(PLT)、血尿素氮(BUN)、肌酐、阴离子间隙、碳酸氢盐、钙、乳酸、国际标准化比值(INR)、凝血酶原时间(PT)、部分凝血活酶时间(PTT)、总胆红素、ALT、AST、碱性磷酸酶(ALP)、纤维蛋白原、血红蛋白、钠、钾、血清葡萄糖和HbA1c(5);血气分析参数:动脉pH、PaO2、PaCO2和SpO2(6);合并症和治疗:糖皮质激素使用、高血压、肺炎、感染性休克、卒中、1型糖尿病、2型糖尿病、肾脏疾病、恶性肿瘤和充血性心力衰竭;以及(7)结局:28天全因死亡率、60天全因死亡率、90天全因死亡率、住院全因死亡率和ICU住院时间。SHR计算为血清葡萄糖(mg/dL)除以由HbA1c得出的估计平均葡萄糖,使用公式:SHR = 血清葡萄糖/(28.7 × HbA1c (%) - 46.7)。SHR概念基于Roberts等人,估计平均葡萄糖方程来源于Nathan等人的ADAG研究(5, 7)。

数据清洗和处理

在构建患者水平分析数据集后进行数据清洗和预处理。对于队列进入后前24小时内具有多次测量的变量,首先计算患者水平的汇总值。在主要分析中,插补前使用1.5 × 四分位距(IQR)规则处理离群值。鉴于危重患者的极端生理和实验室值可能代表真实疾病严重程度而非错误测量,在敏感性分析中评估了两种额外的离群值处理策略。首先,仅根据临床合理性去除临床不合理或生理上不可能的值。其次,应用缩尾处理以限制极端值的影响,同时保留具有临床意义极端测量的患者。缺失率超过20%的变量被排除以减少插补相关的不确定性。其余缺失率≤20%的变量使用MissForest算法进行插补。结局变量,包括28天全因死亡率和生存时间,未纳入插补模型以避免结局泄漏。敏感性分析使用链式方程多重插补(MICE)进行。

统计分析

数据分析使用R 4.3.1版本进行。正态分布的连续变量以均值±标准差(mean ± SD)表示,组间比较采用独立样本t检验。非正态分布的连续变量以中位数(四分位间距)(Median (IQR))表示,组间比较采用Wilcoxon秩和检验。分类变量以百分比报告,组间比较酌情采用卡方检验或Fisher精确检验。生存曲线采用Kaplan-Meier法生成,组间生存差异采用log-rank检验评估。SHR对AHRF患者预后的影响采用logistic回归和Cox比例风险回归模型进行评估。采用Kaplan-Meier生存曲线根据log-rank检验比较各组间的28天生存率。双侧P值< 0.05视为具有统计学意义。

限制性立方样条

采用限制性立方样条(RCS)分析评估SHR与28天全因死亡率之间潜在的非线性关系。评估了3至7个节点,节点位置基于SHR的百分位数确定,模型选择基于最小赤池信息准则(AIC)。模型1未调整。模型2被定义为主要简约模型,调整了年龄、性别、BMI、SOFA评分、2型糖尿病、高血压、肺炎、感染性休克、卒中、肾脏疾病、恶性肿瘤、充血性心力衰竭和糖皮质激素使用。急性生理和实验室变量,包括乳酸、碳酸氢盐、阴离子间隙、血气参数、凝血标志物和血液学标志物,未纳入主要模型,因为它们可能代表急性疾病的下游表现或与整体疾病严重程度重叠。估计的拐点被解释为数据衍生的和探索性的,而非既定的临床截断值。

特征选择

Boruta算法(8)被用作基于随机森林建模的探索性特征重要性筛选。阴影特征通过随机置换原始变量的副本生成,并在重复迭代中将原始变量与这些阴影特征进行比较。由于最终预测工作流程使用CoxBoost进行特征选择,随后使用SuperPC进行生存预测,Boruta结果被解释为描述性特征重要性发现,而非因果推断的基础。

机器学习模型开发

机器学习分析作为二次预测分析进行,以评估SHR和常规可获得的临床变量是否能在传统回归分析之外对28天全因死亡率预测有所贡献。为评估SHR在已建立的严重程度评分之外的增量预测价值,针对二分类28天全因死亡率终点比较了三个逻辑回归模型:仅SOFA、仅SHR以及SOFA + SHR。模型性能使用C指数/AUC、AUC的95%置信区间、校准截距、校准斜率和Brier评分进行评估,并使用DeLong检验比较AUC。共评估了101个候选机器学习模型或两步模型组合。对于最终的CoxBoost + SuperPC模型,CoxBoost用于特征选择,SuperPC用于最终生存预测。CoxBoost惩罚参数使用optimCoxBoostPenalty以start.penalty = 500进行优化,最佳提升步数通过10折交叉验证使用cv.CoxBoost以maxstepno = 500、K = 10和type = ‘verweij’进行选择。SuperPC以type = ‘survival’和s0.perc = 0.5进行训练,阈值通过10折交叉验证以n.threshold = 20、n.fold = 10、n.components = 3和min.features = 5进行选择。在训练队列中通过重复完整建模过程进行Bootstrap乐观校正,最终锁定模型在未用于特征选择、模型训练、超参数调优或截断值确定的独立验证队列中进行评估。CoxBoost + SuperPC与表现最佳的候选模型之间的两两比较使用28天时间依赖AUC比较进行,并补充DeLong检验作为二分类28天终点的补充分析。

聚类分析

通过共识聚类(CC)评估重采样条件下K-means聚类的最佳聚类数和分布,采用80%的子采样比例、1000次迭代,并探索聚类数(k)从2到6。理想聚类数基于一致性矩阵(CM)热图、累积分布函数(CDF)和簇内一致性评分选择。评分接近1表示聚类稳定性更高。同时,采用模糊聚类对比例(PAC)自动确定最佳聚类数,PAC值接近0表示聚类稳定性更好。确定最佳聚类后,使用t分布随机邻域嵌入(t-SNE)对结果进行可视化。分析不同表型的临床特征与死亡率之间的关系,临床特征以百分比或均值 ± 标准差表示。组间比较使用卡方检验、方差分析(ANOVA)和Wilcoxon检验。所有统计分析使用R 4.3.1版本进行。

结果

参与者特征和临床结局

共有2,514例诊断为急性低氧性呼吸衰竭(AHRF)的患者纳入分析(图1)。应激性高血糖比值(SHR)与预设死亡结局之间的关联汇总于表1。各变量的缺失数据比例见补充图1,缺失情况详情见补充表4。根据SHR将患者分为四个四分位数:四分位数1(0.19 ≤ SHR < 0.84)、四分位数2(0.84 ≤ SHR < 1.02)、四分位数3(1.02 ≤ SHR < 1.20)和四分位数4(1.20 ≤ SHR ≤ 4.42)。与其他四分位数相比,四分位数4患者的SOFA评分、BUN、肌酐、乳酸、白细胞计数、阴离子间隙和糖皮质激素使用比例更高,而碳酸氢盐、血清钙和PaO2更低(表2)。在Cox回归分析中,SHR与28天全因死亡率之间的关联在修订后的校正框架下保持一致。在主要简约模型中,与四分位数1相比,四分位数4与28天全因死亡率升高相关(HR = 2.972,95% CI:2.108-4.189,P < 0.001;表3)。Kaplan-Meier生存分析进一步显示,四分位数4患者的28天生存概率最低(图2)。

图1 研究设计与分析流程。(A)研究人群的定义及应激性高血糖比值(SHR)的计算。(B)SHR与预设死亡结局之间的关联及Boruta特征重要性分析。(C)预测模型的训练与验证流程及风险评分计算。(D)三种共识聚类表型的临床特征与生存模式。(E)患者筛选与队列构建流程图。 查看原图 ↗
表1 SHR与预设死亡结局之间的关联。 查看原表 ↗
表2 按SHR分组的患者基线人口学和临床特征。 查看原表 ↗
表3 Cox回归模型(28天全因死亡率)。 查看原表 ↗
图2 基于SHR分组的28天Kaplan-Meier生存曲线。四分位数1(0.19 ≤ SHR < 0.84)、四分位数2(0.84 ≤ SHR < 1.02)、四分位数3(1.02 ≤ SHR < 1.20)和四分位数4(1.20 ≤ SHR ≤ 4.42)。 查看原图 ↗

采用限制性立方样条分析SHR水平与28天全因死亡率之间的关系

限制性立方样条分析提示SHR与28天全因死亡率之间可能存在非线性关联,在该队列中数据推导的拐点约为0.929(图3)。该值不应被解释为已确立的临床截断值。最强且最一致的证据支持较高的SHR水平与死亡风险增加相关。

为评估该非线性模式的稳定性,我们考察了患者分布及28天全因死亡事件在不同SHR水平间的分布情况。按SHR四分位数分组,从Q1至Q4的28天全因死亡率分别为7.5%、7.2%、9.3%和25.8%。SHR最高十分位组(SHR 1.45–4.42)包含249例患者和103例死亡,死亡率为41.4%;相比之下,SHR最低十分位组(SHR 0.19–0.67)包含265例患者和18例死亡,死亡率为6.8%。在SHR极低端(SHR ≤0.41),仅观察到28例患者和3例死亡,提示该范围内的估计值应谨慎解读。排除SHR值低于第1百分位和高于第99百分位的患者后,最高SHR四分位组与28天全因死亡之间的关联仍然显著(校正HR 2.130,95% CI 1.467-3.094,P < 0.001)。排除SHR值低于第2.5百分位和高于第97.5百分位的患者后(HR 1.857,95% CI 1.269-2.717,P = 0.001)以及排除低于第5百分位和高于第95百分位的患者后(HR 1.805,95% CI 1.186-2.746,P = 0.006),观察到类似结果。这些结果见补充表5-S7。

图3 SHR与28天全因死亡关联的限制性立方样条分析。总体P值<0.001,非线性P值为0.010。SHR = 0.929附近的估计拐点来源于数据推导,应谨慎解读,而非视为已确立的临床截断值。 查看原图 ↗

探索性Boruta特征重要性分析

图4显示了探索性Boruta特征重要性结果。绿色区域中的变量被分类为重要,红色区域中的变量被分类为不重要,黄色区域中的变量被分类为暂定。SHR在AHRF患者28天全因死亡的重要预测因子中排名靠前,但这些特征重要性结果应解读为预测性和探索性的,而非因果性的。

图4 基于Boruta算法的特征选择。 查看原图 ↗

亚组分析

进行亚组分析以评估SHR四分位数与28天全因死亡之间的关联在临床相关分层中的情况,包括年龄、性别、SOFA评分和2型糖尿病状态(图5)。在这些分层中,最高SHR四分位组总体上与28天全因死亡增加相关。然而,这些亚组分析为探索性的,不应解读为基线特征改变或不改变SHR-死亡关联的确切证据。

图5 28天全因死亡的亚组分析。四分位组1(0.19 ≤ SHR < 0.84)、四分位组2(0.84 ≤ SHR < 1.02)、四分位组3(1.02 ≤ SHR < 1.20)和四分位组4(1.20 ≤ SHR ≤ 4.42)。 查看原图 ↗

机器学习模型的建立与验证

在次要预测分析中,SHR在预测28天全因死亡率方面表现出比SOFA更好的区分度。SHR的AUC为0.690,SOFA的AUC为0.602,DeLong检验的AUC差异为0.088(P < 0.001)。将SHR加入SOFA后改善了区分度,使AUC提高至0.706(与SOFA相比的AUC差异 = 0.105,P < 0.001),Brier评分从单独SOFA的0.106降至SOFA + SHR的0.099。与单独SHR相比,SOFA + SHR的AUC呈现适度但无统计学意义的增加(AUC差异 = 0.017,P = 0.101)。在机器学习分析中,最终选定的模型为CoxBoost + SuperPC。该模型保留了18个特征,优化的CoxBoost惩罚参数为1000,最佳提升步数为81,SuperPC阈值为1.524。训练队列中的表观C指数为0.814。经bootstrap乐观度校正后,乐观度校正C指数为0.803。在独立验证队列中,锁定模型的C指数为0.826。CoxBoost + SuperPC在验证队列中 achieved 28天时间依赖性AUC为0.845,在补充的二分类终点DeLong分析中AUC为0.847。预测模型比较和风险分层结果见图6。这些结果总结于补充表11-S15、S17和S18中。

图6 预测建模与风险分层。(A) 候选预测模型及模型组合在训练队列和验证队列中的性能比较。(B) 训练队列中高风险组和低风险组的Kaplan–Meier生存曲线。(C) 验证队列中高风险组和低风险组的Kaplan–Meier生存曲线。(D) 显示风险评分与预后相关临床特征之间关联的森林图。 查看原图 ↗

共识聚类分析

共识聚类识别出三个主要样本簇。累积分布函数(CDF)和delta面积图显示了k = 2至6之间聚类稳定性的变化(补充图2)。共识矩阵热图在k = 3时显示出更清晰的边界(补充图3)。PAC值在k = 3时最低(PAC = 0.057;补充表3),支持选择三个簇作为探索性表型分型方案。

共识聚类在AHRF患者中识别出三种探索性临床表型,并使用t-SNE图可视化表型分离(补充图5)。三种表型的特征见表4。表型I表现出相对较低的严重程度和更稳定的代谢及炎症特征。表型II表现出中等临床严重程度,伴有中度代谢和炎症异常。表型III表现出较高严重程度的临床特征,伴有更明显的器官功能障碍、低氧血症和炎症异常。这些簇应解释为描述性临床表型,而非经过验证的生物学亚型。

表4 三种表型的特征。 查看原表 ↗

表型与结局之间的关系

三种表型的死亡结局存在差异。表型III的28天全因死亡率最高(30.0%),其次为表型II(24.5%)和表型I(2.7%)(P < 0.001)。表型III的平均28天生存时间也最短(22.4 ± 9.7天),相比之下表型I为(27.6 ± 3.0天),表型II为(23.8 ± 8.8天)(P < 0.001;表4)。Kaplan-Meier生存分析显示各表型间生存差异显著(图7)。这些发现提示,这些聚类反映了疾病严重程度和预后方面具有临床意义的差异,但不应将其解释为已验证的生物学亚型。

图7 基于不同表型的28天KM生存曲线。 查看原图 ↗

不同表型中SHR效应的异质性

进一步在三种表型中探讨SHR与死亡率之间的关联。使用数据推导的阈值0.93将每种表型分为高SHR组和低SHR组。在主要校正模型中,SHR ≥0.93与表型II的28天全因死亡率相关(HR = 1.696,95% CI:1.104-2.605,P = 0.016),但在表型I(HR = 1.342,95% CI:0.675-2.667,P = 0.402)或表型III(HR = 1.146,95% CI:0.730-1.798,P = 0.554;表5和图8)中则不相关。然而,正式交互检验显示,二分类SHR × 表型交互作用无统计学意义(交互作用P = 0.456),而连续SHR × 表型交互作用提示可能存在异质性(交互作用P = 0.031)。因此,表型特异性分析应解释为探索性和产生假设性的分析。,

图8 在Class 1、Class 2和Class 3内按SHR组(<0.93 vs ≥0.93)分层的28天生存Kaplan–Meier生存曲线。 查看原图 ↗
表5 28天全因死亡率的Cox回归模型。 查看原表 ↗

讨论

据我们所知,本研究是首批探讨应激性高血糖比值(SHR)与急性低氧性呼吸衰竭(AHRF)患者不良结局之间关联的研究之一。我们的发现显示,SHR升高与该人群28天全因死亡率增加相关。这种关联在多个统计模型和敏感性分析中总体保持一致,提示SHR可能作为AHRF患者风险分层的潜在预后标志物。然而,鉴于本研究为回顾性观察性设计,这些发现应解释为统计学关联而非因果性证据。

据报道,高血糖与呼吸衰竭及其他危重疾病患者的不良结局相关。既往研究提示,高血糖可能与免疫反应受损、全身性炎症、氧化应激和内皮功能障碍有关,这些因素可能导致危重患者结局更差(9, 10)。在急性呼吸衰竭患者中,急性代谢应激和高血糖也可能与晚期糖基化终末产物形成及其他代谢异常相关(11)。然而,本研究并未直接测定这些生物学通路。因此,我们的研究结果并不能确定SHR会导致免疫功能障碍、氧化应激、内皮损伤或肺损伤。相反,SHR应被解释为一种临床可获取的标志物,可能反映AHRF患者急性代谢应激的严重程度。

同样重要的是要认识到,仅凭入院血糖可能不足以充分区分急性应激性高血糖与慢性血糖异常。SHR纳入了HbA1c,因此反映的是相对于患者估计的慢性血糖背景的急性血糖升高(5, 7)。既往研究报道,SHR升高与糖尿病/糖尿病前期、脓毒症和急性冠脉综合征人群的不良结局相关(12–14)。我们的发现将这些观察结果扩展至AHRF患者,提示SHR可能在该危重人群中提供预后信息。尽管如此,SHR仍是一种衍生生物标志物,其生物学意义应谨慎解读。

限制性立方样条分析提示SHR与28天全因死亡率之间可能存在非线性关联。然而,不应过度解读这种关系的确切形状。尽管在分类Cox回归和敏感性分析中,较高SHR水平与死亡风险增加相关的证据是一致的,但较低SHR范围内的事件数较少且不确定性更宽。因此,我们的结果支持SHR与死亡率之间存在非线性关联,其中最稳定的证据表明SHR升高的患者风险增加。需要进一步研究来验证可能的非线性模式,尤其是在较低SHR范围内。

机器学习分析旨在补充而非替代传统回归分析。回归模型探讨了SHR与28天全因死亡率之间的关联,而机器学习分析评估了SHR和常规可获取的临床变量是否有助于风险预测。与SOFA的比较提示,SHR捕捉到了传统疾病严重程度评分未能完全反映的预后信息。尽管CoxBoost + SuperPC模型在乐观校正后和独立验证队列中表现出可接受的性能,但这些发现应被解释为探索性预测结果,在临床实施前需要前瞻性外部验证。

若干生物学上合理的解释可能支持所观察到的应激性高血糖比值(SHR)升高与死亡率之间的关联。既往研究表明,急性高血糖可能影响先天免疫反应,包括中性粒细胞迁移、吞噬作用和微生物杀伤,从而增加感染易感性(15)。高血糖还与促炎细胞因子释放增加有关,如白细胞介素-6和肿瘤坏死因子-α,并与氧化应激和内皮功能障碍有关(15, 16)。这些机制可能在急性低氧性呼吸衰竭(AHRF)患者中具有重要意义,因为这类患者常存在炎症、低氧血症和器官功能障碍。然而,本研究未直接测量炎症细胞因子、氧化应激标志物、内皮功能和内分泌应激反应标志物。因此,这些机制应被视为基于既往文献的生物学合理假说,而非本数据直接证明的结论。

人群水平的代谢危险因素可能影响SHR的解读和可推广性。既往基于人群的研究表明,心脏代谢危险特征(包括高密度脂蛋白胆固醇偏低)可能在不同种族和人口学群体之间存在差异(17)。因此,不应假定SHR的预后意义在所有种族、地区和医疗系统环境中完全一致。由于本研究基于单中心ICU数据库,无法直接评估区域易感性和地理异质性。未来需要多中心和多区域流行病学队列来评估基于SHR的风险预测模型在不同人群中的可移植性、校准度和可推广性。此外,大语言模型可能有助于从非结构化电子健康记录中提取临床相关信息,并在未来的风险分层工作流程中支持表型区分。然而,在临床实施之前,严格的验证、隐私保护和偏倚评估仍然是必要的。

尽管本AHRF队列未评估糖尿病周围神经病变,但慢性血糖并发症可能有助于更广泛地解读代谢风险。本研究中的SHR是作为急性代谢应激和死亡风险的标志物进行评估的,而非作为用于指导糖尿病周围神经病变管理的生物标志物。未来研究可将糖尿病周围神经病变作为慢性血糖损伤和微血管功能障碍的临床相关表现进行评估(18)。其他血糖和代谢危险因素,包括HbA1c、入院血糖、血糖变异性、低血糖、糖尿病相关并发症和炎症生物标志物,也可能提供超出SHR的预后信息,值得进一步研究。

从临床角度看,SHR应被解读为风险分层标志物,而非指导治疗的生物标志物。SHR升高可能有助于识别需要更密切监测并重新评估急性代谢应激、疾病严重程度、感染或休克状态以及血糖波动的AHRF患者。然而,由于这是一项观察性研究,我们的发现展示的是预后相关性而非治疗效果。因此,SHR不应独立决定血糖目标、胰岛素治疗策略或其他治疗决策,本研究不支持以SHR为指导的降糖方案。未来需要前瞻性研究、外部验证和临床影响研究来确定以SHR为指导的风险分层能否改善治疗决策。

共识聚类识别出三种具有不同临床特征和死亡风险的临床表型。表型I以相对较低的严重程度和更稳定的代谢及炎症特征为特点。表型II表现出中等临床严重程度,伴有中度代谢和炎症异常。表型III代表较高严重程度的临床表型,具有更明显的器官功能障碍、低氧血症和炎症异常。共识聚类是作为一项探索性、数据驱动的临床表型分析进行的。所得聚类应被解读为描述性临床表型,而非经过验证的生物学亚型。由于用于聚类的若干变量也反映疾病严重程度,各表型间预后的差异应谨慎解读。

表型特异性分析提示SHR的预后价值可能因临床表型而异。在表型II中,SHR显示出更清晰的死亡分层,而当SHR以0.93为界进行二分类时,这种关联在表型I或表型III中不具有统计学显著性。这一发现应谨慎解读。一种可能的解释是,表型II代表一个中等风险亚组,在该亚组中应激性高血糖可能提供超出整体疾病严重程度的额外预后信息。相比之下,表型III患者具有更严重的低氧血症、炎症和器官功能障碍,其死亡风险可能主要由整体疾病严重程度驱动。在此情况下,SHR的增量预后贡献可能在统计学上被减弱。这一解读仍属探索性,不应被视为因果机制的证据。

重要的是,正式交互检验提示表型相关异质性取决于SHR的建模方式。当SHR以0.93为界进行二分类时,SHR类别与表型之间的交互作用不具有统计学显著性。当SHR作为连续变量建模时,SHR×表型交互作用具有统计学显著性。这些发现提示SHR-死亡关联中可能存在表型相关异质性,但也表明对SHR进行二分类可能过度简化其与结局的关系。因此,表型特异性发现应被视为假设生成性的,需要在独立队列中验证。

本研究存在若干局限性。第一,作为基于MIMIC-IV数据库的回顾性分析,无法建立因果推断,且尽管进行了多变量调整,仍可能存在残余混杂。第二,由于SHR计算需要同时具备血糖和HbA1c测量值,排除缺乏这些实验室数据的患者可能引入了选择偏倚,包括可能在采血完成前即已死亡的极重症患者。第三,通过共识聚类识别的表型来源于单一回顾性数据库中的临床和实验室变量。由于部分聚类变量同时也反映疾病严重程度和预后,表型-结局关联可能部分属于同义反复。因此,这些表型应被解释为探索性临床模式,在被视为稳定的生物学亚型之前需要外部验证。第四,尽管机器学习模型和聚类分析提供了额外的预后信息,且最终锁定模型在独立验证队列中进行了评估,但验证队列来源于同一数据库。在临床应用前仍需外部前瞻性验证。第五,由于本研究基于单中心ICU数据库,无法直接评估基于SHR的风险预测的区域异质性和地理可移植性,凸显了未来多中心流行病学验证的必要性。最后,在本回顾性数据库研究中,无法充分评估实验室检测平台、试剂批次及潜在的批次效应。

结论

总之,SHR与AHRF患者的28天全因死亡率相关,可作为风险分层的潜在预后标志物。最一致的证据支持SHR升高患者死亡风险增加。探索性表型特异性分析提示SHR的预后效用可能因临床表型而异,但这些发现应谨慎解读并需要外部验证。未来需要前瞻性研究来确认SHR的预后价值,并确定SHR是直接参与疾病进展还是主要反映基础疾病严重程度。

参考来源

  1. Zhang Q, Wang T, Wang H, et al. Nonlinear association between stress hyperglycemia ratio and mortality in AHRF: validation through consensus clustering and supervised machine learning models. Front Endocrinol (Lausanne). 2026. PMID: 42745751. doi:10.3389/fendo.2026.1810713
  2. 全文:PMC13574610(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13574610/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。