近日，吉林大学第一医院联合延边大学附属医院（延边医院）心血管团队，在国际权威期刊《InternationalJournalofSurgery》(IF:12.5)发表重要研究成果。研究首次证实铁代谢指标对危重房颤（AF）患者的1年死亡率具有独立预测价值，并成功开发出机器学习预测模型，为临床风险分层提供了新工具。

核心发现

l铁代谢稳态（特别是TIBC）可独立预测危重症房颤患者的死亡率

l双向调节效应：铁蛋白（↑风险）与TIBC/转铁蛋白（↓风险）具有互补的预后价值

l通过机器学习整合铁代谢标志物的预测模型（AUC0.85）显著优于传统评分系统

研究结果

本研究基于美国MIMIC-IV公共数据库，纳入2145例AF危重患者，根据患者入ICU后1年的预后分为生存组和死亡组，928例（43%）患者死亡。死亡组铁蛋白水平显著升高（p<0.001），转铁蛋白/TIBC水平显著降低（p<0.001），而血清铁没有组间差异。

一：铁代谢指标的预后价值

Kaplan-Meier分析显示，铁蛋白升高和转铁蛋白/TIBC水平降低的患者生存率明显较差（所有log-rankp<0.001），而血清铁呈U型死亡率关系。多变量Cox模型（完全校正后）证实铁代谢指标与死亡率的显著关联：铁蛋白（第四分位组：HR1.59，95%CI1.30-1.95，p<0.001），

血清铁（第四分位组：HR1.33，95%CI1.11-1.60，p=0.002），转铁蛋白（第三分位组：HR0.72，95%CI0.60-0.87；第四分位组：HR0.65，95%CI0.53-0.79，bothp<0.001），TIBC（第三分位组：HR0.72，95%CI0.60-0.86；第四分位组：HR0.64，95%CI0.53-0.79，bothp<0.001）。RCS分析显示铁死亡率有明显的相关性：铁蛋白呈负相关，血清铁呈U型关系，转铁蛋白和TIBC呈正相关。

二：建立1年全因死亡率预测模型

通过Lasso回归、Boruta算法以及变量间相关性分析，最后确定16个预测因子。然后对9种机器学习算法的分类性能进行了比较，结果显示梯度增强决策树（GBDT）模型性能最佳。然后对最佳模型（GBDT）进行评估和解释。结果显示具有良好的区分度（训练集AUC0.85，验证集AUC0.83，测试集AUC0.71）。SHAP分析阐明了GBDT模型中每个变量的贡献。结果显示年龄、红细胞分布宽度RDW和pCO2是对预后影响最大的因素。TIBC紧随其后，血清铁和铁蛋白具有中等意义，突显铁代谢指标在预测远期病死率中的关键作用。

研究意义

铁代谢指标，特别是TIBC，被证明是AF危重患者的重要预后因素，为其与AF的复杂相互作用提供了有价值的见解。本文开发的基于机器学习的预测模型，为改善预后评估和指导这一弱势群体的临床管理提供了一个有前途的工具。

【合作团队】

第一作者：

黄超群博士（吉林大学第一医院心血管内科）

通讯作者：

成宪武教授（延边大学附属医院心血管内科/吉林省应激与心血管疾病重点实验室）

李树岩教授（吉林大学第一医院心血管内科）

来源：心血管内科

排版：孙晓铭

初审：于倩倩

复审：千美花

终审：李光熙