乳酸/白蛋白比值与ICU收治急性胰腺炎患者28天全因死亡率的关联性：整合白蛋白校正指数建立及验证基于机器学习(Machine Learning)的预后预测模型

《International Journal of Medical Informatics》：Association Between Lactate-to-Albumin Ratio and 28-Day All-Cause Mortality in ICU-Admitted Acute Pancreatitis Patients: Development and Validation of a Machine Learning-Based Predictive Model Integrating Albumin-Corrected Indices

　　

摘要：目的　重症急性胰腺炎（Severe Acute Pancreatitis, SAP）患者死亡风险高。乳酸/白蛋白比值（Lactate-to-Albumin Ratio, LAR）已在脓毒症、心力衰竭及急性呼吸衰竭中显示出预后价值。研究人员旨在评估LAR对ICU收治急性胰腺炎（Acute Pancreatitis, AP）患者28天死亡率的预测价值，并建立一种整合三种白蛋白衍生指数——LAR、红细胞分布宽度/白蛋白比值（Red Blood Cell Distribution Width-to-Albumin Ratio, RAR）和血尿素氮/白蛋白比值（Blood Urea Nitrogen-to-Albumin Ratio, BAR）——的基于机器学习（Machine Learning）的28天全因死亡率预测模型。方法　研究人员分析来自MIMIC?IV数据库（2008–2022）的380例ICU收治AP患者作为训练集，评估LAR对28天死亡率的预测作用。采用Boruta算法进行预测因子筛选，纳入LAR、RAR、BAR及临床变量（如年龄、肌酐等）。构建7种机器学习模型预测28天全因死亡率。内部验证采用2∶1随机数据拆分；外部验证采用eICU?CRD数据库（2014–2015）中298例AP患者。采用SHAP（Shapley Additive exPlanations）方法阐释预测机制。结果　多变量Cox回归分析显示，LAR最高四分位数（＞1.72 mmol/g）患者死亡风险显著升高（校正HR＝8.25，95% CI 2.57–26.54）。Boruta特征选择识别出11个独立预测因子，包括LAR、BAR、RAR及年龄。经5折内部交叉验证，ExtraTrees模型在训练集基准测试中表现最优（AUC＝0.8546）。内部验证中ExtraTrees模型仍保持最佳预测能力（AUC＝0.852）。校准曲线及决策曲线分析（Decision Curve Analysis, DCA）证实其高预测准确度与临床净获益。外部验证进一步佐证ExtraTrees模型的稳健性（AUC＝0.82）。已部署基于网页的计算平台（https://bssrmyy.shinyapps.io/DynNom_Model2/）用于个体化在线风险评估。结论　LAR是ICU收治AP患者28天死亡率的强独立预测因子。本研究首次基于三种白蛋白校正指数（LAR、BAR、RAR）及机器学习开发并验证了AP预后预测模型。ExtraTrees模型在内部及外部验证中均表现优异，为ICU管理的AP患者提供精准危险分层及早期干预的高效工具。

论文解读：《Association Between Lactate-to-Albumin Ratio and 28-Day All-Cause Mortality in ICU-Admitted Acute Pancreatitis Patients: Development and Validation of a Machine Learning-Based Predictive Model Integrating Albumin-Corrected Indices》

一、研究背景与立题依据

急性胰腺炎（Acute Pancreatitis, AP）是常见的胃肠道疾病，年发病率为每10万人13～45例，病因以胆石症、酗酒及高脂血症为主。约20%的AP患者可进展为中度重症或重症急性胰腺炎（Severe Acute Pancreatitis, SAP），并发胰腺或胰周坏死及多器官功能障碍综合征（Multiple Organ Dysfunction Syndrome, MODS），病死率可达30%。目前临床常用的病情评估系统包括序贯器官衰竭评分（Sequential Organ Failure Assessment, SOFA）、急性生理功能和慢性健康状况评分Ⅱ（Acute Physiology and Chronic Health Evaluation II, APACHE?II）、Ranson标准及急性胰腺炎床边严重程度指数（Bedside Index for Severity in Acute Pancreatitis, BISAP），但这些评分需采集多项参数并动态评估，耗时较长，难以在患者入院早期快速区分轻症与重症，可能延误关键治疗时机。乳酸（Lactate）是组织低灌注和细胞缺氧的产物，可预测危重症患者器官衰竭及死亡，但受肝功能异常、蛋白水解代谢及药物影响而单独应用受限；白蛋白（Albumin）系负性急性期反应物，反映炎症严重程度及营养状态，同样单独预测价值有限。乳酸/白蛋白比值（Lactate?to?Albumin Ratio, LAR）已在脓毒性休克、严重感染和心脏骤停中被证实具预后价值，但其在AP人群中的作用尚未明确。此外，红细胞分布宽度/白蛋白比值（Red Blood Cell Distribution Width?to?Albumin Ratio, RAR）和血尿素氮/白蛋白比值（Blood Urea Nitrogen?to?Albumin Ratio, BAR）亦分别被报道与脓毒症及AP预后相关。基于此，Wei Keke、Li Hui、Huang Huiquan等研究人员开展此项研究，探讨LAR对ICU收治AP患者28天全因死亡率的预测价值，并首次整合LAR、RAR、BAR三种白蛋白校正指数构建基于机器学习（Machine Learning, ML）的AP预后预测模型，论文发表于《International Journal of Medical Informatics》。

二、主要技术方法概述

研究人员采用回顾性队列设计，训练集来源于MIMIC?IV（v3.1）数据库中2008–2022年收治ICU的380例AP患者，外部验证集来源于eICU?CRD数据库2014–2015年的298例AP患者。按LAR值将患者分为四分位数（Q1＜0.5 mmol/g，Q2 0.5–0.87 mmol/g，Q3 0.87–1.72 mmol/g，Q4＞1.72 mmol/g）。采用多变量Cox回归分析LAR与28天全因死亡率的关联；应用Boruta算法从LAR、RAR、BAR及临床变量（年龄、肌酐等）中筛选独立预测因子；基于筛选出的特征分别构建7种机器学习分类模型（含ExtraTrees即极端随机树等）预测28天全因死亡率；内部验证采用2∶1随机拆分及5折交叉验证，外部验证采用eICU?CRD独立队列；模型性能以受试者工作特征曲线下面积（Area Under the Curve, AUC）、校准曲线及决策曲线分析（Decision Curve Analysis, DCA）评价；采用SHAP（Shapley Additive exPlanations）方法进行模型可解释性分析；最终将最优模型部署于网页计算平台供个体化风险评估。

三、研究结果

Study Population and Baseline Characteristics（研究人群与基线特征）

研究人员从MIMIC?IV数据库筛选出380例ICU收治AP患者，平均年龄57.5岁，男性214例（56.3%），女性166例（43.7%），基线LAR为1.45±1.66 mmol/g。LAR越高四分位组的患者年龄更大、心率及呼吸频率更高，提示病情更重，为后续分层分析提供依据。

Prognostic Value and Biological Rationale of LAR（LAR的预后价值与生物学依据）

多变量Cox回归分析显示，与LAR最低四分位数（Q1）相比，最高四分位数（Q4＞1.72 mmol/g）患者28天全因死亡风险显著升高（校正风险比 Hazard Ratio, HR＝8.25，95% 置信区间 Confidence Interval, CI 2.57–26.54），证实LAR是ICU收治AP患者28天死亡的强独立预测因子。LAR综合了反映组织缺氧的乳酸与反映炎症/营养状态的白蛋白，较单一指标更具病理生理代表性。

Boruta特征选择与机器学习模型构建（Feature Selection and Model Development）

Boruta算法从候选变量中识别出11个独立预测28天死亡率的特征，包括LAR、BAR、RAR及年龄等。基于上述特征构建并比较7种机器学习模型，其中ExtraTrees（极端随机树）模型在训练集5折交叉验证中AUC达0.8546，内部验证AUC为0.852，均优于其他模型。

模型验证与效能评价（Model Validation and Performance）

校准曲线显示ExtraTrees模型预测概率与实际观察概率吻合良好；DCA分析表明模型在较宽阈值概率范围内具有较高临床净获益。外部验证基于eICU?CRD队列（n＝298），ExtraTrees模型AUC为0.82，证实模型在不同医疗系统中具良好泛化能力及稳健性。

网页计算平台部署（Web?based Computational Platform）

研究人员将ExtraTrees模型部署于在线交互式网页平台（https://bssrmyy.shinyapps.io/DynNom_Model2/），仅需输入ICU入院24小时内常规可获得变量即可实现个体化28天死亡风险评估，便于临床直接使用。

四、讨论与结论翻译

讨论部分指出，本研究首次在AP人群系统性验证LAR对28天全因死亡率的独立预测价值（校正HR＝8.25），与LAR在脓毒症、心衰等危重症中的预后意义相符。创新性地整合LAR、BAR、RAR三种白蛋白校正指数——分别反映组织低灌注、炎症/微循环障碍及肾/代谢失衡——并结合Boruta特征选择与可解释机器学习，克服传统评分系统复杂耗时的缺点。模型所用变量均为ICU入院24小时内常规检测项目，无额外检验成本，可实现早期精准危险分层，指导高危患者强化监护干预及低危患者避免过度治疗。局限性包包括回顾性设计可能存在选择偏倚，及计算平台尚未与医院信息系统（Hospital Information System, HIS）集成；未来需开展前瞻性多中心验证（含中国ICU队列）并探索与电子健康记录系统的实时互联。

结论（Conclusion）翻译：

LAR是ICU收治急性胰腺炎患者28天全因死亡率的强独立预测因子。本研究开创了基于三种白蛋白校正指数（LAR、BAR、RAR）及机器学习开发并验证AP预后预测模型的先河。ExtraTrees模型在内部及外部验证中均表现优异，为ICU管理的AP患者提供了精准危险分层及早期干预的高效工具。