MIMIC数据库中科院1区SCI文章常见工作量

✅ 工作量与维度

多结局×多时间窗：院/ICU死亡、28/90天、AKI、RRT、MV时长、ICU/住院LOS；协变量统一取ICU入科前6–24h。

动态特征：斜率/波动/极值/时间加权均值（AUC），与首值/均值做增益对比。

验证：时序切分（早期训练、晚期验证）+外部验证（eICU/HiRID/AmsterdamUMCdb）。

✅ 方法框架

描述/关联：SMD衡量平衡；Logistic/负二项、时间依赖Cox、Fine–Gray，RCS刻画非线性，聚集稳健方差/混合效应；Target trial+IPTW/稳定权重MSM/G-formula；中介效应分析。

预测：LASSO/XGBoost；评估AUC/PR-AUC+校准（斜率/ECE）+DCA+NRI/IDI；解释 SHAP/ICE。

亚组与敏感性：年龄/性别/SOFA/通气/感染/肾功能等；变更时间窗与阈值、缺失策略、替代结局、FDR。

工作量框架与5篇案例对照

典型工作量拆解

案例一：

文章标题：Association between the triglyceride glucose (TyG) index and the risk of acute kidney injury in critically ill patients with heart failure: analysis of the MIMIC-IV database

1️⃣ 数据准备

• 数据来源：MIMIC-IV（v2.2）数据库，纳入1393例重症心力衰竭（HF）患者。

• 结局变量：急性肾损伤（AKI），定义基于KDIGO标准；次要结局包括住院死亡率、肾替代治疗（RRT）使用。

• 暴露变量：三酰甘油-葡萄糖指数（TyG指数），计算公式：TyG=ln空腹甘油三酯（mg/dL）×空腹血糖（mg/dL）/2。

• 协变量：人口学资料（年龄、性别、BMI）、基础疾病（高血压、糖尿病等）、实验室指标（肌酐、血红蛋白等）、临床评分（SOFA、SAPSII）。

2️⃣ 统计分析

描述性分析：将患者按TyG四分位数分组，比较基线特征差异（方差分析、t检验）。

Cox比例风险回归：单因素&多因素模型，评估TyG与AKI、死亡、RRT的风险比（HR）。

限制性立方样条（RCS）：探索TyG与AKI风险的剂量–反应关系，检验线性/非线性。

Kaplan–Meier 曲线+Log-rank检验：比较不同TyG分组患者的AKI发生率及RRT使用情况。

亚组分析：分性别、年龄、合并症等亚组检验TyG与AKI的一致性，进行交互作用检验。

3️⃣ 结果呈现

表1：将患者按TyG四分位数分组，比较基线特征差异（方差分析、t检验或非参数检验）。

表2：将患者分为AKI组和非AKI组，比较其特征差异（卡方检验、t检验或非参数检验）。

图2：基于TyG指数四分位数的AKI发生率分布的累积事件发生率曲线，比较不同TyG分组患者的AKI发生率。

表3：AKI发病率的Cox比例风险比（HR）采用Cox比例风险回归分析（未调整、逐步调整协变量的多模型：Model 1–3）。探讨TyG指数（连续变量和按四分位分组）与急性肾损伤（AKI）发生风险之间的关系。分析是否在调整年龄、性别、BMI以及多种临床与实验室变量后，TyG仍然是AKI的独立预测因子。

图3：使用限制性立方样条（RCS）分析，分别在三个Cox回归模型中绘制TyG指数与AKI风险比（HR）的关系曲线。探讨TyG指数作为连续变量时与AKI发生风险之间的剂量–反应关系，并检验是否存在非线性趋势。

图4：Cox回归的亚组分析，并绘制森林图展示不同临床亚组中TyG指数与主要终点（AKI发生）的风险比（HR）及交互作用检验结果。探讨TyG与AKI风险的关联在不同人群亚组（性别、年龄、是否合并 AMI、CKD、糖尿病、高血压、BMI分组等）中的一致性与稳定性。同时检验是否存在显著的交互作用（P for interaction）。

图5：使用Kaplan–Meier生存分析，比较不同TyG四分位组（Q1–Q4）在随访期间的院内死亡率。通过Log-rank检验评估生存曲线差异是否显著。探讨TyG指数水平与院内死亡率之间的关系，包括：A 图：整个研究人群的院内死亡率；B 图：发生AKI的患者亚组的院内死亡率。

图6：使用累积发生率曲线（Cumulative incidence curves），比较不同TyG四分位组（Q1–Q4）的AKI患者在随访期间使用肾替代治疗（RRT）的情况。差异通过统计检验（log-rank test）进行评估。

案例二：

文章标题：Association between triglyceride-glucose index and all-cause mortality in critically ill patients with ischemic stroke: analysis of the MIMIC-IV database

1️⃣ 数据准备

• 数据来源：MIMIC-IV 数据库，纳入ICU收治的严重缺血性中风（IS）患者。最终样本量为733例，男性占 55.8%，院内死亡率为19.0%，ICU 死亡率为14.9%。

• 结局变量：院内全因死亡率（in-hospital mortality）；ICU 全因死亡率（ICU mortality）。

• 暴露变量：三酰甘油-葡萄糖指数（TyG 指数），计算公式：TyG = ln空腹甘油三酯（mg/dL）×空腹血糖（mg/dL）/2。

• 协变量：年龄、性别、BMI、心力衰竭、心房颤动、糖尿病、败血症、白细胞、红细胞、血小板和血清肌酐统计分析。

2️⃣ 统计分析

描述性分析：将患者按TyG四分位数分组，比较基线特征差异（方差分析、t检验）。

Cox 比例风险回归：评估TyG指数与院内死亡率／ICU死亡率之间的关联。

限制性立方样条（RCS）：TyG指数与死亡风险之间的剂量–反应关系曲线。

Kaplan–Meier 曲线+Log-rank检验：比较不同TyG四分位组的生存曲线（住院及 ICU 死亡）。

亚组分析：探讨TyG指数与 死亡风险在不同亚组（性别、年龄、糖尿病、心房颤动、心力衰竭、感染等） 中的关联一致性。

3️⃣ 结果呈现

表1：将患者按TyG四分位数分组，比较基线特征差异（方差分析、t检验或非参数检验）。

表2：将患者按幸存者和非幸存者组，比较基线特征差异（t检验,卡方检验或非参数检验）。

图2：采用Kaplan–Meier生存曲线+Log-rank检验。探讨不同TyG指数四分位组（Q1–Q4）在28天（a）与3个月（b）全因死亡率上的差异。

表3：采用Cox比例风险回归模型（Model 1未调整，Model 2调整部分变量，Model 3全面调整）探讨TyG指数（连续变量和按四分位分组）与院内死亡率、ICU死亡率的关联，并通过趋势检验（P for trend）评估剂量–反应关系。

图3a、b图：采用Cox比例风险回归（多变量调整后），展示不同TyG四分位组与院内死亡率、ICU死亡率的风险比（HR）。c、d图：采用限制性立方样条（RCS）分析，评估 TyG 指数与院内及 ICU 死亡风险的剂量–反应关系探讨 TyG 四分位数与死亡风险之间的趋势关系（p for trend），以及TyG作为连续变量时与死亡风险的线性/非线性关联。

图4-图5：采用Cox比例风险回归的亚组分析，绘制森林图，同时进行交互作用检验（P for interaction）。探讨不同临床亚组中，TyG指数与院内死亡风险（ICU死亡风险）的关系是否一致。同时检验是否存在显著的交互效应。

附录：

附表1：缺失值统计分析，逐一统计研究中风险变量与结局变量的缺失数量及比例。

附表2：使用分组比较（Q1–Q3 vs Q4），结合 卡方检验 / Mann-Whitney U检验 / t 检验等，比较不同TyG分层人群的基线特征、合并症、实验室指标及临床结局差异。

附图1：使用小提琴图 + 箱线图叠加，比较 幸存者（Survivor）与非幸存者（Non-Survivor）之间的 TyG 指数分布差异。通过统计检验（P值）评估组间差异。

附表3：使用多变量二元Logistic回归分析，评估多种临床因素对全因死亡的独立影响。

案例三：

文章标题：Stress hyperglycemia ratio and machine learning model for prediction of all-cause mortality in patients undergoing cardiac surgery

1️⃣ 数据准备

• 数据来源：来自MIMIC-IV数据库，收集接受心脏手术后的患者数据，样本量为3,848例，平均年龄68±12岁，女性占30.6。

• 结局变量：术后30天全因死亡率；次要结局包括住院死亡率、90天和360天全因死亡率。

• 暴露变量：术后应激高血糖比（SHR）指标，按四分位数分类。

• 协变量：人口学资料（年龄、性别）、既往史（心肌梗塞、糖尿病等）、实验室指标（术前术后空腹血、白细胞等）、临床评分（急性生理学评分 III）。

2️⃣ 统计分析

描述性分析：将患者按SHR四分位数分组，比较基线特征差异（方差分析、t检验）。

逻辑回归：医院、30d、90d和360d全因死亡率的Logistic回归模型。

生存分析：评估SHR与医院、30d、90d和360d全因死亡率的风险比（HR）。

限制性立方样条（RCS）：探索SHR指数与死亡风险之间的非线性关系，检验是否存在显著非线性趋势。

分层分析：以探讨不同亚组人群术后SHR与住院、30天、90天、360天全因死亡率之间关联的潜在影响。

中介分析：术后SHR通过其与炎症标志物的关联影响延长机械通气的中介效应分析。

机器学习模型构建：使用LASSO回归进行变量选择；测试6种机器学习算法（Naive Bayes、XGBoost、SVM、AdaBoost、GBM、LR ），用于预测住院期间和360天的全因死亡率。

可解释性分析：使用SHapley Additive exPlanations（SHAP）方法，可视化模型关键特征及个体预测贡献。

3️⃣ 结果呈现

表1：将患者按SHR指数拆分为四分位数，比较基线特征差异（方差分析、非参数检验）。

表2：采用Logistic回归模型（分层SHR四分位+趋势检验），分别评估SHR与院内、30天、90天及360天全因死亡率的关系。探讨不同SHR四分位组（Q1–Q4）与各时间点死亡风险之间的关联。

图2：使用Kaplan–Meier生存分析曲线+Log-rank检验，比较不同SHR四分位组在不同时间点的生存情况。探讨术后SHR水平与院内（A）、30天（B）、90天（C）及 360天（D）全因死亡率的关系。

图3：使用限制性立方样条（RCS）分析，探索术后应激性高血糖比（SHR）与全因死亡率之间的剂量–反应关系。探讨SHR与院内（A）、30天（B）、90天（C）、360天（D）死亡风险之间的线性/非线性关联。

图4：使用多种机器学习算法（AdaBoost、GBM、Logistic 回归、Naive Bayes、SVM、XGBoost），分别构建预测模型，并绘制ROC曲线，比较其在预测院内死亡（A）和360天死亡（B）时的判别能力（以AUC衡量）。

附录：

附表1：中介分析中包含组和排除组患者基线特征.使用 双样本t检验、Mann-Whitney U检验或χ²检验，比较纳入中介分析的患者（N=2649）与排除患者（N=1199）在基线特征、实验室指标、生命体征和结局上的差异。

附表2：中介效应分析（Mediation analysis）。在5个不同模型下评估术后 SHR对30天全因死亡率的直接效应与间接效应，中介路径包括炎症指标（NLR、MLR、PLR、SII、SIRI）与机械通气时间。

附表3：心脏手术和合并症的ICD编码。

附图1：ROC曲线。术前SHR、术后SHR以及院内、30天、90天和360天死亡率的SHR变化率。

附图2：术后SHR和30天全因死亡率分层分析的森林图。

附图3：术后SHR和住院全因死亡率分层分析的森林图。

附图4：术后SHR和90天全因死亡率分层分析的森林图。

附图5：术后SHR和360天全因死亡率分层分析的森林图。

附图6：SHR与30天死亡率之间的中介分析路径图。

附图7：LASSO特征筛选图。

附图8：SHAP可视化。

案例四：

文章标题：Development and validation of a dynamic early warning system with time-varying machine learning models for predicting hemodynamic instability in critical care: a multicohort study

1️⃣ 数据准备

• 数据来源：训练与内部验证集：台北荣总医院ICU，该队列称为VGHTPE 2010（2010–2021 年）；前瞻性验证集：VGHTPE 2022队列（2022 年），外部验证集：公开数据库MIMIC IV。

• 结局变量：“血流动力学不稳定”（hemodynamic instability），定义为启动升压药、液体复苏、输红血球等干预操作最初发生的时段。

• 暴露变量：生命体征、实验室值、血气、呼吸支持设置等。

• 协变量：患者年龄、入ICU来源（如急诊）、APACHE II评分、ICU住院时间、性别等基本人口学及病情特征。

2️⃣ 统计分析

描述性分析：对三大队列（VGHTPE 2010、VGHTPE 2022、MIMIC-IV）患者的基线特征（年龄、性别、ICU 来源、APACHE II评分、住院时长等）进行描述性统计。连续变量采用均值±标准差或中位数（四分位间距），分类变量以频数和百分比表示，并进行组间比较。

分层分析（队列验证）：将模型分别在三个数据集上进行验证：VGHTPE 2010：训练与内部验证；VGHTPE 2022：前瞻性验证；MIMIC-IV：外部验证，通过不同队列的性能比较，检验模型在时序和跨地区数据上的泛化能力。

机器学习模型构建：

• 模型方法：采用XGBoost算法，构建24个时间分层模型（预测干预前1–24小时的血流动力学不稳定风险）。

• 输入变量：包含生命体征、实验室结果、血气分析、呼吸机参数等ICU临床数据。

• 模型性能指标：采用AUROC、AUPRC、精确率（precision）、召回率（recall）、Brier分数等衡量预测能力，并绘制校准曲线检验预测概率与真实风险的一致性。

• 报警策略：设置α阈值，当一定比例的时间点模型触发高风险信号时发出预警，用以减少虚警率。

• 对照分析：与传统预警评分（如NEWS2、qSOFA）进行性能比较，突出模型优势。

3️⃣ 结果呈现

图2：核心框架流程图。从 ICU数据库中抽取患者的动态特征（生命体征、实验室、呼吸机参数等）。针对干预前 1–24小时，分别训练24个XGBoost模型，预测患者是否会出现血流动力学不稳定。将每个时间点的预测结果整合成一个集成模型（ensemble），并通过阈值来决定是否报警。采用AUROC、AUPRC、Precision、Recall、Brier score 等指标评价模型性能，同时绘制校准曲线。

表1：VGHTPE 2010队列中发生血流动力学不稳定与未发生患者的基线特征比较。

图3：TvHEWS模型在不同队列中的预测性能，包括ROC（评估模型区分能力）和PRC曲线（评估模型在不平衡结局下的预测性能）。

图4：TvHEWS模型在不同队列的校准表现（Calibration plots），分别比较 VGHTPE 2010（内部验证）、VGHTPE 2022（前瞻性验证）、MIMIC-IV（外部验证）的校准效果。使用Brier score衡量整体校准度（数值越小，模型预测与真实风险一致性越好）。底部直方图展示各队列预测概率分布，评估模型输出倾向。

图5：TvHEWS 模型的预警提前量（lead time）分布。统计在血流动力学干预前 24 小时内，模型发出报警的时间分布。用直方图展示三大队列（VGHTPE 2010、VGHTPE 2022、MIMIC-IV）报警的时间点。计算95%分位数的提前量，即大多数不稳定患者被识别出来时，距离干预还有多久。

附录：

附表1：注释血流动力学不稳定的标准。

附表2：候选变量筛选的详细过程，包括变量来源、筛选流程和最终保留的变量依据（逐步逻辑回归+决策树AUROC+多重共线性检测+缺失率阈值的组合方法）。

附表3：在eTable 2候选变量筛选的基础上，最终进入TvHEWS模型的46个核心变量清单，并且为每个变量设定了可行性范围（plausibility filter）、缺失率和过期时间。

附表4：VGHTPE 2010队列中46个建模特征在不稳定组和稳定组之间的分布差异。

附表5：MIMIC IV队列46个建模特征的分布情况。

附表6：MIMIC IV队列患者的总体特征。

附表7：24个模型在VGHTPE 2010队列中预测血流动力学不稳定性的性能。

附表8：评估了 VGHTPE 2010 队列中不同报警阈值（α%）下的规则表现，比较灵敏度、特异度、误报率与漏报率的权衡。

附表9：在VGHTPE 2022前瞻性验证队列 中测试不同报警规则，证明在真实临床场景下较低 α 值能获得更好平衡。

附表10：在MIMIC IV外部验证队列 中检验报警规则，显示模型跨地区/系统应用时性能下降，但仍可通过调整α值改善召回与误报率。

附表11：VGHTPE 2010队列与MIMIC IV队列的特征中位数对比，并计算了相对差异百分比。

附图1：TvHEWS模型设定预测目标与干预时序的研究设计框架。

附图2：VGHTPE 2022和MIMIC IV中的子组模型性能（亚组心血管、呼吸、胃肠道、其他、神经系统和创伤的AUROC曲线和AUPRC曲线）

附图3：TvHEWS在VGHTPE 2022队列中不同亚组的召回率（Recall）和精确率（PPV）表现。

附图4：TvHEWS在MIMIC IV队列中不同亚组的召回率（Recall）和精确率（PPV）表现。

附图5：TvHEWS的机器学习开发流程(强调了数据处理、建模方法与时间递进预测策略)。

案例五：

文章标题：Blood Pressure Response Index and Mortality in Patients With Cardiogenic Shock: A Multicenter Retrospective Cohort Study

1️⃣ 数据准备

• 数据来源：两个公开重症数据库：MIMIC-IV v3.1与eICU-CRD；研究对象为ICU收治的心源性休克（CS）患者。

• 结局变量：住院死亡（in-hospital mortality）。

• 暴露变量：主要暴露为BPRI（血压反应指数）。BPRI在既往研究中被定义为：BPRI=平均动脉压（MAP） / Vasoactive-Inotropic Score（VIS）；本研究将其用于 CS 人群。VIS计算（成人常用加权）： VIS=多巴胺剂量+多巴酚丁胺剂量+100×肾上腺素 + 100×去甲肾上腺素+10×米力农+10,000×加压素（单位均为 μg/kg/min，加压素为 U/kg/min）。

• 协变量：SOFA与 BOS,MA2风险评分。

2️⃣ 统计分析

描述性分析：两个独立队列分别整理：MIMIC-IV v3.1（n=1456）与eICU-CRD（n=386）的基线特征与结局（住院死亡）。先在各自队列内做总体描述，再用于后续建模与对照。

ROC、AUC：以住院死亡为结局，比较BPRI对结局的判别力与既有评分SOFA、BOS,MA2的差异。

RCS：用RCS检查BPRI–死亡风险的非线性关系。

分段Logistic（确定阈值）：在RCS指示非线性的基础上，使用分段Logistic回归确定转折点。

亚组分析：针对关键临床分层开展亚组分析以检验BPRI与死亡风险关联的稳健性。

模型评估：基于BPRI构建新预测模型（列线图），用ROC/AUC与决策曲线分析（DCA）评估性能与临床净获益。

3️⃣ 结果呈现

表1：MIMIC-IV 和 eICU-CRD 队列中CS患者的基线特征。

图2： 图A、B中AUROC预测不同时间跨度内BPRI和SOFA评分院内死亡率的比较。按 0–24/0–48/0–72/0–168 h 时间窗计算BPRI与SOFA的AUROC（含95%CI），做显著性比较。图C、D用于预测 BPRI、BOS、MA2风险评分、MAP、VIS、BPRI和乳酸之间院内死亡率的ROC曲线。

图3：BPRI与院内死亡率的限制性三次样条回归分析，分别描述了两个队列BPRI与院内死亡率之间的非线性关联。

图4：采用阈值分段多变量Logistic回归＋亚组交互：先据RCS切点 log(BPRI)=0.89将样本分为<0.89与≥0.89 两段，在每段内按合并症/MCS分亚组，估计log (BPRI) 每单位变化的OR (95%CI) 并给出P for interaction。

图5A：新模型整合了BPRI和BOS、MA2风险评分的测量变量，并构建列线图。图5B：该计分模型在两独立队列的ROC验证；用AUROC展示判别力与敏感度-特异度权衡。图5C：决策曲线分析（DCA）：在不同风险阈值/成本-收益比下比较模型的标准化净获益，评估临床实用性。

附录：

附表1：不同给定时间点BPRI的AUROCs（95% CI）。按最短可用时长0–24/48/72/168h计算BPRI的AUROC（95%CI），并用DeLong与168h作参照比较。

附表2：BPRI、BOS、MA2风险评分、MAP、VIS和乳酸之间的AUROC比较。在同一设定下绘制 ROC，比较BPRI与BOS,MA2 / MAP / VIS / 乳酸的AUC，并以BPRI为基准做DeLong两两检验。

附表3：BPRI与住院死亡率之间的单变量和多变量逻辑回归分析。按RCS切点BPRI=2.4做分段多变量Logistic回归（调整Age、Gender、MV、SBP、SpO₂、BUN、AG）。