早期血糖动态轨迹预测急性呼吸窘迫综合征患者30天死亡风险

2026年7月，外国学者在《International Journal of Medical Informatics》（2区，IF=5.0）发表标题为：“Predictive value of early blood glucose trajectory for poor prognosis in ARDS patients”的研究论文。

一、摘要

背景：急性呼吸窘迫综合征（ARDS）患者常出现应激性高血糖，且血糖变异性与不良预后相关。传统的静态血糖指标无法捕捉动态血糖变化，而当前的ARDS预后模型缺乏对动态血糖轨迹的整合，导致早期风险分层的精准度不足。本研究旨在探讨早期血糖轨迹与ARDS患者30天死亡率之间的关联，同时构建并验证一个整合动态血糖特征的预后预测模型。

方法：从MIMIC-IV数据库中纳入8103例ARDS患者作为训练集，来自单中心的158例患者作为外部验证集。采用基于组的轨迹建模（GBTM）对入院48小时内的血糖轨迹进行聚类。使用Cox比例风险模型识别独立预后因素，并构建列线图模型。分别使用ROC曲线、校准曲线和DCA对列线图进行验证。

结果：确定了四条血糖轨迹：G1（20.01%）、G2（37.43%）、G3（34.64%）和G4（7.91%）。其中，血糖水平稳定且较低的G2组30天生存概率最高，而初始血糖水平高、先急剧下降后轻微上升的G4组30天死亡率显著升高（log-rank ）。整合了血糖轨迹、年龄、呼吸频率和阴离子间隙等16个预测因子的列线图具有良好的区分度（训练集AUC = 0.72，验证集AUC = 0.75）、良好的校准能力和较高的净临床获益。

血糖轨迹的特征描述与临床结局

对8103例ARDS患者在ICU入院最初48小时内12个时间点（每4小时间隔）的血糖测量值应用GBTM。我们系统评估了1至4条轨迹，通过最小化信息准则确定模型选择。四轨迹模型表现出最优拟合，表现为最低的BIC（634，612.061）、CAIC和HQIC值（表1）。所有轨迹组的AvePP均≥0.957，证实了分类的稳健性。在纳入的8103例患者中，20.01%被归类为G1，37.43%为G2，34.64%为G3，7.91%为G4。图2A展示了四个已识别聚类在ICU入院后最初48小时内的血糖轨迹。轨迹2在整个过程中呈现相对稳定且较低的血糖水平。轨迹1从中等血糖水平开始并保持稳定。轨迹3的血糖水平和波动幅度略高于轨迹1和2。相比之下，轨迹4初始血糖水平较高，但在32小时内显著下降，随后轻微上升。

Kaplan-Meier分析显示各轨迹间存在显著的生存差异（log-rank ，图2B）。G2的30天生存率最优，而G4的生存率最差。

基线特征

表2展示了各轨迹组的基线特征。其中，仅高血压和钙离子指标在四组间无显著差异，其余变量均有显著差异。

ARDS患者预后因素的评估

在本研究中，我们以轨迹2作为参照，旨在识别与ARDS患者相关的预后因素。单因素Cox比例风险模型分析识别出18个与30天死亡率显著相关的变量（），包括年龄、性别、种族、体温、呼吸频率、血氧饱和度（SpO2）、红细胞压积、血小板、白细胞计数（WBC）、阴离子间隙、碳酸氢盐、血尿素氮（BUN）、钙离子、肌酐、钠离子、国际标准化比值（INR）、凝血酶原时间（PT）和轨迹组（表3）。这些因素随后被纳入多因素Cox比例风险模型分析（表4），结果显示年龄、种族、体温、呼吸频率、红细胞压积、血小板、WBC、阴离子间隙、BUN、钙离子、肌酐、钠离子、PT和轨迹组是ARDS患者预后的关键决定因素。

列线图的构建

通过多因素Cox比例风险模型分析识别的13个独立预测因子被整合，用于构建预测30天死亡率的预后列线图（图3）。该图形模型根据各变量水平对其贡献的比例分配加权分数，总分值对应预测的死亡概率。

生存列线图的评估

采用ROC曲线和校准曲线评估列线图的预测性能。列线图显示出良好的区分度，在训练集中AUC为0.72（图4A）。校准曲线贴近对角线，证实列线图预测结果与实际观测结果基本一致（图4B）。DCA结果显示，模型曲线与两条极端曲线有一定距离，具有良好的预测效果，且模型的净获益率高于其他单一指标（图4C）。同样，列线图在验证集中也表现出优异的预测性能（AUC = 0.75，图S1A），校准曲线（图S1B）和DCA（图S1C）也进一步证实了该预测模型的临床实用性和预测效果。

亚组分析

在按年龄、性别、糖尿病状态和高血压分层的临床相关亚组中，观察到轨迹与预后关联的方向一致性（图5）。尽管大多数亚组的HR（风险比）>1且具有显著差异，但交互作用P值均不显著。

一、研究设计

P：ARDS患者

O：30天全因死亡率

S：回顾性队列研究（训练集基于MIMIC-IV数据库，验证集为单中心外部验证）。

连续变量以均值（标准差）表示，分类变量以例数（百分比）表示。采用基于GBTM识别入院48小时内的不同血糖轨迹。轨迹数量通过比较BIC、CAIC和HQIC确定，模型拟合优度通过AvePP评估。使用Kaplan-Meier曲线和对数秩检验比较不同轨迹组之间的30天生存率。采用单因素和多因素Cox比例风险模型分析与30天死亡率相关的预后因素，结果以风险比（HR）及其95%置信区间（CI）表示。多因素Cox回归中采用逐步回归进行变量筛选。基于多因素Cox回归中识别的独立预测因子构建预测30天死亡率的列线图。通过ROC曲线评估列线图的区分度，使用校准曲线评估校准度，采用DCA评估临床净获益。在训练集中进行模型构建和内部验证，在外部验证集中进行外部验证。采用R软件（版本4.4.1）进行所有统计分析。