慢性心力衰竭（CHF）是导致心血管相关死亡的主要原因之一，对人类健康构成重大威胁。应激性高血糖比（SHR）作为一种评估患者在急性医疗事件中体内血糖水平变化的指标，与多种重症疾病的不良结局相关。
然而，目前尚不清楚SHR是否与先前患有CHF且入住重症监护病房（ICU）患者的死亡风险相关。
2024年12月7日，中国学者用MIMIC-IV 数据库，在期刊《Cardiovascular Diabetology》（医学top一区，IF=8.5）发表题为：“Predicting 28-day all-cause mortality in patients admitted to intensive care units with pre-existing chronic heart failure using the stress hyperglycemia ratio: a machine learning-driven retrospective cohort analysis”的研究论文，旨在探究SHR水平与先前患有CHF的ICU患者的28天住院死亡率的关联，并通过四种机器学习算法（ML）构建预测模型。
研究结果表明，对于先前患有慢性心力衰竭的ICU患者，SHR可作为预测其28天住院死亡的独立因素。此外，在构建的四种预测模型中，神经网络算法的预测性能最佳。
公共数据库与孟德尔随机化公众号回复”原文“即可获得文献PDF等资料
研究团队基于MIMIC-IV数据库2008年~2019年的数据，经过纳排，最终纳入了913名年龄≥18岁患有CHF且入住ICU的患者，59%为男性。并且在28天的随访中，有488名患者在住院期间死亡。
图1 研究流程
SHR可有效预测患者28天住院死亡率
首先，研究团队通过RCS曲线探究SHR水平与患者28天住院死亡率的关联，结果显示，患者28天死亡风险随着SHR水平的升高而增加。
图2 SHR水平与患者28天住院死亡率关联的RCS
调整了年龄、合并症败血症、肺炎和充血性心力衰竭、生命体征、OASIS评分、实验室检测指标和药物等
同时，Cox比例风险回归模型结果表明，SHR与28天住院死亡率独立相关。并且，亚组分析结果与其一致。
表1 COX比例风险回归和亚组分析
研究团队还通过绘制SHR、入院血糖（ABG）和糖化血红蛋白（HbA1c）的ROC曲线来预测患者28天的住院死亡率。结果表明，SHR（AUC=0.924）的预测能力优于ABG（AUC=0.910）和HbA1c（AUC=0.917 ），其截断值为0.57。
图3 ROC曲线
此外，研究团队根据SHR的截断值（0.57）将所有患者分为两组，并绘制了两组的Kaplan-Meier生存曲线。
结果表明，与SHR<0.57组相比，SHR≥0.57组患者的28天住院生存率显著降低。
图4 Kaplan-Meier生存曲线
预测模型的构建与评估
√变量筛选
研究团队通过“森林之神”—Boruta算法，筛选出15个重要预测因子。其中，SHR是预测患者28天住院死亡率的关键预测因子之一。
图5 Boruta算法
绿色框表示重要变量，红色框表示不重要的变量，黄色框表示可能重要的变量
√数据处理
研究团队将从MIMIC-IV数据库收集的数据以7：3的比例随机分为训练集（n=640）和验证集（n=273）。
√模型构建和评估
团队通过四种机器学习算法预测患者的28天住院死亡率，包括Coxph 、K-最近邻算法（KNN）、朴素贝叶斯（Bayes）和神经网络算法。
同时，通过ROC曲线、决策曲线（DCA）和校准曲线评估模型的预测性能。结果表明，神经网络算法模型的预测性能最佳。
图6 机器学习模型的ROC曲线
亮点小结
其实基于机器学习构建预测模型的套路非常类似，基本上都是数据收集、特征筛选、模型构建以及模型评估。
想要在常规思路上有所亮点，不如尝试本文用“森林之神”—Boruta算法筛选变量的思路，让研究的统计方法更加高级。
如果你想在其他公共数据库尝试，可以看看郑老师的NHANES和GBD一对一课程！数据库挖掘教学+文章复现+选题建议+R代码报错指导，从零到一，足以满足你的发文需求， 让你不再为SCI文章焦头烂额！
请关注“公共数据库与孟德尔随机化”公众号，今后我们也会分享更多公共数据库联合机器学习发高分的优秀文章，大家敬请期待！
-NiyS.png)
