MIMIC数据库可发文的指标（3/100）：HRR血红蛋白与红细胞分布宽度比

MIMIC可发文指标——HRR

定义：血红蛋白与红细胞分布宽度比（HRR）是通过血红蛋白（Hb）和红细胞分布宽度（RDW）水平计算得出的数值，是反映全身炎症和患者健康状况的综合指标。

计算方式：HRR=血红蛋白（g/L）/红细胞分布宽度（%）

结果含义：HRR整合了血红蛋白水平和RDW的预后影响，可以更准确地预测患者早期的炎症水平，低水平的HRR与许多危重患者的预后显著恶化密切相关，例如冠心病、败血症和缺血性中风等。

案例文章：

以一篇发表在Scientific Reports上的文章为例，为大家介绍HRR这一指标。

研究背景：

HRR是一种新的标志物，可以更准确地预测患者早期的炎症水平，HRR与几种流行疾病的诊断、严重程度和预后有关，例如恶性肿瘤、心血管疾病、糖尿病和其他代谢紊乱。然而，目前还没有研究检查HRR和肺栓塞（PE）之间的联系。该研究的目的是探索HRR与PE患者预后之间的相关性，并利用机器学习算法探究延长住院时间的重要预测因素。

研究方法：

该研究使用MIMIC-IV数据库，经纳入与排除标准筛选后，最终2,272名患者符合纳入标准，并根据HRR的四分位数分为四组：

采用了Kaplan-Meier（KM）曲线，根据HRR指数进行分层。
采用单因素Cox分析，探讨HRR指数与30、365天死亡率的关联。
多变量Cox比例风险回归模型包含具有临床意义的变量或与结果显示单变量相关的变量。
通过使用限制性立方样条（RCS）将HRR指数作为连续变量进行检查，以阐明剂量反应与主要和次要结果的关系。
为进一步分析HRR指数与不同时间点死亡率的关系，在拐点两侧应用两阶段Cox比例风险模型。
按性别（男性、女性）、年龄（<60岁或≥60岁）、糖尿病和高血压等因素进行了分层分析。
通过LASSO回归选择的变量进入机器学习算法，并采用随机生存森林（RSF）、cox比例风险（coxph）、K最近邻（KNN）等算法对所选变量进行分析，预测PE患者28天死亡风险。
使用ROC曲线和相应的曲线下面积（AUC）评估模型性能；使用决策曲线分析（DCA）评估临床使实用性；使用SHAP值解释最佳模型。

主要研究结果：

Kaplan-Meier曲线显示：四个HRR四分位数组在28天和365天生存率方面的生存率存在差异。与HRR指数较低组相比，HRR指数最高组（Q4）的患者在28天和365天时表现出显著更高的生存率（P<0.001）。

标准Cox比例风险模型和两分段Cox比例风险模型结果显示：30天死亡率的拐点为9.38，365天死亡率的拐点为4.53。当HRR指数低于9.38时，HRR水平每增加一个单位，30天全因死亡率就会降低85.9%（P<0.001;95%CI：0.814–0.906）。对于365天全因死亡率，HRR指数高于4.53与每增加单位HRR的风险增加84.7%相关（P<0.001;95%CI：0.814–0.881）。

RCS曲线分析显示，HRR指数与死亡率在30天和365天同时间点之间存在非线性关系。30天HRR与死亡率呈非线性关系（P总体<0.001，P非线性=0.020）。同时，HRR与死亡率呈显著线性关联（P总体<0.001，P非线性=0.046）。

为了研究HRR指数对死亡率的独立影响，采用了2种Cox回归模型。结果显示，与HRR指数为≥5.78的患者相比，HRR指数为<5.78的患者发生30天和365天死亡率的风险更高。

对人口统计学（性别、年龄）、合并症（糖尿病和高血压）等潜在影响因素进行亚组分析。交互作用分析显示，基于性别、年龄（低于或高于60岁）、心肌梗死的存在，30天和365天的全因死亡率没有显著差异（P>0.05）。同样，在患有和不患有糖尿病和高血压的患者之间，在30天和365天全因死亡率方面没有观察到显著差异（P>0.05）。