eICU数据库可发表性

eICU数据库近年发文趋势

▶ 关联性研究发文趋势：主要包括实验室指标、生命指征以及药物使用和结局的影响，关联性研究仍然是eICU数据库发文的主流，近年来发文量呈现增长趋势。同时近年来eICU数据库使用的实验室标志物及其复合指标也不断呈现创新趋势。这些标志物包括炎症标志物、胰岛素抵抗指标、肥胖/脂质指标、营养指标、不同药物、血糖变化、血压动态变化等，研究结局包括全因死亡（短期和长期）、合并疾病（AKI/谵妄等）。主要研究人群为脓毒症、心血管疾病、脑血管疾病和各类重症疾病，近年来，关联性研究后逐渐加入机器学习评估变量对结局的重要性或评估预测性能。除了常规的关联性研究以外，现在还加入了单变量的动态轨迹和结局变量对关联，如血小板动态轨迹和ICU死亡率间的联系。

▶ 机器学习预测模型发文趋势：近年来机器学习的文章也逐渐增多。基本采用Boruta算法或者LASSO进行特征选择，构建了多个机器模型。根据验证组和试验组的受试者工作特征曲线下面积（AUROC）、准确性、灵敏度和特异性确定最佳模型。采用SHapley加性解释（SHAP）分析整体可解释性和局部可解释性。主要聚集于某重症疾病不良预后机器学习的构建，最常见的研究对象为为脓毒症、心血管疾病、脑卒中、急性胰腺炎等，不良预后主要包括死亡和ICU新发合并症。

除了关联性研究和预测模型以外，其他的研究思路包括：

▶ 诊疗实践模式与依从性分析：评估针对特定疾病（如脓毒症、ARDS、急性肾损伤）或干预措施（如VTE预防、应激性溃疡预防、血糖控制）的国际/国家指南在真实世界中的执行情况。分析依从率随时间、医院类型、地区、患者群体的变化及影响因素。

▶ 不良事件研究：

• 药物相关不良事件：利用药物、生命体征、实验室数据，通过规则或算法（如触发工具）识别潜在的药物不良事件（如药物相互作用、剂量错误、肾毒性、低血糖）。分析其发生率、危险因素、相关药物及对预后的影响。

• 程序并发症研究：分析中心静脉置管、动脉置管、气管插管等操作的并发症（如气胸、出血、感染）发生率及其预测因素。

• 延迟诊断/治疗识别：开发算法识别可能存在的诊断延迟（如脓毒症识别延迟）或关键治疗延迟（如抗生素使用延迟、休克复苏延迟），并评估其普遍性和后果。

▶ 资源利用与效率研究：量化不同疾病、不同严重程度患者的ICU资源消耗（如机械通气时长、血管活性药物使用时长、高级监测时长、特殊治疗如CRRT）。建立资源消耗预测模型

eICU数据库的特点与优势

eICU协作研究数据库（eICU Collaborative Research Database）是一个大型、多中心的重症监护病房（ICU）数据库，由飞利浦医疗（Philips Healthcare）与美国麻省理工学院计算生理学实验室（MIT Lab for Computational Physiology）合作开发并维护。它已成为重症医学研究领域的重要资源。往期我们也对eICU数据库做过详细拆解，感兴趣的朋友可以点击链接进行学习。☞eICU数据库的数据结构解读

特点：

• 大规模与多中心性：包含来自美国大陆超过200家医院、超过200,000名成年ICU患者（200,859+）的超过400,000次ICU住院记录（418,393+）。覆盖地理范围广、医院类型多样（社区医院、学术医疗中心等），显著提高了研究结果的普遍性（Generalizability），减少了单中心研究的偏倚。

• 多模态数据融合，包括结构化数据，临床数据，影像数据等。

• 时间深度整合，从药物到生命体征等时间对齐。

• 严格伦理合规性。

优势：

• 数据量大；

• 通过CITI培训可免费申请；

• 跨学科通用性；

• 数据质量和深度。

总结：eICU数据库的核心价值在于其大规模、多中心、高分辨率临床数据的免费开放访问。这为重症医学研究者提供了一个前所未有的平台，用于开展具有高外部效度的观察性研究、开发和验证预测模型、进行医疗质量评估以及探索ICU诊疗实践中的复杂问题，极大地推动了循证重症医学和医疗人工智能的发展。它是现代重症医学研究中不可或缺的关键基础设施之一。

eICU数据库近期发表的高分文章案例

高分文章1：

标题：Triglyceride-glucose index: a novel assessment tool for all-cause mortality in critical stroke patients—a retrospective analysis of the eICU-CRD database

统计方法：COX比例风险模型、KM生存曲线、限制性立方样条、亚组分析

研究思路：

在这项研究中，我们评估了TyG指数、AIP和TC_HDL比值与危重中风患者临床结果的关联。结果表明，与其他两个指数相比，TyG指数表现出更大的临床效用。TyG指数升高与危重中风患者全因ICU和院内死亡率增加相关，即使在调整混杂危险因素后，这种关联仍然显著。因此，TyG指数可以作为临床医生有前途的决策工具，也是危重脑卒中患者的独立危险因素。与以往的研究相比，我们的优势如下：首先，与大多数分析单个指标的研究不同，我们评估了三种不同的标记，并通过直接比较得出结论。其次，虽然之前的大多数研究都使用了MIMIC数据集，但我们采用了覆盖更多地区和更多医院的多中心数据库，增强了普遍性。

高分文章2：

标题：Supervised Machine Learning Models for Predicting Sepsis-Associated Liver Injury in Patients With Sepsis: Development and Validation Study Based on a Multicenter Cohort Study

统计方法：LASSO回归+机器学习+ROC+SHAP值+决策曲线+校准曲线

研究思路：

脓毒症患者的全身失调导致多器官衰竭，是导致死亡的主要原因。由于病因、宿主反应和器官环境的异质性，始终有效的挽救患者生命的方法仍然难以捉摸。现在人们普遍认为，对高危患者进行精确分层和早期识别是降低脓毒症相关死亡率的最可行方法之一。在这项研究中，我们使用2个数据库（MIMIC-IV和eICU-CRD）的数据开发并评估了一种堆叠集成模型来预测危重患者的SALI。我们的结果表明，利用单个ML算法优势的堆叠模型在内部和外部验证设置中都实现了卓越的预测性能。值得注意的是，堆叠集成中使用的模型高度重视结核病、PT、乳酸水平、通气状态、血管活性药物使用和PVD等特征。