关于危重房颤患者铁代谢生物标志物预后价值的学术研究报告

一、 研究作者、机构及发表信息

本研究的主要作者包括Chaoqun Huang、Shangzhi Shu、Xuejun Hui、Megumi Narisawa、Xiongjie Jin，以及共同通讯作者Shuyan Li（李淑艳）与Xian Wu Cheng（程显武）。作者单位涵盖中国吉林大学第一医院心血管内科、吉林大学第二医院肾脏内科、日本名古屋大学医学系研究科心血管内科，以及中国延边大学医院心血管内科与高血压科、吉林省应激与心血管疾病重点实验室。

该研究以题为“Prognostic value of iron-metabolism biomarkers in critically ill patients with atrial fibrillation: a machine learning-based retrospective cohort study”的研究信形式，发表于International Journal of Surgery期刊，于2025年6月12日在线发表，卷期号为International Journal of Surgery (2025) 111:6486–6490。

二、 学术背景与研究目的

本研究属于心血管危重症医学与生物信息学/机器学习交叉领域，聚焦于心房颤动（Atrial Fibrillation, AF） 这一临床最常见的心律失常。在危重患者中，房颤的发生与发病率和死亡率的显著升高密切相关，因此，对这部分患者进行有效的风险分层和预后评估具有重要的临床意义。

铁代谢在心血管健康和疾病中扮演着关键角色。已有研究表明，高铁蛋白和高铁摄入与房颤风险增加相关。铁稳态失衡，无论是铁缺乏还是铁过载，均与多种疾病的发生发展有关。在心律失常方面，动物和人类研究均提示慢性铁过载与心脏传导阻滞和房颤有关。其潜在机制可能涉及铁置换钙离子，干扰心脏电生理活动。然而，尽管有这些生物学关联，铁代谢生物标志物在危重房颤患者中的具体预后价值尚不明确。

基于此背景，本研究设定了两个核心目标：第一，阐明铁代谢指标在危重房颤患者预后中的独立作用；第二，开发并验证一个整合了铁代谢指标的机器学习风险分层工具，以更精准地识别高危患者亚群，为临床决策提供支持。

三、 详细研究流程与方法

本研究是一项基于大型公开数据库的单中心回顾性队列研究，其工作流程系统而严谨，主要包括以下几个步骤：

1. 数据来源与患者筛选： 研究数据来源于MIMIC-IV数据库。研究者首先使用国际疾病分类代码（ICD-9代码427.31；ICD-10代码I48.91, I48.0, I48.2, I48.19, I48.20, I48.1, I48.21, I48.11）识别出患有房颤的成年患者。随后，根据预设的纳入与排除标准（研究流程图见图1）进行筛选，最终纳入了2145名危重病房（ICU）中的房颤患者作为研究队列。根据患者入住ICU后1年的生存状态，将其分为生存组（n=1217）和死亡组（n=928），死亡率为43%。

2. 数据收集与基线特征分析： 从数据库中提取了患者的基线特征、临床实验室指标及预后信息。重点关注的铁代谢指标包括：铁蛋白（Ferritin）、血清铁（Serum Iron）、转铁蛋白（Transferrin） 和总铁结合力（Total Iron-Binding Capacity, TIBC）。研究者对生存组和死亡组的基线特征进行了比较，采用t检验、Mann-Whitney U检验或卡方检验进行统计分析。结果显示，死亡组患者的铁蛋白水平显著更高，而转铁蛋白和TIBC水平显著更低，血清铁水平在两组间无显著差异。

3. 铁代谢指标的预后价值分析： 此部分采用了多种统计方法深入探讨铁代谢指标与1年全因死亡率的关系。 * 分层与生存分析： 首先，将每个铁代谢指标按四分位数进行分层。使用Kaplan-Meier生存曲线和Log-rank检验比较不同分层患者的生存差异。结果显示，高铁蛋白水平、低转铁蛋白和低TIBC水平均与显著更差的生存率相关。血清铁则呈现独特的“U型”关系，即极高和极低水平均可能与不良预后相关。 * 多变量回归分析： 为了在调整混杂因素后评估铁代谢指标的独立预后价值，研究者构建了多变量Cox比例风险回归模型。模型调整了红细胞计数、血红蛋白、红细胞分布宽度（RDW）、血细胞比容、中性粒细胞-淋巴细胞比值（NLR）、序贯器官衰竭评估（SOFA）评分、性别、年龄、高血压、糖尿病、心力衰竭、心肌梗死、脓毒症、急性肾损伤（AKI）等多个潜在混杂因素。分析结果证实：处于最高四分位数（Q4）的铁蛋白（风险比[HR] 1.59，95%置信区间[CI] 1.30–1.95，p < 0.001）和血清铁（HR 1.33，95% CI 1.11–1.60，p = 0.002）是死亡率增加的独立预测因子；而处于较高四分位数（Q3和Q4）的转铁蛋白（Q4 HR 0.65）和TIBC（Q4 HR 0.64）则是保护性因素，即与死亡率降低相关。 * 剂量反应关系探索： 采用限制性立方样条（Restricted Cubic Spline, RCS）分析来可视化铁代谢指标与死亡风险之间的非线性关系。结果清晰地展示了铁蛋白与死亡风险呈负相关（即值越高风险越高），血清铁呈“U型”关系，而转铁蛋白和TIBC与死亡风险呈正相关（即值越高风险越低）。 * 稳健性检验： 为进一步验证结果的稳健性，研究者将铁代谢指标按中位数二分类，并在不同亚组中进行分层分析。结果一致显示，高铁蛋白和低转铁蛋白/TIBC水平在所有亚组中均与长期死亡率增加相关。

4. 机器学习预测模型的开发与验证： 这是本研究的另一个核心环节，旨在构建一个优于传统评分系统的预后预测工具。 * 特征选择： 为避免过拟合和多重共线性，研究者结合了LASSO回归和Boruta算法进行特征筛选。初始筛选出18个潜在预测变量，在排除高共线性的变量（转铁蛋白与TIBC相关性r=1.0；中性粒细胞与白细胞计数相关性r=0.79）后，最终确定了16个关键预测因子用于模型构建。 * 模型训练与比较： 研究者构建了九种不同的机器学习模型，包括梯度提升决策树（Gradient Boosting Decision Trees, GBDT）、极端梯度提升（XGBoost）、随机森林、逻辑回归等。通过10折交叉验证对这些模型的性能进行比较评估，主要评价指标为受试者工作特征曲线下面积（AUC）。 * 最优模型选择与性能评估： GBDT模型在验证集上表现出最优且稳定的预测性能（AUC 0.85），且优于传统的SOFA评分和Charlson合并症指数，因此被选为最终模型。随后，研究者采用5折嵌套交叉验证（将数据分为70%训练/验证集和30%测试集）对最终GBDT模型进行训练和评估。该模型在训练集、验证集和测试集上的AUC分别为0.85、0.83和0.71，显示出良好的区分度。校准曲线和决策曲线分析也表明模型具有良好的校准度和临床实用性。 * 模型解释： 为了增强机器学习模型的“黑箱”可解释性，研究者应用了SHAP（SHapley Additive exPlanations）值分析。SHAP分析以可视化方式展示了每个特征对模型预测结果的贡献方向和大小。分析显示，年龄、RDW和二氧化碳分压（PCO2）是对预后影响最大的前三个因素。TIBC紧随其后，成为第四重要的预测因子，而血清铁和铁蛋白也具有中等程度的重要性。这从机器学习角度再次印证了铁代谢指标在预后预测中的关键作用。研究者还提供了一个代表性病例的SHAP解释图，直观展示了模型如何基于个体特征计算其预测风险得分。

四、 主要研究结果

本研究取得了一系列层次分明、相互印证的结果：

1. 队列特征与铁代谢基线差异： 在2145名危重房颤患者中，1年死亡率高达43%。死亡组患者表现出显著的铁代谢紊乱特征：铁蛋白水平显著升高，而转铁蛋白和TIBC水平显著降低。

2. 铁代谢指标的独立预后价值得到证实：

   • 铁蛋白和血清铁是危险因素： 多变量Cox回归分析明确显示，高铁蛋白和高血清铁水平是1年全因死亡率增加的独立预测因子。
   • 转铁蛋白和TIBC是保护因素： 高水平的转铁蛋白和TIBC与死亡率降低独立相关。
   • 非线性关系被揭示： RCS分析不仅确认了上述关联，还精细刻画了血清铁与死亡风险之间的“U型”关系，即血清铁水平过低或过高都可能不利，最佳预后可能存在于中间范围。

3. 关联的稳健性与临床相关性： 亚组分析和中位数二分类分析均支持上述发现的稳健性。此外，高铁蛋白和低转铁蛋白/TIBC水平还与更长的住院时间和ICU停留时间显著相关，进一步 linking 铁代谢紊乱与更差的临床过程。

4. 高性能机器学习预测模型成功构建： GBDT模型在预测危重房颤患者1年死亡率方面表现出色（AUC达0.85），显著优于传统临床评分。这为临床提供了一个更精准的风险评估工具。

5. 铁代谢指标在预测模型中占据核心地位： 通过SHAP分析对模型进行解释，发现除了常规的危重病指标（如年龄、RDW）外，TIBC是贡献度排名第四的关键预测因子，血清铁和铁蛋白也位列重要特征之中。这从数据驱动的角度，强有力地证明了将铁代谢指标纳入危重房颤患者预后评估体系的必要性。

这些结果层层递进：从描述性统计发现组间差异，到传统统计学方法确认独立关联和剂量反应关系，再到利用前沿机器学习技术构建整合性预测模型并验证铁代谢指标在该模型中的重要性，共同构成了一个完整、严谨的证据链。

五、 研究结论与意义

本研究得出结论：铁代谢生物标志物，尤其是总铁结合力（TIBC），是危重房颤患者重要的预后因素。铁蛋白和血清铁水平升高预示死亡风险增加，而转铁蛋白和TIBC水平升高则具有保护作用。这种双向效应为风险分层提供了互补信息。

研究的科学价值在于：首次在大型危重房颤患者队列中，系统性地阐明了多种铁代谢指标（铁蛋白、血清铁、转铁蛋白、TIBC）与长期预后的独立且复杂的关联，深化了对铁稳态失衡在危重疾病背景下，特别是合并房颤时，其病理生理作用的理解。

研究的应用价值显著：成功开发并验证了一个基于机器学习、整合了铁代谢指标的预后预测模型。该模型（GBDT）具有优异的预测性能，为临床医生提供了一个优于传统评分系统的、客观的决策辅助工具，有助于早期识别高危患者，从而可能实现更个体化、更精准的临床管理（例如，更密切的监测或针对铁代谢的干预探索）。

六、 研究亮点

1. 重要的研究发现： 明确揭示了铁代谢指标（铁蛋白、血清铁、转铁蛋白、TIBC）与危重房颤患者1年全因死亡率之间强烈的、独立的关联，并发现血清铁存在“U型”风险关系。
2. 研究方法的创新性： 创新性地将传统生存分析与先进的机器学习建模相结合。不仅使用Cox回归和RCS分析确认关联，更进一步利用LASSO-Boruta特征选择、多种机器学习算法比较、嵌套交叉验证和SHAP可解释性分析，构建并深入解释了一个高性能预测模型，体现了转化医学的研究思路。
3. 研究对象的特殊性： 聚焦于“危重病房中的房颤患者”这一临床预后极差、管理挑战大的特殊群体，其研究成果具有直接的临床紧迫性和针对性。
4. 核心预测因子的突出： 通过数据驱动的方法，将TIBC确立为预测模型中排名靠前的关键变量，突出了铁代谢评估在此类患者中的核心地位。

七、 其他有价值的内容

研究也坦诚地指出了若干局限性：首先，作为单中心回顾性研究，可能存在选择偏倚，且样本量虽大但来源单一；其次，尽管调整了大量混杂因素，仍可能存在未测量的混杂因子（如未记录的合并症或特定治疗）；最后，本研究揭示了强烈的关联，但无法确立铁代谢紊乱与不良预后之间的因果关系。铁代谢指标究竟是导致不良结局的驱动因素，还是仅仅是严重疾病的生物标志物，以及通过铁剂补充或吸收抑制来调节铁代谢是否能改善预后，仍有待前瞻性干预研究来验证。

此外，研究遵循了STROCSS报告规范，并在研究注册平台进行了注册，体现了研究的规范性和透明度。研究得到了中国国家自然科学基金的资助，并获得了伦理委员会的批准。所有数据来源于公开的、去标识化的MIMIC-IV数据库，符合伦理规范。