Endothelial Activation and Stress Index as a Prognostic Marker and Machine Learning Predictor of Mortality in Mechanically Ventilated ICU Patients: A Multicenter Retrospective Cohort Study

技术摘要：内皮激活与应激指数作为机械通气 ICU 患者的预后标志物及机器学习预测因子

问题陈述
机械通气（MV）是急性呼吸衰竭的关键干预措施，然而机械通气 ICU 患者的死亡率仍然很高（25–45%）。虽然内皮功能障碍是连接全身炎症与多器官功能衰竭的已知病理生理机制，但由于特定生物标志物（如血管生成素-2）的成本和可用性限制，临床上对内皮状态的常规评估非常有限。内皮激活与应激指数（EASIX）由常规实验室数值（乳酸脱氢酶、血清肌酐和血小板计数）计算得出，已在血液学和心脏科人群中显示出预后价值，但在机械通气队列中的系统性评估仍较缺乏。此外，现有的预后研究通常依赖于传统的回归模型，这些模型可能无法捕捉预测因子之间复杂的非线性相互作用，且许多机器学习（ML）研究缺乏外部验证和模型透明度。

方法论
本研究采用多中心回顾性队列设计，利用了两个公开数据库：

1. 主要队列： MIMIC-IV（版本 3.1），包含 2008 年至 2019 年间首次入住 ICU 的 5,300 名机械通气成年患者的数据。
2. 外部验证队列： eICU 协作研究数据库（版本 2.0），包含来自 200 多家美国医院的 243 名患者（2014–2015 年）。

纳入/排除标准： 患者需满足年龄 $\ge$ 18 岁，接受侵入性机械通气时间 $\ge$ 24 小时，ICU 住院时间 $\ge$ 2 天，且具有完整的 LDH、血小板和肌酐数据。

变量构建：

• 暴露因素： EASIX 计算公式为 $[LDH \times 肌酐] / 血小板$。由于存在右偏态，分析中使用 log2 转换后的值（Log2EASIX）。
• 结局指标： 主要结局为 28 天全因死亡率；次要结局为 90 天全因死亡率。
• 协变量： 包括人口统计学、生命体征、实验室参数、疾病严重程度评分（SOFA、SAPS II、APS III）以及合并症在内的全面变量集。

统计与机器学习方法：

• 回归分析： 使用带限制性立方样条（RCS）的 Cox 比例风险回归模型，评估 Log2EASIX 与死亡率之间的剂量反应关系，共进行了四个连续调整的模型。
• 特征选择： 利用 Boruta（集成封装法）和 LASSO 回归（Cox 损失函数）在训练集（MIMK-IV 的 70%）上得出共识特征集。
• 模型训练： 在共识特征集（19 个变量）上训练了 15 个机器学习分类器。根据基准交叉验证 AUC-ROC 进行模型选择，以惩罚过拟合。
• 可解释性与实用性： 使用 SHAP（SHapley Additive exPlanations）进行特征重要性和方向性效应的解释。通过决策曲线分析（DCA）评估相对于“全部治疗”和“不治疗”策略的净临床获益。

关键结果

• 独立关联性： 在完全调整的模型中，Log2EASIX 每增加一个单位，28 天死亡风险增加 25%（HR 1.25, 95% CI 1.19–1.32），90 天死亡风险增加 21%（HR 1.21, 95% CI 1.16–1.27）。
• 剂量反应关系： RCS 分析显示，Log2EASIX 与死亡风险之间呈现出明显的对数线性关系，未发现阈值效应或平台期。
• 亚组分析： 该关联在大多数亚组中保持一致。经过 Bonferroni 校正后，仅在 GCS 评分、查尔森合并症指数（Charlson Comorbidity Index）和恶性肿瘤状态方面发现了具有统计学意义的显著效应修饰。
• 机器学习性能：
  • 最优模型： CatBoost 取得了最高的判别性能，交叉验证 AUC 为 0.758。
  • 外部验证： 该模型在独立的 eICU 队列上保持了性能（AUC 0.745）。
  • 特征重要性： SHAP 分析将 Log2EASIX 列为第三重要的预测因子（平均 |SHAP| = 0.0497），仅次于 APS III 评分和年龄。
  • 临床实用性： DCA 证实，在内部和外部验证中的广泛阈值概率范围内，CatBoost 模型均比标准策略提供了更高的净临床获益。

核心贡献

1. 预后验证： 本研究确立了 Log2EASIX 是机械通气 ICU 患者短期和中期死亡率的独立预测因子，扩展了其在血液学和心脏科领域之外的应用范围。
2. 连续风险梯度： 研究表明 EASIX 与死亡率之间的关系是对数线性的，支持将 EASIX 作为连续风险梯度而非二元切点使用。
3. 具有透明度的机器学习框架： 本研究开发了一个经外部验证的机器学习模型，其中 EASIX 是顶级特征，并利用 SHAP 确保模型的可解释性，同时利用 DCA 验证临床实用性，解决了临床护理领域机器学习研究中常见的局限性。
4. 实用性： 该指数仅依赖于三种常规可得的实验室数值，为床旁风险分层提供了一种高性价比的工具。

意义与主张
作者主张，Log2EASIX 提供了重要的预后信息，这些信息并未被现有的疾病严重程度评分（SOFA、SAPS II、APS III）完全涵盖。通过将 EASIX 集成到机器学习框架中，本研究支持了其作为高死亡率人群早期风险分层实用床旁工具的潜力。研究结果表明，通过这一简单的综合指数所捕捉到的内皮应激，是机械通气患者预后的关键决定因素。研究结论指出，这些结果值得进一步的 prospective（前瞻性）调查，以确认 EASIX 在指导临床决策（如监测强度和医疗目标讨论）方面的效用。