Med-MIMIC，持续分享MIMIC临床生信文献与思路解读，捕捉当下热点思路，感兴趣的老师可以点点关注~需要定制化分析的老师欢迎扫码联系~
文章标题：A novel nutritional inflammation index for predicting mortality in acute ischemic stroke patients: insights into advanced lung cancer inflammation index from the Medical Information Mart for Intensive Care-IV database
中文标题：一种用于预测急性缺血性中风患者死亡率的新型营养炎症指数：来自重症监护 IV 医学信息市场数据库的晚期肺癌炎症指数的见解
发表期刊：Front Nutr .
发表时间：2024年7月
影响因子：4/Q1
这项调查旨在描述急性缺血性中风 （AIS） 个体的晚期肺癌炎症指数 （ALI） 与全因死亡率 （ACM） 之间的关联。
纳入与排除标准
纳入标准：MIMIC-IV 数据库从 2012 年到 2019 年，包括 180,733 人的记录。在该数据集中，14,511 名患者被归类为经历过 AIS，通过国际疾病分类 （ICD）-9（代码 433、434、436、437.0、437.1）和 ICD-10（代码 I63、I65）标准确定。
排除标准：10,755 人被遗漏，因为他们的入院不是第一次遇到 ICU，从而将人数缩小到 3,756 名 AIS 患者。排除标准包括无身高记录 （1,927 例）、体重 （11 例）、白蛋白水平 （229 例） 和中性粒细胞计数 （491 例），以及生存持续时间少于 0 小时 （4 例） 的患者，ICU 住院时间短于 3 小时 （2 例），或诊断为血液系统肿瘤 （0 例），晚期肝病 （41 例）， 终末肾功能衰竭 （46 例） 和恶性肿瘤 （167 例）。
按照这些标准，838 名患者的队列有资格进行最终分析。
统计方法
利用重症监护医学信息市场 （MIMIC）-IV 数据库 2.2 版（涵盖 2012 年至 2019 年）的信息，本研究通过考虑体重指数 （BMI）、血清白蛋白水平 （ALB） 和中性粒细胞与淋巴细胞比率 （NLR） 来评估晚期肺癌炎症指数 （ALI）。使用国际疾病分类 （ICD） 中的代码识别 AIS 患者。为了解决潜在的混杂因素，使用了 1：1 倾向得分匹配 （PSM） 方法。调查使用最大选择的等级统计确定了影响患者生存的关键 ALI 水平。然后，它通过多变量 Cox 比例风险回归模型和 Kaplan-Meier （K-M） 生存分析检查了对短期和长期 ACM 的影响。此外，应用限制三次样条法 （RCS） 方法深入研究 ALI 和 ACM 之间关系的线性或非线性性质，并从交互作用和亚组分析中获得进一步的见解。
结果分析
1. PSM 后的基线特征
这项调查包括来自 838 名在 ICU 接受治疗的 AIS 患者的 3,756 人。人口构成包括 484 名男性 （57.76%） 和 354 名女性 （42.24%），中位年龄为 69 岁 （IQR：60-78 岁）。参与者根据通过最大选择的秩统计确定的 ALI 阈值分为两个队列，将他们分为一组 ALI <10.38 （低 ALI） 和另一组 ALI ≥10.38 （高 ALI）。为了减轻低 ALI 组和高 ALI 组之间的基线特征差异，采用了 1：1 PSM 策略，最终将 199 个患者二对配对。在 PSM 之后，在队列之间观察到人口统计学、合并症、大多数实验室指标、各种指标和给药治疗的一致性，如 表 3 所示。
2. Cox 回归分析评估 PSM 前 AIS 患者 ALI 与 ACM 之间的关系
为了探讨 AIS 患者 ALI 和 ACM 之间的关联，本研究采用了单变量和多变量 Cox 回归分析，并对 ALI 进行了二分法。进一步改进的多变量模型 3 结合了高血压、糖尿病、心力衰竭和干预措施（溶栓、血栓切除术）等其他混杂因素，以及血细胞计数和收缩压，证实了较低 ALI 值对指定时间点死亡风险增加的独立预后意义。生存分析强调，与较高的 ALI 队列相比，较低 ALI 队列在 ICU、住院、30 天、90 天和 1 年标记的死亡率显着更高，百分比表明生存结果存在显着差异。
3. PSM 后 AIS 患者 ALI 与 ACM 的关系
PSM 后多变量 Cox 回归分析证实，ALI 低于 10.38 可显著预测指定区间内 ACM 增加：在 ICU（HR = 2.31,95% CI：1.27-4.21，p = 0.006），住院 期间（HR = 2.16,95% CI：1.32-3.52，p = 0.002），以及 30 天（HR = 2.44,95% CI：1.54-3.86，p < 0.001）、90 天（ HR = 2.25， 95% CI：1.53-3.30，p < 0.001）和 1 年（HR = 2.10,95% CI：1.50-2.96，p < 0.001）基准（如表 4 所示）。
4. 按 PSM 后 ALI 的二元分类
K-M 生存分析进一步强调，在短期和长期 ACM 评估中，与 ALI >10.38 的患者相比，ALI <10.38 患者的生存率显著降低，如图 5 所示。
5. AIS 患者短期和长期 ACM 的 ALI 亚组分析
进行亚组分析以评估 ALI 对 AIS 患者短期和长期 ACM 的影响，按人口统计学和临床特征分层，包括年龄 （<70 岁和 ≥70 岁）、性别、种族、高血压的存在、糖尿病和血脂异常。这些分析一致表明，在几乎所有检查的亚组中，较低的 ALI 与短期和长期 ACM 风险增加之间存在关联，如图 6 所示。
6. ALI 与短期和长期 ACM 的非线性关系
为了研究非线性关联的存在，使用了 RCS。通过应用平滑曲线拟合和广义加法模型，我们研究了 ALI 在短期和长期内对 ACM 率施加的阈值效应，旨在确定拐点。在 PSM 之前可以观察到 ALI 与短期和长期 ACM 之间的线性关系。在不同时间范围内，即在 ICU 住院期间以及间隔 30 天、90 天和 1 年之间，可以观察到 ALI 与死亡风险之间的非线性关系。
文章小结
在这项回顾性队列研究中，通过利用具有全国代表性的美国 AIS 患者样本，我们的分析阐明了 AIS 个体中 ALI 和 ACM 之间的负相关，强调了 ALI 作为预测 ACM 的新型、有效且可获得的炎症生物标志物的效用。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
