📄 医学

Development and Validation of a Nomogram for Predicting Cardiogenic Shock in Elderly Patients with ST-Segment Elevation Myocardial Infarction: A Retrospective Cohort Study

这项回顾性队列研究开发并内部验证了一个列线图，该列线图能有效预测老年 STEMI 患者入院时的心源性休克风险，证明了结合 Killip 分级和年龄的精简模型是一个功能强大且实用的床旁工具，其性能可与包含多种实验室及超声心动图参数的更复杂模型相媲美。

原作者： Zunguo Liu, Shaobing Yang, Yuanyuan Mao, Li Ma, Wanyu Song, Hui Huang

发布于 2026-10-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zunguo Liu, Shaobing Yang, Yuanyuan Mao, Li Ma, Wanyu Song, Hui Huang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

心肌梗死是一种可怕的紧急情况，其特征是流向心肌的血液流突然中断，导致组织死亡。虽然现代医学在重新打通这些阻塞动脉方面已经非常出色，但一种特定的致命并发症仍可能袭来：心脏仅仅是停止了提供足以维持身体生存的泵血力量。这种状态被称为心源性休克，是心肌梗死后最常见的死亡原因，尤其是在老年患者中。医生面临的挑战在于，这种情况可能会无声无息地发生或迅速进展，而目前用于早期发现它的工具往往过于粗糙，无法在最脆弱的患者陷入危机前及时捕捉到他们。

宁夏医科大学第一附属医院的研究人员致力于为老年患者建立一个更好的预警系统。他们针对 527 名因严重类型心肌梗死入院的 60 岁及以上人群展开了研究。团队希望创建一个名为“列线图”的简单可视化工具，该工具可以利用患者入院时即可获得的几项信息，计算出其陷入休克的特定风险。其目标是观察将经典的体格检查与现代血液检测相结合，是否能比单一方法更准确地预测危险。

研究首先通过查看这些患者的记录，以确定哪些人出现了休克，哪些人没有。研究人员收集了广泛的数据，包括患者的年龄、血压以及一种被称为 Killip 分级的标准心功能评估。这是一种长期使用的评估方法，医生通过听诊肺部并检查是否存在液体积聚，来对心脏的工作能力进行分级。团队还收集了详细的血液检测数据，包括炎症、血液凝固和肾功能的指标，以及心脏每次搏动泵出血液量的测量值。

当研究人员分析数据时，有两个因素脱颖而出，成为预测休克最强的指标。第一个因素是患者的年龄；患者每年岁数增长，其风险就会略微但显著地增加。第二个，也是更为强大的因素，是 Killip 分级。入院时表现出严重心力衰竭或肺部有积液迹象的患者，比看起来稳定的患者更容易进入休克状态。研究证实，这两个信息——患者的年龄以及他们目前的心脏功能状况——在预测结果时具有最大的权重。

随后，团队测试了加入特定的血液检测结果是否能提高预测能力。他们观察了诸如反映血液凝固活动的 D-二聚体，以及反映身体炎症程度的嗜中性粒细胞与淋巴细胞比值等指标。他们还考虑了血糖水平和心脏的泵血强度。当他们将所有这些因素整合到一个复杂的单一模型中时，该工具在区分生存患者与非生存患者方面的准确性略有提升。然而，这种提升很小。研究发现，虽然包含所有血液检测指标的全模型最为精确，但一个仅使用患者年龄和心功能等级的极简版本，其表现也几乎同样出色。

这一发现为急诊室提供了一条切实可行的路径。研究人员创建了一个简化的评分系统，医生无需使用电脑或计算器即可在床旁使用。如果一名患者年事已高且表现出心力衰竭迹象，那么无论血液检测结果如何，其风险都很高。如果患者较年轻且状态稳定，则风险较低。研究表明，虽然血液检测提供了更完整的图像，但它们并不会在很大程度上改变基本的风险评估，因此在每种情况下都为了等待化验结果而造成延误是不值得的。在这些时刻，挽救生命的有力工具仍然是细致的体格检查和了解患者的年龄。

研究人员谨慎地指出，他们的工具是基于单一医院的一组患者进行构建和测试的。虽然研究结果具有一致性且该工具在测试中表现良好，但尚未被证明适用于其他医院或不同的患者群体。研究还强调了一个局限性：该工具最适合用于评估到达医院时的患者整体风险（包括那些已经处于休克状态的患者），而不是预测哪些原本稳定的患者稍后会突然发展为休克。尽管存在这些界限，这项工作仍为医生提供了一种清晰、有证据支持的方法，使他们能够快速识别那些需要最紧急、最积极护理以防止致命崩溃的老年心肌梗死患者。

技术摘要：开发并验证用于预测老年 STEMI 患者心源性休克的列线图

问题陈述
心源性休克（CS）仍是 ST 段抬高型心肌梗死（STEMI）最致命的并发症，其院内死亡率高达 40%–50%。由于复杂的合并症和非典型表现，老年患者（≥60 岁）尤其脆弱，但目前缺乏专门针对该特定人群进行 CS 风险分层的预测工具。虽然 Killip 分级是评估急性心肌梗死（AMI）期间心脏功能的标准床旁工具，但仅使用该指标在预测 CS 时的敏感性和特异性受到限制。以往的模型要么针对已在 ICU 中发生 CS 的患者，要么未能专门针对老年群体。本研究旨在解决开发一种能在入院时整合临床评估与实验室参数，以预测老年 STEMI 患者 CS 风险的工具的需求。

方法学
本项单中心回顾性队列研究纳入了 2019 年 1 月至 2022 年 12 月期间确诊为 STEMI 且年龄 ≥60 岁的 527 名患者。在排除 4 名 CS 状态缺失的患者后，共对 523 名患者（39 例 CS 病例，484 例非 CS 病例）进行了分析。

数据收集： 变量包括人口统计学资料、Killip 分级、生命体征、合并症、超声心动图（LVEF、LVEDD）、冠状动脉造影以及在入院 24 小时内获取的全面实验室检测指标（如 D-二聚体、NLR、血糖、NT-proBNP、血红蛋白）。
变量筛选： 使用单变量逻辑回归对候选变量进行筛选（ $P < 0.1$ ）。为解决多重共线性问题，剔除了高度相关的变量（例如，保留 NLR 而非单个中性粒细胞/淋巴细胞百分比）。模型构建遵循事件变量比（EPV）原则（39 个事件支持约 6 个变量）。
模型构建： 开发了两个主要的多元逻辑回归模型：
1. 组合模型： Killip III–IV 级、D-二聚体、NLR、LVEF、血糖和年龄。
2. 仅实验室模型： D-二聚体、NLR、LVEF、血糖、年龄和血红蛋白（不含 Kill评级）。
3. 简化模型： 一个受限于 Killip III–IV 级和年龄的简约模型。
验证与评估： 通过受试者工作特征曲线下面积（AUC）及 DeLong 检验评估模型的区分度。使用 Hosmer-Lemeshow 检验评估校准度。通过 1,000 次自助抽样（bootstrap resamples）进行内部验证，以计算乐观度校正后的 AUC。敏感性分析包括 Firth 惩罚逻辑回归（针对稀有事件）、LASSO 回归以及交互作用分析（NLR × Killip）。使用决策曲线分析（DCA）评估临床实用性。最后推导出一个基于整数的简化评分规则，以便于床旁应用。

关键结果

预测因子： 在组合模型中，Killip III–IV 级（OR = 13.531, $P < 0.001$ ）和年龄（OR = 1.076, $P = 0.013$ ）是 CS 的唯一独立预测因子。虽然 D-二聚体、NLR、LVEF 和血糖在单变量分析中具有显著性，但在多元组合模型中未达到统计学显著性。
模型性能：
- 组合模型（Killip + 实验室指标 + 年龄）实现的 AUC 为 0.874（95% CI: 0.819–0.927）。
- 该模型显著优于单纯 Kill评级（AUC = 0.815, DeLong $P = 0.001$ ）和仅实验室模型（AUC = 0.775, DeLong $P = 0.014$ ）。
- 简化模型（Killip + 年龄）实现的 AUC 为 0.864，与全组合模型相比无统计学差异（似然比检验 $P = 0.168$ ; DeLong $P = 0.140$ ）。
验证： 组合模型的自助抽样校正后 AUC 为 0.858，表明其具有良好的稳定性且过度拟合程度极低（乐观度 = 0.016）。校准度良好（Hosmer-Lemeshow $P = 0.412$ ）。
临床实用性： 决策曲线分析显示，在 5%–25% 的阈值概率范围内，组合模型具有正向净获益。从模型中推导出的简化 25 分制床旁评分规则实现的 AUC 为 0.846。

意义与主张
作者声称所开发的列线图能有效预测老年 STEMI 患者入院时的 CS 风险。研究强调了两个互补的发现：

增量价值： 将实验室参数（D-二聚体、NLR、LVEF、血糖）与 Killip 分级及年龄相结合，与仅使用 Killip 分级相比，显著提高了区分度。
简约性： 研究适度地得出结论：四个实验室变量相对于仅包含 Killip 分级和年龄 的模型的增量价值有限，且不具备统计学显著性。因此，作者提出，当 Killip 分级可用时，仅添加年龄即可构成一个强大、简约且快速的床旁风险分层工具。而当需要追求最大预测性能时，全列线图仍是首选。

论文明确承认了局限性，包括缺乏外部验证、单中心回顾性设计以及 CS 事件数量较少（39 例），这可能会限制检测实验室变量细微增量效应的统计效能。此外，作者指出，该模型针对的是“整体入院时 CS 风险”（包括已处于休克状态的患者），而非预测从无休克状态进展为 de novo（新发）CS 的过程，这是由于 Killip IV 级与 CS 结局定义之间存在重叠。未来的工作被确定为需要进行多中心前瞻性研究及外部验证。

类似论文