《MEDIATORS OF INFLAMMATION》：Association Between CBC-Derived Inflammatory Indicators and 28-Day Mortality in Patients With Coronary Heart Disease and Diabetes Mellitus: A Cohort Study From the MIMIC-IV Database
編輯推薦：
本研究利用MIMIC-IV數據庫，首次系統探討了六種基于血常規（CBC）的炎癥指標（如NLR、MLR、PLR、SII、SIRI、AISI）對重癥冠心病合并糖尿病（CHD-DM）患者28天死亡風險的預測能力。結果顯示，所有指標均能獨立且劑量依賴性地預測死亡，其中PLR和MLR的預測權重最高。這些廉價、床旁可得的指標為快速風險分層提供了有力工具，具有重要臨床轉化價值。
引言
冠心病（CHD）是全球首要死因，當其與糖尿病（DM）共存時，短期死亡率顯著增加，其核心機制在于慢性低度炎癥。高血糖激活AGE–RAGE–NF-κB軸，上調內皮黏附分子，放大氧化應激并募集單核/巨噬細胞，而胰島素抵抗則維持交感-炎癥循環，使白細胞和血小板處于“啟動”狀態。這些過程共同導致動脈粥樣硬化斑塊不穩定、損傷冠狀動脈微循環，并為缺血-再灌注損傷和惡性心律失常提供“炎性基質”。基于血常規（CBC）的炎癥指標整合了中性粒細胞、淋巴細胞、單核細胞和血小板的動態相互作用，比單一細胞譜系更能敏感地反映全身炎癥負荷、免疫失衡和血栓形成傾向。然而，這些指標在CHD-DM這一特定共病人群中的預后價值及劑量-反應關系尚不明確。本研究利用MIMIC-IV重癥監護數據庫，開展了一項大規模回顧性隊列研究，旨在確定這六種廉價CBC衍生的炎癥指標是否能獨立預測CHD-DM重癥患者的28天全因死亡率，并識別潛在的風險分層閾值。
方法
數據來源與倫理
本研究使用MIMIC-IV數據庫3.1版本，這是一個在2008年至2022年間收集的去識別化公開電子健康記錄數據庫。研究遵循STROBE指南，并將數據按時間劃分為訓練集（2017-2022年，n=1607）和驗證集（2008-2016年，n=1145）。
研究人群
我們使用ICD-10代碼從MIMIC-IV數據庫中識別成年（≥18歲）CHD患者。為減少非心血管代謝性炎癥的混雜，進一步排除了患有活動性全身炎癥性疾病的患者。最終，訓練集和驗證集分別納入了1607名和1145名同時患有CHD和DM的ICU患者。患者納入流程如所示。
變量與結局
基線人口統計學特征、BMI及實驗室參數被提取（訓練集基線特征見表1）。研究計算了六種炎癥指標：中性粒細胞-淋巴細胞比值（NLR）、單核細胞-淋巴細胞比值（MLR）、血小板-淋巴細胞比值（PLR）、全身免疫-炎癥指數（SII = 血小板 × 中性粒細胞/淋巴細胞）、全身炎癥反應指數（SIRI = 中性粒細胞 × 單核細胞/淋巴細胞）和全身炎癥綜合指數（AISI = 血小板 × 中性粒細胞 × 單核細胞/淋巴細胞）。訓練集的主要分析指標來源于ICU入院后1小時內的首次CBC，敏感性分析則使用了ICU入院后48小時內CBC的平均值重新計算。主要結局是28天全因死亡率。
統計方法
對缺失值≥50%的變量進行多重插補。統計分析包括：使用多變量Cox回歸估計風險比（HR）和95%置信區間（CI）；使用限制性立方樣條（RCS）探索非線性關聯和閾值；繪制Kaplan-Meier生存曲線并進行log-rank檢驗；使用受試者工作特征（ROC）曲線評估判別能力；繪制校準曲線評估預測概率與觀察死亡率的一致性；使用Spearman秩相關系數分析指標間關系；以及結合隨機生存森林（RSF）和SHAP分析量化各指標的相對預測重要性。
結果
患者特征
插補后，訓練集患者平均年齡為69.2±10.7歲，男性占73.2%，28天死亡率為10.6%。非幸存者的合并癥負擔更重（如心肌梗死、心力衰竭、腎臟疾病），且所有炎癥指標均顯著高于幸存者（p<0.001）。驗證集（n=1145）也觀察到類似的基線差異。
多變量Cox回歸分析
在完全校正后，所有六項指標在兩個隊列中均是28天死亡率的獨立預測因子。在訓練集中，每增加1個標準差，調整后的風險比（HR）分別為：NLR=1.03，MLR=1.49，PLR=1.003，SII=1.0007，SIRI=1.01，AISI=1.0007（所有p<0.01），均顯示出清晰的劑量-反應關系（例如，MLR第四四分位與第一四分位相比，HR=4.77，95%CI 2.91-7.84）。驗證集成功復制了這些關聯。使用48小時CBC平均值進行的敏感性分析證實了結果的穩健性。
Kaplan-Meier生存分析
Kaplan-Meier曲線顯示，在兩個隊列中，隨著所有指標四分位數的升高，28天生存率呈階梯式下降，log-rank檢驗結果均顯著（p<0.001）。各指標生存曲線如、、、、、所示。
非線性閾值效應
限制性立方樣條（RCS）分析在兩個隊列中發現了一致的風險閾值：NLR=4.02，PLR=71.02，SII=576.00，AISI=285.00。在訓練集中，當指標值超過這些閾值時，死亡風險急劇上升（所有非線性檢驗p<0.001）。驗證集復制了這種非線性模式。各指標與死亡風險的非線性關系如、、、、、所示。
ROC曲線分析
在訓練集中，六項指標聯合預測28天死亡率的曲線下面積（AUC）為0.767（95%CI 0.730–0.803），一致性指數（C-index）為0.752。在驗證集中，AUC為0.755（95%CI 0.715–0.796），C-index為0.746，表明模型具有良好的判別能力。、展示了訓練集和驗證集的ROC曲線。
校準曲線分析
校準曲線顯示，在兩個隊列中，基于炎癥指標預測的死亡概率與實際觀察到的死亡率高度一致，表明模型具有良好的校準度。、展示了訓練集和驗證集的校準曲線。
指標間相關性及預測價值排序
Spearman相關性分析顯示，六個炎癥指標之間存在中度到強相關性（例如，MLR與SIRI的相關系數r=0.84，AISI與SII的r=0.85，SII與PLR的r=0.85）。基于SHAP分析的變量重要性排序表明，在預測28天死亡率方面，PLR和MLR的權重最高，是區分死亡風險最重要的指標。
結論
這項來自MIMIC-IV數據庫的大型回顧性隊列研究表明，六種基于血常規（CBC）的廉價炎癥指標（NLR、MLR、PLR、SII、SIRI、AISI）均能獨立且以劑量依賴的方式，有效預測重癥冠心病合并糖尿病（CHD-DM）患者的28天全因死亡風險。研究不僅驗證了這些指標在訓練集和獨立驗證集中的穩健性，還通過限制性立方樣條（RCS）識別了關鍵的預測閾值（如NLR=4.02，PLR=71.02），為風險分層提供了明確的臨界點。綜合來看，PLR和MLR在SHAP分析中顯示出最高的預測權重。這些發現為臨床醫生提供了一種快速、無成本且易獲取的床旁風險分層工具，有助于在ICU入院早期識別高危患者，從而可能指導更積極的炎癥干預和個性化治療策略，改善CHD-DM這一高死亡率共病人群的臨床預后。
