Development of A Plasma Osmolality Prediction Model for the Risk of In-hospital Death in Critically Ill Patients with Acute ST-segment Elevation Myocardial Infarction
-
摘要:
目的 建立并验证血浆渗透压对急性ST段抬高型心肌梗死（acute ST-segment elevation myocardial infarction，STEMI）重症患者院内死亡风险预测模型。 方法 通过回顾性分析患者电子病历资料，选取2015年1月至2020年12月于云南大学附属医院心血管内科住院的STEMI重症患者，提取患者的一般信息、实验室检查、合并疾病及用药情况等，筛选STEMI重症患者院内死亡风险危险因素并建立预测模型。 结果 利用LASSO回归及多因素Logistic回归筛选出白蛋白（ALB）、白细胞（WBC）、血小板（PLT）、血肌酐（Scr）、是否服用他汀类药物、是否服用血管紧张素转化酶抑制剂（ACEI）或血管紧张素转化酶受体拮抗剂（ARB）类药物、血浆渗透压为STEMI重症患者是否发生院内死亡的独立预测因子（P < 0.05），据此7个预测变量绘制列线图，模型检验结果显示其区分度、校准度较好，决策曲线分析（DCA）显示阈值概率5%～95%时，临床使用该模型是可以获益的。 结论 构建的包含7个变量预测模型具有较好的区分度和校准度，可作为评估STEMI重症患者院内死亡风险参考工具。 -
关键词:
- 急性ST段抬高型心肌梗死 /
- 院内死亡 /
- 预测模型 /
- 列线图
Abstract:Objective To develop and validate a plasma osmolality prediction model for the risk of in-hospital death in critically ill patients with acute ST-segment elevation myocardial infarction. Methods By retrospective analysis of patients' electronic medical record data, patients with severe STEMI admitted to the Department of Cardiovascular Medicine, Affiliated Hospital of Yunnan University from January 2015 to December 2020 were selected. General information, laboratory examination, comorbid diseases and medications of the patients were extracted to screen the risk factors of in-hospital death of severe STEMI patients and establish a prediction model. Results LASSO regression and multivariate Logistic regression were used and identified albumin （ALB）, leukocyte （WBC）, platelet （PLT）, serum creatinine （Scr）, statins medication, angiotensin-converting enzyme inhibitors （ACEI） medication or angiotensin-converting enzyme receptor antagonists （ARB）, and plasma osmosis Pressure as independent predictor of in-hospital death in severe STEMI patients （P < 0.05）. A nomogram was drawn based on the 7 predictive variables. Model test results showed good differentiation and calibration, and decision curve analysis （DCA） showed a threshold probability of 5%-95%. Conclusion The prediction model has good discrimination and calibration, and can be used as a reference tool for assessing the risk of in-hospital mortality in critically ill patients with STEMI. -
急性ST段抬高型心肌梗死（acute ST-segment elevation myocardial infarction，STEMI）为心血管疾病常见危急重症之一[1]。随着我国胸痛中心的普及、溶栓治疗和冠状动脉介入手术的发展，STEMI患者的病死率有所下降[2]，但是STEMI患者其病死率仍较高，尤其STEMI患者合并严重心功能不全、机械并发症、心律失常及其它疾病等。因此及时对STEMI患者进行风险评估、危险分层对改善患者预后显得极其重要[3-4]。目前已发现STEMI患者预后和许多实验室检查及生化指标有关，例如白细胞、淋巴细胞值等[5-8]，除此之外人们也注意到急性冠脉综合征（acute coronary syndrome，ACS）患者入院后的血浆渗透压水平和其预后有关[9-10]。但是对于STEMI重症患者其血浆渗透压是否和其预后相关、如何利用血浆渗透压数值对STEMI重症患者住院期间发生死亡的风险进行评估却鲜有报道。本研究拟通过对STEMI重症患者入院后的血浆渗透压数值建立临床预测模型，从而早期识别院内死亡高风险STEMI重症患者，并采取相应干预措施，降低STEMI重症患者病死率。
1. 资料与方法
1.1 一般资料
收集2015年1月至2020年12月于云南大学附属医院心血管内科住院确诊为STEMI患者共2 054例，本研究根据纳入及排除标准共纳入STEMI重症患者809例。将最后纳入的研究对象按7:3的比例随机分配为2组：训练集（573例）和验证集（236例）。
纳入标准：（1）符合2018年ESC指南制定的STEMI诊断标准[11]；（2）年龄≥18岁，不限性别；（3）重症患者定义为满足以下标准1条及以上：①心功能Killip分级≥2级；②住院期间使用血管活性药物；③住院期间使用有创血流动力学设备支持（如主动脉球囊反搏等）；④住院期间使用有创机械通气。
排除标准：（1）用于计算血浆渗透压的血液生化指标缺失者；（2）患者正在进行血液透析等治疗对血浆渗透压有明显影响者。
1.2 研究方法
患者入院后即收集其一般资料，包括性别、年龄及既往病史等。血液生化指标包括血常规、肝肾功能、血脂等。住院期间进行多次重复检验的化验指标，只取患者入院后第1次检测结果纳入本研究进行分析。血浆渗透压按以下公式进行计算[12]：血浆渗透压 = 1.86×血钠（mmol/L） + 血糖（mg/dl）/18 + 血尿素氮（mg/dl）/2.8 + 9。用于计算血浆渗透压的血钠、血糖及血尿素氮，取相同时间检测结果。
本研究获得云南大学附属医院伦理委员会同意。
1.3 统计学处理
所有数据分析使用R统计软件完成（R版本4.1.1，https://www.r-project.org/）。纳入患者按7∶3的比例随机分为训练集和验证集。正态分布资料以（$\bar x \pm s $）表示，2组间比较采用两独立样本t检验；不符合正态分布的计量资料以中位数和四分位数[M（P25，P75）]表示，2组间比较采用两独立样本Wilcoxon秩和检验。计数资料以相对数表示，2组间比较采用χ2检验。运用LASSO回归筛选变量，筛选出的变量通过多因素Logistic回归分析建立预测模型，并绘制列线图。评估预测模型使用区分度、校准度和临床有效性3个指标。以受试者工作特征曲线（receiver operating characteristic curve，ROC）下面积（area under the curve，AUC）评估区分度；校准曲线和Hosmer-Lemeshow拟合优度检验评估校准度；决策曲线分析（decision curve analysis，DCA）评估临床有效性。以P < 0.05为差异有统计学意义。
2. 结果
2.1 患者一般资料及实验室检查指标比较
纳入患者中发生院内死亡177例，未发生院内死亡632例，其中有509例男性患者（占比62.9%），300例女性患者（占比37.1%），发生院内死亡较未发生院内死亡患者年龄更大（71.8 VS 68.0，P < 0.001）。2组患者在是否合并慢性肾脏病、高脂血症及心房颤动方面，差异具有统计学意义（P < 0.05）。在服用药物及实验室检查指标方面，2组差异均具有统计学意义（P < 0.05），见表1。
表 1 患者一般资料比较[（$\bar x \pm s $），n（%），M（P25，P75）]Table 1. Comparison of general information of patients [（$\bar x \pm s $），n（%），M（P25，P75）]临床特征 未发生院内死亡（n=632） 院内死亡（n = 177） W/t/χ2 P 男性 402（63.6） 107（60.5） 0.463 0.496 年龄（岁） 68.0 ± 13.7 71.8 ± 13.6 −3.294 < 0.001* 吸烟史 113（17.9） 63（35.6） 0.183 0.669 高血压 359（56.8） 90（50.8） 1.753 0.186 糖尿病 231（36.6） 64（36.2） 0.000 0.993 Killip≥2级 322（50.9） 102（57.6） 2.212 0.137 COPD（%） 17（2.7） 10（5.6） 2.894 0.089 慢性肾脏病 132（20.9） 52（29.4） 5.203 0.022* 高脂血症 324（51.3） 69（39.0） 7.867 0.005* 瓣膜病 133（21.0） 44（24.9） 0.965 0.326 心房颤动 201（31.8） 76（42.9） 7.127 0.008* 脑梗死 37（5.9） 15（8.5） 1.173 0.279 服用阿司匹林 618（97.8） 155（87.6） 31.569 < 0.001* 服用他汀类 600（94.9） 128（72.3） 76.037 < 0.001* 服用ACEI/ARB 584（92.4） 73（41.2） 233.870 < 0.001* WBC（×109/L） 8.9（7.0，10.9） 14.0（9.5，17.5） 28211 < 0.001* PLT（×109/L） 246（192，338） 172（100，279） 75920 < 0.001* RDW（%） 14.4（13.5，15.8） 15.9（14.6，17.7） 34000 < 0.001* ALB（g/L） 35（30，39） 28（24，32） 84690 < 0.001* Scr（μmol/L） 88.4（70.7，114.9） 167.9（97.2，265.2） 31276 < 0.001* cTnT（ng/mL） 0.62（0.05，2.58） 0.92（0.16，4.11） 46775 < 0.001* 血浆渗透压（mOsm/L） 294.5（289.7，298.0） 297.4（288.9，307.3） 36175 < 0.001* COPD = 慢性阻塞性肺疾病。*P < 0.05。 2.2 训练集及验证集一般资料及实验室检查指标比较
训练集及验证集患者在一般资料、合并疾病及实验室检查指标方面，差异均无统计学意义（P > 0.05），见表2。
表 2 训练集和验证集的一般资料比较[（$\bar x \pm s $），n（%），M（P25，P75）]Table 2. Comparison of data in training and validation groups [（$\bar x \pm s $），n（%），M（P25，P75）]临床特征 训练集（n = 573） 验证集（n = 236） W/t/χ2 P 男性 357（62.3） 152（64.4） 0.793 0.629 年龄（岁） 68.9 ± 13.6 68.7 ± 14.2 0.237 0.939 有吸烟史 123（21.5） 53（22.5） 0.217 0.511 高血压 311（54.3） 138（58.5） 0.018 0.310 糖尿病 213（37.2） 82（34.7） 0.695 0.577 Killip≥2级 302（52.7） 122（51.7） 0.337 0.854 COPD 17（3.0） 10（4.2） 0.871 0.484 慢性肾脏病 131（22.9） 53（22.5） 0.021 0.974 高脂血症 275（48.0） 118（50.0） 1.271 0.659 瓣膜病 126（22.0） 51（21.6） 0.048 0.980 心房颤动 199（34.7） 78（33.1） 0.093 0.707 脑梗死 35（6.1） 17（7.2） 0.174 0.674 服用阿司匹林 545（95.1） 228（96.6） 0.227 0.452 服用他汀类 511（89.2） 217（91.9） 0.027 0.287 服用ACEI/ARB 461（80.5） 196（83.1） 2.024 0.447 WBC（×109/L） 9.5（7.5，11.9） 9.1（7.0，11.9） 64445 0.114 PLT（×109/L） 237（172，328） 242（176，329） 64776 0.592 RDW（%） 14.7（13.6，16.3） 14.7（13.7，16.2） 65879 0.959 ALB（g/L） 33（28，38） 34（28，38） 72021 0.881 Scr（μmol/L） 88.4（70.7，132.6） 97.2（70.7，150.3） 66992 0.439 cTnT（ng/mL） 0.81（0.07，3.05） 0.57（0.08，1.99） 68391 0.128 血浆渗透压（mOsm/L） 294.5（289.7，298.9） 294.6（289.4，300.2） 66566 0.691 注：COPD = 慢性阻塞性肺疾病。 2.3 LASSO回归筛选变量
根据训练集中的患者基本信息、既往病史及实验室辅助检查结果，使用LASSO回归分析从22个变量中筛选出8个非零系数的预测变量，筛选的预测变量包括ALB、WBC、PLT、Scr、RDW、是否服用他汀类药物、是否服用ACEI或ARB类药物、血浆渗透压，见图1和图2。
图 2 在LASSO模型中通过10倍交叉验证的方法筛选最合适λ的过程Figure 2. Selection of predictors using the LASSO Logistic regression model2.4 LASSO回归筛选的8个变量多因素Logistic回归分析结果
将LASSO回归筛选的8个变量纳入多因素Logistic回归分析，除RDW变量外，其余变量差异均具有统计学意义（P < 0.05），见表3。为使列线图便于应用，将多因素Logistic回归筛选的具有统计学意义的连续型变量转换为分类变量，并以正常值作为参照，绘制列线图，见图3。列线图上每个变量不同取值可进行相应评分，所有变量分值相加即为总分，在总分值坐标轴向下绘制一条垂直线，即可得出STEMI重症患者发生院内死亡的估计概率。
表 3 LASSO回归筛选的8个变量的多因素Logistic回归结果Table 3. Multivariate Logistic regression analysis of 8 variables变量 OR 95%CI P WBC（×109/L）
4.0～10（参照）
1.0
-
-< 4.0 3.607 0.890～14.693 0.072 > 10.0 6.851 4.001～12.133 < 0.001* ALB（g/L）
≥40（参照）
1.0
-
-< 40 2.602 1.570～4.335 < 0.001* PLT（×109/L）
100～300（参照）
1.0
-
-< 100 5.625 2.493～13.249 < 0.001* > 300 0.475 0.267～0.827 0.009* Scr（μmol/L）
< 110（参照）
1.0
-
-> 110 3.231 1.928～5.466 < 0.001* RDW（%）
13～14（参照）
1.0
-
-< 13.0 0.477 0.068～1.998 0.370 > 14.0 1.563 0.831～3.025 0.174 血浆渗透压（mOsm/L）
280～310（参照）
1.0
-
-< 280 1.255 0.724～2.177 0.417 > 310 15.765 4.706～73.703 < 0.001* 服用他汀类药物 0.350 0.174～0.701 0.003* 服用ACEI或ARB 0.144 0.084～0.244 < 0.001* *P < 0.05。 
图 3 STEMI重症患者发生院内死亡风险的预测模型列线图（注：变量单位见表3）Figure 3. Nomogram predicting in-hospital mortality in critically ill patients with STEMI2.5 预测模型的验证
训练集和验证集的AUC值分别为0.925和0.913，表明预测模型具有良好的区分度，见图4。训练集和验证集Hosmer-Lemeshow拟合优度检验P值分别为0.5306和0.9355，二者拟合度均较好，较好的拟合度说明该模型预测概率与实际概率一致性较好。校准曲线在训练集和验证集中表现出良好的一致性，见图5和图6。
图 4 预测模型预测STEMI重症患者发生院内死亡风险ROC曲线Figure 4. ROC of the nomogram for predicting in-hospital mortality in critically ill patients with STEMI
图 5 预测模型在训练集中的校准曲线Figure 5. Calibration curve of prediction model in training sub-cohort
图 6 预测模型在验证集中的校准曲线Figure 6. Calibration curve of prediction model in validation sub-cohort2.6 临床应用
利用DCA评估预测模型的临床有效性，STEMI重症患者发生院内死亡风险列线图的DCA见图7。可知用列线图预测STEMI重症患者发生院内死亡风险时，当训练集和验证集的阈值概率为5%～95%时，利用该模型辅助为患者进行决策，可增加患者的净获益。
图 7 预测模型在训练集及验证集中的DCA分析Figure 7. Decision curve analysis of the nomogram predicting in-hospital mortality in critically ill patients with STEMI3. 讨论
STEMI患者若合并严重心力衰竭、心律失常、机械并发症等，其预后往往较差[13-14]。目前人们已发现许多实验室检查指标及生物标志物和STEMI患者不良预后有关，并据此建立一些临床预后模型用于识别高风险STEMI患者[15-16]。本研究发现STEMI重症患者的高血浆渗透压数值和其院内全因死亡率呈显著相关，但是低血浆渗透压数值和正常血浆渗透压数值未发现明显相关性。Yanfei Shen等[10]的研究发现血浆渗透压数值和患者预后关系成一“U”型曲线，即血浆渗透压数值高于或低于正常值均和患者不良预后有关，不过其数据来源为国外ICU患者临床数据库，且并未对STEMI患者做进一步的亚组分析。
维持水盐电解质平衡对重症患者尤其重要，尤其STEMI患者。一方面STEMI患者好发于中老年，多合并有高血压、糖尿病及心力衰竭等，容易出现水盐电解质紊乱[17-18]；其次，患者发生心肌梗死时，缺血、坏死心肌易出现电活动不稳定，水盐电解质紊乱可能导致患者出现严重心律失常，如室性心动过速、心室颤动等，引发不良后果[19-20]。在ACS患者中，血糖、血尿素氮升高等均和患者不良预后密切相关，尤其在既往无糖尿病病史的ACS患者中[21-23]。临床上可以方便利用钠、钾、尿素氮、血糖等指标计算血浆渗透压，其为钠、钾、尿素氮、血糖等指标的综合反应，并且具有方便、经济等优点。既往的临床研究只得出高血浆渗透压数值和患者不良预后有关，而在本研究中，笔者首次将血浆渗透压数值建立临床预测模型，可针对每一个STEMI重症患者快速计算出其发生院内死亡风险概率值。但是如果临床实践中利用血浆渗透压具体数值来估算患者是否发生院内死亡风险概率仍稍显繁琐，因此笔者进一步将血浆渗透压数值划分为正常值、低于正常值及高于正常值，并作出其列线图，在临床应用中更显得便捷、直观。
本研究也发现低白蛋白血症、血肌酐、白细胞、血小板升高也和STEMI重症患者不良预后有关，这和Islam，M.S.等[24-28]研究一致。白蛋白是临床常用评估患者营养指标之一，前文已提及STEMI患者多为中老年患者，发生营养不良等风险较高；其次许多重症患者由于无意识、气管插管等导致不能进食，患者随之出现肠道粘膜屏障受损、肠道菌群移位或菌群失调等，从而导致患者病死率明显上升[29]。血肌酐升高在STEMI患者，尤其在已发展为缺血性心肌病患者中并不少见，二者互为因果关系[30]。STEMI患者多长期合并血压、血糖及血脂等代谢紊乱，多数患者已有不同程度肾功能受损。大面积心肌细胞坏死将导致心脏泵功能急剧受损，心输出量明显降低，肾动脉灌注压不足使肾功能损害进一步恶化，出现慢性肾功能不全急性加重甚至急性肾功能不全，患者可能出现尿量减少、水钠潴留加重、电解质紊乱、酸碱平衡失调等，使患者心力衰竭加重、出现利尿剂抵抗、电解质紊乱导致恶性心律失常等，导致患者死亡风险明显增加。而白细胞和血小板作为机体炎症反应指标之一，其升高也和STEMI患者不良预后密切相关。
综上所述，血浆渗透压可作为STEMI重症患者不良预后评价指标之一，并且联合白细胞、白蛋白等建立的临床预测模型预测效能较好。而白细胞、白蛋白、血肌酐等指标为患者入院后常规检查项目，容易获得，具有很好的成本经济效益。并且本研究将其转化为直观、容易使用的列线图，可方便临床决策者快速计算每位STEMI重症患者发生院内死亡风险的预测概率。
本研究具有以下局限性：（1）本研究为单中心回顾性研究，尚需多中心前瞻性研究进一步验证；（2）患者血浆渗透压数值为通过计算间接获得，而不是通过有创方法直接测量得到，和真实数值之间存在一定误差；（3）本研究虽然对预测模型进行内部验证显示其区分度和校准度较好，但仍需使用其他中心数据进行外部验证。
-
图 2 在LASSO模型中通过10倍交叉验证的方法筛选最合适λ的过程
Figure 2. Selection of predictors using the LASSO Logistic regression model
图 3 STEMI重症患者发生院内死亡风险的预测模型列线图（注：变量单位见表3）
Figure 3. Nomogram predicting in-hospital mortality in critically ill patients with STEMI
图 4 预测模型预测STEMI重症患者发生院内死亡风险ROC曲线
Figure 4. ROC of the nomogram for predicting in-hospital mortality in critically ill patients with STEMI
图 5 预测模型在训练集中的校准曲线
Figure 5. Calibration curve of prediction model in training sub-cohort
图 6 预测模型在验证集中的校准曲线
Figure 6. Calibration curve of prediction model in validation sub-cohort
图 7 预测模型在训练集及验证集中的DCA分析
Figure 7. Decision curve analysis of the nomogram predicting in-hospital mortality in critically ill patients with STEMI
表 1 患者一般资料比较[（$\bar x \pm s $），n（%），M（P25，P75）]
Table 1. Comparison of general information of patients [（$\bar x \pm s $），n（%），M（P25，P75）]
临床特征 未发生院内死亡（n=632） 院内死亡（n = 177） W/t/χ2 P 男性 402（63.6） 107（60.5） 0.463 0.496 年龄（岁） 68.0 ± 13.7 71.8 ± 13.6 −3.294 < 0.001* 吸烟史 113（17.9） 63（35.6） 0.183 0.669 高血压 359（56.8） 90（50.8） 1.753 0.186 糖尿病 231（36.6） 64（36.2） 0.000 0.993 Killip≥2级 322（50.9） 102（57.6） 2.212 0.137 COPD（%） 17（2.7） 10（5.6） 2.894 0.089 慢性肾脏病 132（20.9） 52（29.4） 5.203 0.022* 高脂血症 324（51.3） 69（39.0） 7.867 0.005* 瓣膜病 133（21.0） 44（24.9） 0.965 0.326 心房颤动 201（31.8） 76（42.9） 7.127 0.008* 脑梗死 37（5.9） 15（8.5） 1.173 0.279 服用阿司匹林 618（97.8） 155（87.6） 31.569 < 0.001* 服用他汀类 600（94.9） 128（72.3） 76.037 < 0.001* 服用ACEI/ARB 584（92.4） 73（41.2） 233.870 < 0.001* WBC（×109/L） 8.9（7.0，10.9） 14.0（9.5，17.5） 28211 < 0.001* PLT（×109/L） 246（192，338） 172（100，279） 75920 < 0.001* RDW（%） 14.4（13.5，15.8） 15.9（14.6，17.7） 34000 < 0.001* ALB（g/L） 35（30，39） 28（24，32） 84690 < 0.001* Scr（μmol/L） 88.4（70.7，114.9） 167.9（97.2，265.2） 31276 < 0.001* cTnT（ng/mL） 0.62（0.05，2.58） 0.92（0.16，4.11） 46775 < 0.001* 血浆渗透压（mOsm/L） 294.5（289.7，298.0） 297.4（288.9，307.3） 36175 < 0.001* COPD = 慢性阻塞性肺疾病。*P < 0.05。 
下载: 导出CSV
表 2 训练集和验证集的一般资料比较[（$\bar x \pm s $），n（%），M（P25，P75）]
Table 2. Comparison of data in training and validation groups [（$\bar x \pm s $），n（%），M（P25，P75）]
临床特征 训练集（n = 573） 验证集（n = 236） W/t/χ2 P 男性 357（62.3） 152（64.4） 0.793 0.629 年龄（岁） 68.9 ± 13.6 68.7 ± 14.2 0.237 0.939 有吸烟史 123（21.5） 53（22.5） 0.217 0.511 高血压 311（54.3） 138（58.5） 0.018 0.310 糖尿病 213（37.2） 82（34.7） 0.695 0.577 Killip≥2级 302（52.7） 122（51.7） 0.337 0.854 COPD 17（3.0） 10（4.2） 0.871 0.484 慢性肾脏病 131（22.9） 53（22.5） 0.021 0.974 高脂血症 275（48.0） 118（50.0） 1.271 0.659 瓣膜病 126（22.0） 51（21.6） 0.048 0.980 心房颤动 199（34.7） 78（33.1） 0.093 0.707 脑梗死 35（6.1） 17（7.2） 0.174 0.674 服用阿司匹林 545（95.1） 228（96.6） 0.227 0.452 服用他汀类 511（89.2） 217（91.9） 0.027 0.287 服用ACEI/ARB 461（80.5） 196（83.1） 2.024 0.447 WBC（×109/L） 9.5（7.5，11.9） 9.1（7.0，11.9） 64445 0.114 PLT（×109/L） 237（172，328） 242（176，329） 64776 0.592 RDW（%） 14.7（13.6，16.3） 14.7（13.7，16.2） 65879 0.959 ALB（g/L） 33（28，38） 34（28，38） 72021 0.881 Scr（μmol/L） 88.4（70.7，132.6） 97.2（70.7，150.3） 66992 0.439 cTnT（ng/mL） 0.81（0.07，3.05） 0.57（0.08，1.99） 68391 0.128 血浆渗透压（mOsm/L） 294.5（289.7，298.9） 294.6（289.4，300.2） 66566 0.691 注：COPD = 慢性阻塞性肺疾病。
下载: 导出CSV
表 3 LASSO回归筛选的8个变量的多因素Logistic回归结果
Table 3. Multivariate Logistic regression analysis of 8 variables
变量 OR 95%CI P WBC（×109/L）
4.0～10（参照）
1.0
-
-< 4.0 3.607 0.890～14.693 0.072 > 10.0 6.851 4.001～12.133 < 0.001* ALB（g/L）
≥40（参照）
1.0
-
-< 40 2.602 1.570～4.335 < 0.001* PLT（×109/L）
100～300（参照）
1.0
-
-< 100 5.625 2.493～13.249 < 0.001* > 300 0.475 0.267～0.827 0.009* Scr（μmol/L）
< 110（参照）
1.0
-
-> 110 3.231 1.928～5.466 < 0.001* RDW（%）
13～14（参照）
1.0
-
-< 13.0 0.477 0.068～1.998 0.370 > 14.0 1.563 0.831～3.025 0.174 血浆渗透压（mOsm/L）
280～310（参照）
1.0
-
-< 280 1.255 0.724～2.177 0.417 > 310 15.765 4.706～73.703 < 0.001* 服用他汀类药物 0.350 0.174～0.701 0.003* 服用ACEI或ARB 0.144 0.084～0.244 < 0.001* *P < 0.05。
下载: 导出CSV
-
[1] Liu S,Li Y,Zeng X,et al. Burden of cardiovascular diseases in China,1990-2016:Findings from the 2016 global burden of disease study[J]. JAMA Cardiol,2019,4(4):342-352. doi: 10.1001/jamacardio.2019.0295 [2] Fan F,Li Y,Zhang Y,et al. Chest pain center accreditation is associated with improved in-hospital outcomes of acute myocardial infarction patients in China:Findings from the CCC-ACS project[J]. J Am Heart Assoc,2019,8(21):e013384. doi: 10.1161/JAHA.119.013384 [3] Garcia-Osuna A,Sans-Rosello J,Ferrero-Gregori A,et al. Risk assessment after ST-segment elevation myocardial infarction:Can biomarkers improve the performance of clinical variables[J]. J Clin Med,2022,11(5):1266. [4] Roohafza H, Noohi F, Hosseini S G, et al. A cardiovascular risk assessment model according to behavioral, psychosocial and traditional factors in patients with ST-segment elevation myocardial infarction （cras-mi）: Review of literature and methodology of a multi-center cohort study[J]. Curr Probl Cardiol, 2022, 101158. [5] Kahraman S,Agus H Z,Avci Y,et al. The neutrophil to lymphocyte ratio (nlr) is associated with residual syntax score in patients with ST-segment elevation myocardial infarction[J]. Angiology,2021,72(2):166-173. doi: 10.1177/0003319720958556 [6] Lim E,Cheng Y,Reuschel C,et al. Risk-adjusted in-hospital mortality models for congestive heart failure and acute myocardial infarction:Value of clinical laboratory data and race/ethnicity[J]. Health Serv Res,2015,50(Suppl 1):1351-1371. [7] Wang X,Wang Z,Li B,et al. Prognosis evaluation of universal acute coronary syndrome:The interplay between syntax score and apob/apoa1[J]. BMC Cardiovasc Disord,2020,20(1):293. doi: 10.1186/s12872-020-01562-6 [8] Fukutomi M, Nishihira K, Honda S, et al. Difference in the in-hospital prognosis between ST-segment elevation myocardial infarction and non-ST-segment elevation myocardial infarction with high killip class: Data from the Japan acute myocardial infarction registry[J]. Eur Heart J Acute Cardiovasc Care, 2020, 2048872620926681. [9] Rohla M,Freynhofer M K,Tentzeris I,et al. Plasma osmolality predicts clinical outcome in patients with acute coronary syndrome undergoing percutaneous coronary intervention[J]. Eur Heart J Acute Cardiovasc Care,2014,3(1):84-92. doi: 10.1177/2048872613516018 [10] Shen Y,Cheng X,Ying M,et al. Association between serum osmolarity and mortality in patients who are critically ill:A retrospective cohort study[J]. BMJ Open,2017,7(5):e015729. [11] Thygesen K,Alpert J S,Jaffe A S,et al. Fourth universal definition of myocardial infarction (2018)[J]. J Am Coll Cardiol,2018,72(18):2231-2264. doi: 10.1016/j.jacc.2018.08.1038 [12] Dorwart W V,Chalmers L. Comparison of methods for calculating serum osmolality form chemical concentrations,and the prognostic value of such calculations[J]. Clin Chem,1975,21(2):190-194. doi: 10.1093/clinchem/21.2.190 [13] Kosmidou I,Redfors B,Selker H P,et al. Infarct size,left ventricular function,and prognosis in women compared to men after primary percutaneous coronary intervention in ST-segment elevation myocardial infarction:Results from an individual patient-level pooled analysis of 10 randomized trials[J]. Eur Heart J,2017,38(21):1656-1663. [14] Reinstadler S J,Stiermaier T,Eitel C,et al. Impact of atrial fibrillation during ST-segment-elevation myocardial infarction on infarct characteristics and prognosis[J]. Circ Cardiovasc Imaging,2018,11(2):e006955. [15] Goriki Y,Tanaka A,Nishihira K,et al. A novel predictive model for in-hospital mortality based on a combination of multiple blood variables in patients with ST-segment-elevation myocardial infarction[J]. J Clin Med,2020,9(3):852. doi: 10.3390/jcm9030852 [16] Liu Z,Liu L,Cheng J,et al. Risk prediction model based on biomarkers of remodeling in patients with acute anterior ST-segment elevation myocardial infarction[J]. Med Sci Monit,2021,27(74):e927404. [17] Puodzhiukinene M Z,Mitskiavichene A A,Bluzhaĭte I. electrolyte concentration in the plasma and tissue cells of patients with ventricular arrhythmias in the acute period of myocardial infarction[J]. Kardiologiia,1987,27(2):98-100. [18] Urrows S T. Fluid and electrolyte balance in the patient with a myocardial infarction[J]. Nurs Clin North Am,1980,15(3):603-615. doi: 10.1016/S0029-6465(22)00573-4 [19] D A, Pandit V R, Kadhiravan T, et al, Cardiac arrhythmias, electrolyte abnormalities and serum cardiac glycoside concentrations in yellow oleander （cascabela thevetia） poisoning - a prospective study[J]. Clin Toxicol （Phila）, 2019, 57（2）: 104-111. [20] Epstein M,Roy-Chaudhury P. Arrhythmias and sudden cardiac death in hemodialysis patients. Temporal profile,electrolyte abnormalities,and potential targeted therapies[J]. Nephrol News Issues,2016,30(4):23-26. [21] Capes S E,Hunt D,Malmberg K,et al. Stress hyperglycaemia and increased risk of death after myocardial infarction in patients with and without diabetes:A systematic overview[J]. Lancet,2000,355(9206):773-778. doi: 10.1016/S0140-6736(99)08415-9 [22] Laichuthai N,Abdul-Ghani M,Kosiborod M,et al. Newly discovered abnormal glucose tolerance in patients with acute myocardial infarction and cardiovascular outcomes:A meta-analysis[J]. Diabetes Care,2020,43(8):1958-1966. doi: 10.2337/dc20-0059 [23] Lee J H,Bae M H,Yang D H,et al. Prognostic value of the age,creatinine,and ejection fraction score for 1-year mortality in 30-day survivors who underwent percutaneous coronary intervention after acute myocardial infarction[J]. Am J Cardiol,2015,115(9):1167-1173. doi: 10.1016/j.amjcard.2015.02.001 [24] Acet H,Ertaş F,Bilik M Z,et al. The relationship between neutrophil to lymphocyte ratio,platelet to lymphocyte ratio and thrombolysis in myocardial infarction risk score in patients with ST elevation acute myocardial infarction before primary coronary intervention[J]. Postepy Kardiol Interwencyjnej,2015,11(2):126-135. [25] Islam M S,Islam M N,Kundu S K,et al. Serum albumin level and in-hospital outcome of patients with first attack acute myocardial infarction[J]. Mymensingh Med J,2019,28(4):744-751. [26] Liu H,Zhang J,Yu J,et al. Prognostic value of serum albumin-to-creatinine ratio in patients with acute myocardial infarction:Results from the retrospective evaluation of acute chest pain study[J]. Medicine (Baltimore),2020,99(35):e22049. [27] Palatini P. Glomerular hyperfiltration:A marker of early renal damage in pre-diabetes and pre-hypertension[J]. Nephrol Dial Transplant,2012,27(5):1708-1714. doi: 10.1093/ndt/gfs037 [28] Shiyovich A,Gilutz H,Plakht Y. White blood cell subtypes are associated with a greater long-term risk of death after acute myocardial infarction[J]. Tex Heart Inst J,2017,44(3):176-188. doi: 10.14503/THIJ-16-5768 [29] Han Y,Gong Z,Sun G,et al. Dysbiosis of gut microbiota in patients with acute myocardial infarction[J]. Front Microbiol,2021,12:680101. doi: 10.3389/fmicb.2021.680101 [30] Vavalle J P,van Diepen S,Clare R M,et al. Renal failure in patients with ST-segment elevation acute myocardial infarction treated with primary percutaneous coronary intervention:Predictors,clinical and angiographic features,and outcomes[J]. Am Heart J,2016,173:57-66. doi: 10.1016/j.ahj.2015.12.001 -
下载:
点击查看大图
计量
- 文章访问数: 3832
- HTML全文浏览量: 2159
- PDF下载量: 17
- 被引次数: 0
