解读人：傲莹歌
参考文献：CUI X, SHI H, HU Y, 等. Association between estimated pulse wave velocity and in-hospital and one-year mortality of patients with chronic kidney disease and atherosclerotic heart disease: a retrospective cohort analysis of the MIMIC-IV database[J/OL]. Renal Failure, 2024, 46(2): 2387932[2024-10-09]. https://www.tandfonline.com/doi/full/10.1080/0886022X.2024.2387932.
内容概要
本研究利用MIMIC-IV数据库，对1173名慢性肾脏病（CKD）和动脉粥样硬化性心脏病（ASHD）患者进行回顾性队列分析，旨在探讨估算脉搏波速度（ePWV）与CKD和ASHD患者住院及一年死亡率之间的相关性。研究发现，较高的ePWV与较低的生存率呈负相关，且在调整混杂因素后，较高的ePWV水平（ePWV > 11.90 m/s）与CKD和ASHD患者的住院和一年死亡率增加显著相关。研究结果表明，ePWV可能是评估CKD合并ASHD患者住院和一年死亡风险的潜在生物标志物。
慢性肾脏病（CKD）患者中， 心血管疾病(CVD)是导致发病率和死亡率的主要原因，且这些患者往往存在多种传统危险因素，如高血压、糖尿病和血脂异常。目前，评估CKD患者心血管风险的方法存在局限性，需要更有效的预测指标来改善风险分层和预后评估。
尽管颈-股脉搏波速度（PWV）已被证实为心血管死亡和肾脏损伤的独立预测因子，但在临床实践中，直接测量PWV的方法侵入性强、成本高，限制了其广泛应用。因此，研究者们试图通过计算脉搏波速度（ePWV）这一非侵入性方法来估算PWV，以期找到更适用于临床的心血管风险评估工具。
Cui等利用MIMIC-IV数据库，该数据库包括了2008年至2019年在Beth Israel Deaconess医疗中心的重症监护病房（ICU）中超过40,000名住院病人的数据。他们在本研究中共纳入了1173名同时患有CKD和ASHD的ICU患者，根据他们的ePWV值分为四个四分位数组。研究采用Cox比例风险模型分析ePWV与住院和一年内死亡率的关联，Kaplan-Meier生存曲线用于评估不同ePWV组的生存率差异。
研究表明，ePWV可以作为评估CKD与ASHD患者死亡风险的潜在标志物。动脉僵硬和钙化与这些患者的高死亡率密切相关，尤其是在动脉粥样硬化和CKD的双重影响下，患者的血管健康状况更加恶化，从而导致更高的心血管事件和死亡率风险。
总体评价
Cui等人的研究通过大规模回顾性分析，全面探讨了ePWV与CKD及ASHD患者死亡率之间的关联。文章结构严谨，数据分析详实，具有高度的学术和临床指导价值。同时，研究提出ePWV作为潜在生物标志物的应用前景，可以为未来CKD和ASHD患者的风险评估提供新的思路。
文章亮点
研究方法与创新：Cui等人的研究方法具有创新性，使用了多种统计分析方法，以确保结果的科学性和可靠性。
- Cox比例风险模型： 文章通过Cox比例风险模型来评估ePWV与死亡率之间的关系。这种模型使得研究能够同时考虑多种影响因素，包括性别、年龄、体重指数（BMI）、白细胞数（WBC）、钾水平等。
- Kaplan-Meier生存曲线： 文章通过Kaplan-Meier生存曲线展示了不同ePWV分组患者的生存情况，并使用log-rank检验比较了不同组别之间的差异。
- 分层分析与亚组分析： 文章针对不同年龄、性别、心力衰竭、糖尿病等因素进行了亚组分析，揭示了这些因素与ePWV对患者死亡率影响的交互作用。特别是发现年龄大于65岁、患有心力衰竭的患者，ePWV对其死亡风险的影响更加显著。
- 限制性立方样条模型（RCS模型）： Cui等人还使用了RCS模型来分析ePWV与死亡率之间的剂量-反应关系，表明ePWV升高与死亡风险呈线性正相关。
多层次的统计模型：通过Cox模型、Kaplan-Meier生存曲线和RCS模型，研究揭示了不同ePWV水平下患者的生存率差异，结果科学可靠。
ePWV与死亡率的关联分析：研究表明，ePWV可以作为CKD和ASHD患者死亡率的独立预测因子，为临床提供了重要的参考依据。
细致的暴露评估：Cui等人的研究使用了患者的多项临床参数和实验室数据（如血压、ePWV、白细胞、肌酐等）进行暴露评估，并结合生存曲线和回归分析，精确量化了这些临床参数对住院和一年内死亡率的影响。
文章启发
本篇文献对我们未来的研究有多方面的启发。Cui等人利用MIMIC-IV数据库进行研究，为我们后续学习和使用该数据库提供了重要帮助。
MIMIC-IV数据库涵盖了大量重症监护室（ICU）患者的临床数据，提供了从2008年到2019年间的详细病历信息。Cui等人通过该数据库收集了包括血压、实验室结果、器官衰竭评分等关键指标，分析了住院和一年死亡率的风险因素。在未来我们自己开展研究时，可以充分利用MIMIC-IV的多维数据，不仅限于单一指标，还可以结合多项临床和实验室数据，进行全方位的健康风险评估，进一步揭示复杂的病理机制。
MIMIC-IV数据规模庞大且包含多种数据类型（如临床数据、药物使用、实验室数据、诊断代码等），这给数据处理带来了挑战。Cui等人在其研究中，对缺失数据进行了合理的填补，并选择了关键指标进行分析。我们在后续研究时也需要对数据进行充分的预处理，确保数据质量，包括处理缺失值、重复值、异常值等。
Cui等人结合了多种统计分析方法，如Cox比例风险模型、Kaplan-Meier生存曲线和限制性立方样条模型（RCS模型），使得结果更加可信和全面。在分析MIMIC-IV数据时，可以根据研究问题的需求选择合适的统计方法。例如，若研究目标是死亡率或其他事件发生率，可以采用Cox回归模型；若关注时间序列问题，可以引入分布滞后模型（DLNM）等。
Cui等人的研究对不同年龄、性别、是否患有心力衰竭等患者进行了分层分析，揭示了不同亚组患者的差异性。在未来ICU患者数据分析时，可以通过分层分析进一步挖掘特定人群的特征，例如老年患者、慢性病患者或器官衰竭患者等。通过这类分层分析，能够更好地识别出高危群体，为个性化治疗和干预措施提供支持。
Cui等人的研究聚焦于住院期间和一年内的死亡率，通过时间段内的动态分析，揭示了疾病进展中的风险因素。在ICU数据分析中，时间动态的考量非常重要。MIMIC-IV数据库提供了患者在住院期间的详细时间数据，可以通过科学分析方法，揭示关键健康结局随时间变化的模式，尤其是患者在ICU不同阶段的病情变化、治疗效果和风险评估。
MIMIC-IV数据库包含详细的ICU患者信息，如用药、治疗、手术、器械使用（如呼吸机）等。Cui等人将不同类型的数据结合在一起进行多维分析，特别是对血压、脉搏波速度等变量的深入分析。未来研究可以进一步结合药物治疗、肠内外营养等不同治疗干预的效果，探索这些干预措施与患者健康结局的关系。
Cui等人使用了R语言和Stata等统计软件进行数据分析。未来研究中，我们也可以选择并掌握合适的技术工具来处理MIMIC-IV数据。可以考虑使用MIMIC-IV官方推荐的SQL和Python查询工具（如MIMIC-Extract）更高效地从数据库中提取所需数据。
Cui等人的研究表明，ePWV可以作为预测死亡率的潜在标志物，并为临床实践提供了新的思路。未来研究可以进一步探索MIMIC-IV中的其他临床变量（如生物标志物、治疗方案等），帮助识别新的临床风险标志物，并将研究结果转化为实际的政策或临床决策支持工具。通过对ICU患者进行更精准的健康风险评估，可以提高治疗决策的科学性，进而改善患者预后。
撰写：傲莹歌；编辑：格桑玉珍；审校：米白冰
陕公网安备61011302000964号
扫码关注公众号
