8.5/1区，青岛大学挖掘MIMIC：机器学习结合SHAP建模重症血糖变异性死亡风险

引言

在ASCVD患者预后研究中，MIMIC数据库凭借其大规模真实世界数据优势，为探索糖代谢指标与死亡率关联提供支撑。那么，我们应该如何利用MIMIC数据库的真实世界数据优势，结合机器学习进行观察性研究呢?

2025年5月9日，青岛大学附属医院团队在Cardiovascular diabetology上发表论文，研究使用MIMIC数据库探讨了应激高血糖率（SHR）和GV在不同血糖代谢状态下的ASCVD患者中的预后价值，并利用机器学习方法来识别影响死亡率的关键因素。

文献简介

文献标题：

应激高血糖率与血糖变异性综合评估预测动脉粥样硬化性心血管疾病危重患者在不同葡萄糖代谢状态下的全因死亡率：一项机器学习的观察性队列研究

期刊名称：

Cardiovascular diabetology

影响因子：8.5，中科院1区

发表时间：2025年5月9日

💡 PMID：40346649

文献原文，关注本公众号并

回复【PDF】即可领取原文PDF!

研究思路 / Research approach

这篇文章通过挖掘MIMIC数据库，纳入2807例动脉粥样硬化性心血管疾病（ASCVD）患者，按正常血糖调节（NGR）、糖尿病前期（Pre-DM）、糖尿病（DM）进行糖代谢状态分层。研究运用Kaplan-Meier生存分析、Cox比例风险模型、限制性立方样条（RCS）、ROC曲线等传统统计方法，结合机器学习算法（逻辑回归、随机森林等）及SHAP解释技术，评估了应激高血糖率（SHR）、血糖变异性（GV）及其联合指标对28天和90天全因死亡率的预测效能。研究发现，SHR与GV联合评估在NGR和Pre-DM患者中显著提升预测准确性，而DM患者中仅90天死亡率预测有一定优势，机器学习模型进一步验证了SHR的核心预测价值及糖代谢状态的影响。

研究步骤 / Research Steps

研究人群筛选

分析方式：

基于MIMIC数据库，通过ICD-9/10代码筛选ASCVD患者，并应用排除标准（年龄<18 岁、ICU停留<24 小时、血糖测量<3次或HbA1c缺失）。

结论：

最终纳入2807例患者，分为NGR（941 例）、Pre-DM（680 例）、DM（1186 例）。

基线特征显示：非幸存者年龄更大（77 vs. 70 岁，P<0.01），合并急性肾损伤（AKI）、心力衰竭（HF）比例更高，SHR和GV水平显著升高。

SHR与GV的计算及分层

分析方式:

计算SHR：公式为ABG（mg/dL）/(28.7×HbA1c%-46.7)，反映急性血糖相对于慢性控制的偏离程度。

计算GV：采用CV（标准差 / 均值 ×100%），量化血糖波动。

按tertiles将SHR和GV分为高低组（SHR：<0.90,0.91-1.15,>1.15；GV：<14.92,14.93-24.46,>24.46）。

结论：

非幸存者的SHR和GV显著高于幸存者（SHR：1.18vs.1.04，P<0.01；GV：22.52% vs.18.91%，P<0.01），提示SHR和GV可能与死亡风险相关。

生存分析与风险建模

分析方式：

Kaplan-Meier（KM）曲线：比较不同SHR、GV分层的生存差异。

Cox比例风险模型：评估SHR、GV与死亡率的独立关联，调整年龄、性别、APACHEII评分等混杂因素。

限制性立方样条（RCS）：分析SHR、GV与死亡率的剂量-反应关系。

结论：

SHR的独立作用：在NGR和Pre-DM组，SHR升高与28天死亡率显著相关（HR=1.24, 95% CI 1.10-1.41），但DM组无显著关联（HR=1.14, 95% CI 0.80-1.62）。

GV的独立作用：各组中GV与死亡率均无显著关联（P>0.05）。

剂量-反应关系：Pre-DM组SHR与死亡率呈线性相关（P非线性=0.36），NGR组呈非线性相关（P非线性=0.023），DM组无显著关联。

联合评估（SHR+GV）的预测效能

分析方式：

构建SHR+GV联合模型，通过ROC曲线比较其与单一指标的预测效能（AUC值）。

亚组分析：按糖代谢状态分层，评估联合模型的增量价值。

结论：

NGR和Pre-DM组：联合模型的AUC显著高于SHR或GV单独使用（如NGR组28天死亡率：AUC=0.688vs.SHR=0.623，P=0.028）。

DM组：仅90天死亡率中联合模型AUC高于SHR（0.578vs.0.560，P=0.027），其余无显著差异。

机器学习建模与特征解析

分析方式：

使用Boruta算法筛选重要特征，构建5种ML模型（LR、DT、RF、XGBoost、LightGBM）。

通过SHAP值解析模型，评估SHR和GV的贡献权重。

结论：

模型性能：RF模型在NGR组表现最佳（AUC=0.804），LR模型在Pre-DM和DM组最佳（AUC 分别为 0.757和0.794）。

特征贡献：SHR在NGR和Pre-DM组贡献权重较高，GV贡献较低；DM组中SHR和GV的贡献均低于传统临床指标。

研究亮点/ Research Highlights

🟣首次联合评估SHR和GV：揭示联合指标在非糖尿病患者（NGR、Pre-DM）中的显著预测优势，DM患者中效果有限。

🟣机器学习增强预测：RF和LR模型在亚组中表现优异，SHAP提供直观解释。

🟣分层分析：首次在不同糖代谢状态中评估SHR+GV的联合预测价值，发现其在NGR和Pre-DM患者中优势显著，而DM患者因慢性代谢适应或治疗干预，联合评估价值有限。

🟣临床转化：提出基于糖代谢表型的个性化血糖管理策略，强调非糖尿病患者需同时关注急性血糖升高和波动。

学习小Tips

在该研究中，作者依托MIMIC-IV数据库，纳入ASCVD患者并按糖代谢状态分层，综合运用Kaplan-Meier、Cox模型等传统统计方法与机器学习算法（如随机森林、逻辑回归），结合SHAP技术解析特征重要性。研究技巧上，通过ICD编码精准筛选人群，利用CV量化血糖变异性、SHR整合急慢性血糖指标，借助ROC曲线对比预测效能，且通过亚组分析和敏感性分析验证结果稳健性。

学习时可借鉴其多方法联合挖掘数据间的关联，按糖代谢表型分层探索异质性，以及运用机器学习提升预测精度并增强结果可解释性的策略，同时，做观察性研究的同学，务必记得关注基线特征的全面性与混杂因素的控制。

文献原文，关注本公众号并

回复【PDF】即可领取原文PDF!