累积应激、高血糖暴露比例及动态变化轨迹揭示了急性高脂血症性胰腺炎的预后决定因素：一项5年队列研究

《Lipids in Health and Disease》：Cumulative stress hyperglycemia ratio exposure and dynamic trajectories reveal prognostic determinants of acute hyperlipidemic pancreatitis: an 5-year cohort study

　　

摘要

背景

应激性高血糖比率（SHR）和血糖变异性（GV）均反映了急性血糖波动，在心血管疾病和中风中起着重要作用。然而，它们在急性高脂性胰腺炎（HTG-AP）中的预后价值尚未得到充分研究。基于单一测量的传统评估方法无法捕捉这种动态变化。因此，本研究旨在评估累积应激性高血糖比率（CumSHR）及其结合GV在急性高脂性胰腺炎患者中的早期预测价值。

方法

本研究收集了959名急性高脂性胰腺炎患者的数据。使用标准化公式计算SHR和GV；CumSHR根据入院前7天的SHR数据计算得出曲线下面积（AUC）。多变量分析和RCS分析评估了CumSHR是否能够预测重度高脂性急性胰腺炎（HTG-SAP）。根据临床不同的葡萄糖代谢状态对患者进行亚组分层，而潜在类别生长混合模型（LCGMM）则识别了SHR的动态轨迹亚表型。Kaplan–Meier（K-M）曲线比较了不同风险轨迹组的生存率。最后，机器学习模型用于预测HTG-SAP的风险，SHapley Additive Explanations（SHAP）方法确定了关键预测因素。

结果

在江西队列中，162例（16.9%）急性高脂性胰腺炎患者发展为HTG-SAP。RCS分析显示CumSHR与HTG-SAP和持续性器官衰竭（POF）之间存在U形关联（P < 0.001）。LCGMM识别出三种动态轨迹：持续高值组（SHG-T3）的HTG-SAP风险最高（55.6%，而低值逐渐降低组[LDG-T1]为10.6%）。进一步将患者分为正常葡萄糖调节（NGR）、糖尿病前期（Pre-DM）和糖尿病（DM）三个亚组，高CumSHR + 高GV组与低CumSHR + 低GV组相比风险更高（P < 0.05）。在预测HTG-SAP风险的机器学习模型中，朴素贝叶斯模型显示出最高的预测准确性。SHAP分析确定CumSHR是最重要的预测因素之一。

结论

本研究表明，CumSHR与急性高脂性胰腺炎患者严重并发症的早期评估具有显著关联，其动态轨迹有效捕捉了血糖变化的特征，弥补了静态预测方法的局限性。

背景

应激性高血糖比率（SHR）和血糖变异性（GV）均反映了急性血糖波动，在心血管疾病和中风中起着重要作用。然而，它们在急性高脂性胰腺炎（HTG-AP）中的预后价值尚未得到充分研究。基于单一测量的传统评估方法无法捕捉这种动态变化。因此，本研究旨在评估累积应激性高血糖比率（CumSHR）及其结合GV在急性高脂性胰腺炎患者中的早期预测价值。

方法

本研究收集了959名急性高脂性胰腺炎患者的数据。使用标准化公式计算SHR和GV；CumSHR基于入院前7天的SHR数据计算得出曲线下面积（AUC）。多变量分析和RCS分析评估了CumSHR是否能够预测重度高脂性急性胰腺炎（HTG-SAP）。根据临床不同的葡萄糖代谢状态对患者进行亚组分层，而潜在类别生长混合模型（LCGMM）则识别了SHR的动态轨迹亚表型。Kaplan–Meier（K-M）曲线比较了不同风险轨迹组的生存率。最后，机器学习模型用于预测HTG-SAP的风险，SHapley Additive Explanations（SHAP）方法确定了关键预测因素。

结果

在江西队列中，162例（16.9%）急性高脂性胰腺炎患者发展为HTG-SAP。RCS分析显示CumSHR与HTG-SAP和持续性器官衰竭（POF）之间存在U形关联（P < 0.001）。LCGMM识别出三种动态轨迹：持续高值组（SHG-T3）的HTG-SAP风险最高（55.6%，而低值逐渐降低组[LDG-T1]为10.6%）。进一步将患者分为正常葡萄糖调节（NGR）、糖尿病前期（Pre-DM）和糖尿病（DM）三个亚组，高CumSHR + 高GV组与低CumSHR + 低GV组相比风险更高（P < 0.05）。在预测HTG-SAP风险的机器学习模型中，朴素贝叶斯模型显示出最高的预测准确性。SHAP分析确定CumSHR是最重要的预测因素之一。

结论

本研究表明，CumSHR与急性高脂性胰腺炎患者严重并发症的早期评估具有显著关联，其动态轨迹有效捕捉了血糖变化的特征，弥补了静态预测方法的局限性。