Prognostic Utility of the Endothelial Activation and Stress Index in Critically Ill Patients with Heart Failure and Acute Kidney Injury: A Dual-Cohort and Machine Learning Validation Study

技术摘要：内皮激活与应激指数（EASIX）在合并心力衰竭与急性肾损伤的危重患者中的预后效用

问题陈述

表现为并发心力衰竭（HF）和急性肾损伤（AKI）的危重患者面临着极高的发病率和死亡率，这种状态通常被称为心肾综合征（CRS）。其病理生理机制涉及血流动力学不稳定、神经激素激活和全身性淤血的双向循环，其中内皮功能障碍是核心中介因素。尽管迫切需要对该人群进行准确的早期风险分层，但目前评估内皮功能的金标准方法（如血流介导的血管舒张功能）在资源受限的重症监护室（ICU）中并不实用。此外，现有的生物标志物（如利钠肽）并不能直接反映往往发生在明显器官衰竭之前的全身性内皮应激。内皮激活与应激指数（EASIX）——一种由常规实验室指标推导出的精简评分——对于这一特定高风险队列的具体预测能力尚不明确。

研究方法

本研究采用了回顾性双队列设计，利用大规模去标识化的重症监护数据库：

• 开发队列： MIMIC-IV (v3.1, 2008–2022)，最终获得 4,000 例同时患有 HF 和 AKI 的成年 ICU 患者样本。
• 时间验证队列： MIMIC-III-CareVue (v1.4, 2001–2008)，获得 700 例患者用于外部验证。

数据处理与定义：

• 暴露因素： 内皮激活与应激指数（EASIX）通过入院值计算得出：$EASIX = (LDH \times Cr) / Platelets$。该变量经过 $\log_2$ 转换（$\log_2\text{-EASIX}$）用于分析。
• 协变量： 基线数据包括人口统计学特征、严重程度评分（SOFA、OASIS、查尔森合并症指数）、合并症、生理极端值以及关键干预措施（机械通气、连续肾脏替代治疗 [RRT]、血管活性药物）。
• 终点指标： 主要结局为入院后 28 天、90 天和 180 天的全因死亡率。

统计学与机器学习分析：

1. 生存分析： 使用多变量 Cox 比例风险回归模型评估关联性，涵盖三个层级模型（未调整、人口统计学调整及全调整模型）。使用限制性立方样条（RCS）评估剂量-反应关系和非线性关系。
2. 性能比较： 通过受试者工作特征曲线（ROC）和曲线下面积（AUC）衡量判别能力，将 $\log_2\text{-EASIX}$ 与既有评分（SOFA、OASIS、CCI）进行对比，并使用 DeLong 检验。
3. 机器学习流水线： 为验证预测重要性，训练了五种监督学习算法（随机森林、梯度提升机、支持向量机 [SVM]、XGBoost、K-最近邻 [KNN]）。采用 Boruta 算法进行特征选择，并使用 SHAP（SHapley Additive exPlanations）值进行模型解释性分析，以量化 $\log_2\text{-EASIX}$ 的边际贡献。

关键结果

• 与死亡率的关联： 入院 $\log_2\text{-EASIX}$ 水平升高显示出稳健、独立且呈剂量依赖性的死亡风险关联。在全调整开发队列中，处于最高四分位数（Q4）的患者与最低四分位数（Q1）相比，死亡风险显著增加：
  • 28 天死亡率：HR 2.37 (95% CI 1.95–2.87)
  • 90 天死亡率：HR 2.06 (95% CI 1.75–2.42)
  • 180 天死亡率：HR 1.98 (95% CI 1.70–2.31)
  • 这些发现通过外部 MIMIC-III 验证队列得到了持续复现。
• 剂量-反应关系： RCS 分析显示存在显著的线性、单调递增风险轨迹，且无非线性证据（$P > 0.05$），表明 EASIX 水平不存在明确的安全阈值。
• 预测性能： $\log_2\text{-EASIX}$ 的判别性能（AUCs: 0.601–0.622）尽管仅依赖三种常规生物标志物，但仍与多维临床指数（SOFA、OASIS、CCI）具有高度竞争力。
• 机器学习验证： 在五种算法中，梯度提升机（GBM）和随机森林模型实现了最优判别（AUCs: 0.709–0.725）。Boruta 特征选择和 SHAP 分析一致将 $\log_2\text{-EASIX}$ 列为最重要的预测特征之一，其重要性与复杂的严重程度评分相当。
• 亚组分析： 预后影响在大多数分层（年龄、性别、中风等）中保持一致。观察到与脓毒症状态存在显著交互作用：EASIX 的影响在非脓毒症患者中更为显著，但在脓毒症亚组中仍作为显著预测因子。

意义与主张

作者主张，入院 $\log_2\text{-EASIX}$ 是合并 HF 和 AKI 的危重患者短期及长期死亡率的一个精简、稳健且独立的预测因子。

• 临床实用性： 研究认为，相较于复杂的评分系统，EASIX 具有显著的实际优势，因为它仅需三种常规可用的生物标志物（LDH、肌酐、血小板），使其成为时效性极强的 ICU 环境中进行快速风险分层的可行工具。
• 机制见解： 线性剂量依赖关系表明，即使是轻微的内皮应激升高也会增加死亡风险，这支持了早期监测的价值。
• 验证： 通过将传统的生存分析与机器学习解释性（SHAP）相结合，并在两个不同的时间队列中进行验证，本研究提供了一个全面的框架，确立了 EASIX 是一个具有临床相关性的特征，而非仅仅是一个统计学上的生物标志物。

作者总结道，常规计算 EASIX 可以提高对高风险个体的早期识别能力，优化资源配置，并指导个性化治疗策略，同时也承认了数据回顾性性质以及在不同地理环境下进行前瞻性验证的必要性。