MIMIC数据库套路2解读：KM曲线+COX回归+RCS曲线+亚组分析+敏感性分析

今天给大家解读MIMIC数据库KM曲线+COX回归+RCS曲线+亚组分析+敏感性分析曲线的分析框架和发文思路。

套路总结：

KM生存曲线：探讨不同分组间死亡结局的差异，组间差异为log rank；

COX比例风险模型：探讨暴露变量和结局变量的相关性；结局变量一般为生存状态和生存时间；

RCS曲线：限制性立方样条，研究自变量和结局变量剂量反应关系及潜在非线性关联；

亚组分析：进一步探讨自变量和结局变量的关联在不同人群中是否一致；

敏感性分析：包括更换研究对象或者进一步限制研究人群，以验证结果的稳定性。

案例文章：

文章亮点：

• 研究内容丰富：研究了三种血糖控制指标，包括HGI、SHR和GV。

• 敏感性分析：通过进一步限制研究人群或者用插补前的数据或其他数据进一步分析，验证结果的稳定性。

• 新颖的研究人群：限定为经导管主动脉瓣置换术（TAVR）患者。

• 有自己的外部验证数据。

文章解读：

本研究纳入的所有患者均接受了经导管主动脉瓣置换术（TAVR），并首次入住重症监护病房（ICU）。此外，作者根据以下标准排除了患者：再次入住ICU的病历（n=29,092）、年龄在18岁以下（n=0）、缺乏血红蛋白A1c和血糖数据（n=416），以及在ICU住院期间血糖测量少于3次（n=540）。最终纳入研究的患者人数为2,428人。纳入和排除过程的简要流程图如图所示。南昌大学附属第二医院收集的单中心数据采用相同的纳入和排除标准，共纳入122例TAVR后入住ICU的患者进行外部验证。

KM生存曲线：在30天的随访中，有54名患者（1.6%）死亡，在365天的随访中，有229名患者（6.9%）死亡。基于HGI、SHR和GV三分位数的Kaplan-Meier生存曲线用于比较组间关键结局和其他结局的发生率（图1-3）。在HGI分析中，Q1组的365天死亡率显著低于其他两组，且差异有统计学意义（log-rank P=0.009），提示高HGI水平和低HGI水平都与TAVR患者的长期生存率差相关，高HGI尤其有害（图3D）。然而，组间30天死亡率没有显著差异（图3A）。相比之下，在30d（log-rank P=0.0019）和365d（log-rank P<0.0001）随访期间，SHR水平高和低都与较高的死亡率显著相关（图3B和3E）此外，GV水平与短期和长期死亡率呈正相关，GV水平越高，生存结局越差（log-rank P<0.001），这种关联在30天和365天的随访中保持一致（图3C和F）。然而，在外部验证数据的KM曲线中，作者仅观察到GV与365天死亡率之间存在显著的正相关（对数秩P=0.043）。尽管HGI组和SHR组在30天和365天时的死亡率趋势与MIMIC-IV数据集的KM曲线一致，但未达到显著的统计学差异（log-rank P>0.05）。

COX比例风险模型显示：在完全调整的Cox回归模型中，较低的HGI（HR 1.48,95% CI 1.05–2.09，P=0.025）和较高的SHR（HR 1.63,95% CI 1.15–2.32，P=0.006）与365天死亡风险增加最显著相关。较高的SHR也与患者30天死亡风险增加显著相关（HR 2.92,95% CI 1.32–6.45，P=0.008）。较低（HR 0.59,95% CI 0.38–0.92，P=0.019）和较高的GV水平（HR 1.43,95% CI 1.06–1.93，P=0.020）都与365天死亡风险相关。

根据性别、年龄（<65岁或≥65岁）、BMI（<25kg/m2或≥25kg/m2）、AF、DM、CHD、AKI、CS和OASIS评分（<36或≥36）对TAVR后患者的结局进行了风险亚组分析和交互作用分析。总体而言，作者仅观察到冠心病亚组的GV与365天死亡率之间存在显著交互作用（交互作用的P=0.006）。这表明，在没有冠心病的患者中，保持较低的GV可以降低长期死亡的风险，而在冠心病患者中，较高的GV将直接导致长期风险的增加。此外，其余协变量组对不同水平HGI、SHR和GV患者短期或长期死亡风险的影响差异无统计学意义（交互作用分析结果的P值均为>0.05）。

为了测试在匹配队列中获得的结果的稳健性，作者用匹配前的数据进行敏感性分析，采用多变量Cox比例风险模型分析协变量对28天死亡率、ICU死亡率和1年死亡率的影响。敏感性分析结果显示，在整个队列中，心率对照组的28天死亡率为38.8%（178/459），心律对照组为49.6%（63/127）。显示了整个队列中NOAF治疗策略的28天死亡率的Kaplan-Meier曲线。在单变量分析中，节律控制药物与较高的28天死亡率相关（HR 1.51,95% CI 1.14–2.02，P=0.004）。然而，在多变量调整后，这种关联变得不显著（HR 0.96,95% CI 0.70-1.32，P=0.799）。

敏感性分析：进一步限制人群进行分析

研究采用了各种数据处理方法，如去除缺失值、使用多重插补和排除异常值，来比较分析结果。研究结果表明，在不同的数据处理方法中，HGI、SHR、GV以及关键结果和附加结果之间的关系基本保持一致。

作者还对血糖控制目标对糖尿病和非糖尿病患者死亡率的影响进行了敏感性分析，血糖管理对于非DM患者尤为重要，因为他们对高血糖和血糖波动的抵抗力不如DM患者，这可能会放大血糖波动带来的副作用，从而增加他们的短期和长期死亡风险。

方法：这项回顾性队列研究通过MIMIC-IV数据库分析了3342名入住ICU的TAVR患者。将患者分为HGI、SHR和GV水平的三分位数。生存分析，包括Kaplan\u2012Meier曲线、Cox比例风险模型和限制性立方样条（RCS），用于评估这些患者的血糖控制指标与30天和365天全因死亡率之间的关联。还进行了敏感性分析、亚组评估和外部验证来验证研究结果。

结果解读：

• 较低的HGI与危重TAVR患者长期死亡风险增加相关。HGI水平与关键结局事件的风险比呈线性相关，最佳拐点为-0.199。然而，在患者的短期死亡率结果方面没有一致的结果，高或低HGI都与短期死亡率无关。

• SHR水平升高与短期和长期死亡风险增加显著相关，而SHR水平低与死亡率结局无显著相关。此外，SHR与结局事件的关联呈倒“L”形趋势，SHR与短期和长期全因死亡率的最佳二元临界值分别为0.934和0.876。

• 与低GV水平相比，出院前高GV水平与长期全因死亡率增加呈非线性相关。然而，高GV水平与短期死亡率之间的关联仅在单变量Cox模型中观察到，并且在调整混杂因素后失去了统计学意义。自有数据的分析结果与MIMIC-IV数据库的分析结果显示出相同的相关趋势，但未达到统计学意义。

• BMI、年龄和DM等合并症变量对HGI、SHR和GV与死亡风险之间的关联没有显示出显著的交互作用。这些发现凸显了血糖控制指标与临床结果之间复杂的相互作用，强调了个性化管理策略对这一危重人群的重要性。