基于Charlson共病指数构建的列线图模型预测急性心肌梗死合并室性心律失常患者院内死亡风险的价值及验证

Value and validation of a nomogram model based on the Charlson comorbidity index for predicting in-hospital mortality in patients with acute myocardial infarction complicated by ventricular arrhythmias

摘要

目的 Charlson共病指数可反映全身共病负担，其在心血管领域已有应用，但在急性心肌梗死(acute myocardial infarction，AMI)合并室性心律失常(ventricular arrhythmias，VA)患者院内死亡预测中的作用尚未明确。本研究旨在评估Charlson共病指数预测AMI合并VA患者院内死亡的价值并构建预测模型，以期早期识别并制订个体化管理策略，改善患者预后。 方法 本研究基于重症医学领域的开源数据库MIMIC-IV(Medical Information Mart for Intensive Care IV)，纳入符合AMI合并VA诊断标准的ICU患者为研究对象，并根据院内死亡情况进行分组。分析Charlson共病指数及其他临床指标预测AMI合并VA患者院内死亡的效能。采用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator，LASSO)回归筛选预测因子，并纳入多因素Logistic回归模型进行分析。基于多因素Logistic回归结果构建列线图预测模型，绘制受试者操作特征(receiver operating characteristic，ROC)曲线和校准曲线评估模型的预测效能。 结果 本研究共纳入AMI合并VA患者1 492例，其中发生院内死亡者340例，未发生院内死亡者1 152例。发生院内死亡者与未发生院内死亡者在性别分布、生命体征、共病负担、器官功能及实验室指标方面比较，差异均有统计学意义(均P<0.05)。Charlson共病指数预测院内死亡的曲线下面积(area under the curve，AUC)为0.712(95% CI 0.681~0.742)，高于白蛋白、国际标准化比值(international normalized ratio，INR)、血红蛋白、体温、血小板等指标的预测效能，差异均有统计学意义(均P<0.001)，但与序贯器官衰竭评估(Sequential Organ Failure Assessment，SOFA)预测效能的差异无统计学意义(P>0.05)。LASSO回归筛选出7个关键预测因子，即Charlson共病指数(依据四分位数值分组；T1：Charlson共病指数<6分；T2：Charlson共病指数≥6~<7分；T3：Charlson共病指数≥7~<9分；T4：Charlson共病指数≥9分)、心室颤动、年龄、收缩压、呼吸频率、体温及SOFA评分。多因素Logistic回归分析显示：与Charlson共病指数T1组患者相比，T2组(OR=1.996，95% CI 1.135~3.486，P=0.016)、T3组(OR=3.386，95% CI 2.192~5.302，P<0.001)和T4组(OR=5.679，95% CI 3.711~8.842，P<0.001)患者的院内死亡风险显著增高；年龄(OR=1.056，P<0.001)、呼吸频率(OR=1.069，P<0.001)、SOFA评分(OR=1.223，P<0.001)和心室颤动(OR=2.174，P<0.001)均是院内死亡的危险因素，收缩压(OR=0.984，P<0.001)和体温(OR=0.648，P<0.001)则是院内死亡的保护因素。基于上述预测因子构建列线图预测模型，ROC曲线分析显示该模型的AUC为0.849 (95% CI 0.826~0.871)，具有较高的区分能力；校准曲线分析显示预测曲线与理想曲线较为接近，平均绝对误差为0.014，具有良好的校准度。 结论 Charlson共病指数是AMI合并VA患者院内死亡的独立预测因子，与SOFA评分的预测效能相近。基于Charlson共病指数和其他临床变量构建的列线图预测模型可有效评估AMI合并VA患者的院内死亡风险，为临床决策提供参考。

Abstract

Objective The Charlson comorbidity index reflects overall comorbidity burden and has been applied in cardiovascular medicine. However, its role in predicting in-hospital mortality in patients with acute myocardial infarction (AMI) complicated by ventricular arrhythmias (VA) remains unclear. This study aims to evaluate the predictive value of the Charlson comorbidity index in this setting and to construct a nomogram model for early risk identification and individualized management to improve outcomes. Methods Using the open-access critical care database MIMIC-IV (Medical Information Mart for Intensive Care IV), we identified intensive care unit (ICU) patients diagnosed with AMI complicated by VA. Patients were grouped according to in-hospital survival. The predictive performance of the Charlson comorbidity index and other clinical variables for in-hospital mortality was analyzed. Key predictors were selected using the least absolute shrinkage and selection operator (LASSO) regression, followed by multivariable Logistic regression. A nomogram model was constructed based on the regression results. Model performance was assessed using receiver operating characteristic (ROC) curves and calibration plots. Results A total of 1 492 patients with AMI and VA were included, of whom 340 died and 1 152 survived during hospitalization. Significant differences were observed between survivors and non-survivors in sex distribution, vital signs, comorbidity burden, organ function, and laboratory parameters (all P<0.05). The area under the curve (AUC) of the Charlson comorbidity index for predicting in-hospital mortality was 0.712 (95% CI 0.681 to 0.742), significantly higher than albumin, international normalized ratio (INR), hemoglobin, body temperature, and platelet count (all P<0.001), but comparable to Sequential Organ Failure Assessment (SOFA) score (P>0.05). LASSO regression identified seven key predictors: the Charlson comorbidity index (quartile groups: T1, <6; T2, ≥6-<7; T3, ≥7-<9; T4, ≥9), ventricular fibrillation, age, systolic blood pressure, respiratory rate, body temperature, and SOFA score. Multivariate Logistic regression showed that compared with T1, mortality risk increased significantly in T2 (OR=1.996, 95% CI 1.135 to 3.486, P=0.016), T3 (OR=3.386, 95% CI 2.192 to 5.302, P<0.001), and T4 (OR=5.679, 95% CI 3.711 to 8.842, P<0.001). Age (OR=1.056, P<0.001), respiratory rate (OR=1.069, P<0.001), SOFA score (OR=1.223, P<0.001), and ventricular fibrillation (OR=2.174, P<0.001) were independent risk factors, while systolic blood pressure (OR=0.984, P<0.001) and body temperature (OR=0.648, P<0.001) were protective factors. The nomogram incorporating these predictors achieved an AUC of 0.849 (95% CI 0.826 to 0.871) with high discrimination and good calibration (mean absolute error=0.014). Conclusion The Charlson comorbidity index is an independent predictor of in-hospital mortality in AMI patients complicated by VA, with performance comparable to the SOFA score. The nomogram model based on the Charlson comorbidity index and additional clinical variables effectively estimates mortality risk and provides a valuable reference for clinical decision-making.

Graphical abstract

关键词

急性心肌梗死 / 室性心律失常 / Charlson共病指数 / 院内死亡风险 / 序贯器官衰竭评估 / 列线图模型

Key words

acute myocardial infarction / ventricular arrhythmia / Charlson comorbidity index / in-hospital mortality risk / Sequential Organ Failure Assessment / nomogram model

目前急性心肌梗死(acute myocardial infarction，AMI)仍是全球范围内亟需干预的公共卫生问题^[1-2]。Benjamin等^[3]的研究显示：预计至2035年，约有72万美国人将首次因AMI或冠心病住院，其中每7.4人中就有1人死于AMI。中国心血管病发病率、病死率仍呈上升趋势，据估计至2030年中国罹患AMI人数将达2 300万^[4-7]。室性心律失常(ventricular arrhythmia，VA)是AMI患者的常见并发症^[8-9]，研究^[10]发现约75%的心脏性猝死由恶性VA导致，而即便是合并非持续性室性心动过速的患者，其发生死亡的相对风险也显著增加^[11]。研究^[12-13]发现合并VA的AMI患者有一定概率再次发生心肌梗死、心源性休克、充血性心力衰竭及院内死亡。全球急性冠状动脉事件注册(the Global Registry of Acute Coronary Events，GRACE)研究^[14]显示：AMI合并VA患者在院病死率高达52.0%，而未发生VA的AMI患者在院病死率仅为1.6%。

一项大规模人群队列研究^[15]显示：AMI患者多病共存情况不断加剧，并与不良临床结局密切相关。AMI合并VA患者具有更高的合并症风险和器官功能障碍风险，通常需要接受重症监护治疗^[16]。既往研究^[17-19]基于序贯器官衰竭评估(Sequential Organ Failure Assessment，SOFA)评分预测重症监护病房AMI患者的预后，但这些研究仅关注AMI表现，并未综合考虑患者的其他共病情况。近年来，Charlson共病指数作为评估患者共病负担的有效工具，已逐渐应用于心血管疾病患者的预后评估^[20-22]。Lin等^[23]发现较高的Charlson共病指数得分与AMI患者院内死亡风险增加显著相关。研究^[24-25]还发现Charlson共病指数可以有效预测AMI患者入院时及出院后的预后情况。本研究旨在评估Charlson共病指数预测AMI合并VA患者院内死亡的价值并构建预测模型，以期早期识别并制订个体化管理策略，最终改善患者临床预后。

1 资料与方法

1.1 数据来源

本研究数据源自重症医学领域的开源数据库MIMIC-IV(Medical Information Mart for Intensive Care IV)，该数据库由美国麻省理工学院(Massachusetts Institute of Technology，MIT)与贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)合作建立。鉴于数据库中所有数据均经过匿名化处理，本研究获得数据库管理方的批准，伦理审查豁免。本研究遵循TRIPOD(Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis)的指导并已进行核对。

1.2 研究人群

本研究基于MIMIC-IV数据库筛选符合标准的AMI合并VA患者。AMI的诊断依据《第四版心肌梗死全球统一定义(2018)》^[26]相关标准并结合病历记录进行确认，VA的定义包括室性心动过速和心室颤动。纳入标准：1)符合AMI诊断标准的患者；2)具有VA诊断或心电监测记录的患者；3)住院期间病历数据完整的患者。排除标准：1)缺乏完整临床信息的患者，基线资料缺失>20%(删除变量包括院内死亡日期、碱性磷酸酶、乳酸脱氢酶、糖化血红蛋白、磺达肝癸钠，删除患者数量为82例)；2)既往存在VA相关心肌病的患者；3)住院时间<24 h的患者。

1.3 研究内容

根据患者住院期间院内死亡情况将患者分为发生院内死亡组和未发生院内死亡组，并收集患者的人口学特征、生命体征、共患病、实验室检查结果、用药情况、院内死亡情况等数据。实验室检查结果是指患者入院后48 h内的首次检查结果，其他指标数据在入院时采集。Charlson共病指数计算方法^[27]需依据患者病史，识别Charlson评分体系中的17种共病[心肌梗死、充血性心力衰竭、外周血管病、脑血管疾病、痴呆、慢性肺病、结缔组织病、消化性溃疡病、慢性肝病9种共病均赋值1分；肾衰竭、肿瘤、白血病、恶性淋巴瘤4种共病均赋值2分；糖尿病(无并发症/伴终末期器官损害)，其中无并发症赋值1分，伴终末期器官损害赋值2分；中重度肝病赋值3分；转移性实体瘤、艾滋病2种共病均赋值6分]，每种共病根据其对死亡风险的影响进行赋分，将所有共病的得分相加得到Charlson共病指数。筛选预测因子并构建预测AMI合并AV患者院内死亡风险的列线图模型，并评估该模型的区分度和拟合度。

1.4 统计学处理

所有数据的统计分析采用R 4.2.1(dplyr、tableone、stats、caret、rms、ggplot2)软件和Python 3.8(numpy、scikit-learn)软件完成，其中符合正态分布的连续变量采用均数±标准差表示，不符合正态分布的连续变量采用中位数(第1四分位数，第3四分位数)表示，分类变量采用频数(%)表示。对于缺失数据，采用单重插补法进行补全，缺失比例>20%的变量予以剔除。连续变量的组间比较采用t检验或Kruskal-Wallis检验，无序分类变量的组间比较采用χ²检验和Fisher确切概率法，有序分类变量的组间比较采用秩和检验。采用最小绝对收缩和选择算子(the least absolute shrinkage and selection operator，LASSO)回归筛选变量，通过10折交叉验证选择最优正则化参数λ，以筛选与院内死亡显著相关的变量。随后采用多因素Logistic回归模型评估各项变量对院内死亡的独立预测价值。基于多因素Logistic回归分析结果构建列线图模型，并通过Bootstrap分析进行内部验证，重复抽样次数为1 000；绘制受试者操作特征(receiver operating characteristic，ROC)曲线并计算曲线下面积(area under the curve，AUC)以评估模型的区分能力，并与传统临床指标(如SOFA评分)进行Delong检验以比较预测效能；绘制校准曲线评估模型的拟合度，并计算平均绝对误差。P<0.05为差异有统计学意义。

2 结 果

2.1 临床基本情况

本研究共纳入AMI合并VA患者1 492例，其中发生院内死亡者340例，未发生院内死亡者1 152例。未发生院内死亡者与发生院内死亡者的基线资料比较(表1)显示：院内死亡者年龄较大，男性比例较低，心率、呼吸频率较高，收缩压、舒张压、血氧饱和度、体温、身高较低；既往病史方面，院内死亡患者合并糖尿病、卒中、充血性心力衰竭、心房颤动、心室颤动、呼吸衰竭、慢性肾脏病、急性肾损伤的比例较高，合并原发性高血压病的比例较低；此外，院内死亡患者使用血管活性药物较为频繁，机械通气和透析的比例较高；在实验室检查结果方面，院内死亡患者的红细胞计数、淋巴细胞计数、血红蛋白、白蛋白、动脉血氧分压[partial pressure of oxygen in arterial blood，p_a(O₂)]、pH值均低于未发生院内死亡者，而血肌酐、白细胞计数、丙氨酸氨基转移酶(alanine aminotransferase，ALT)、天冬氨酸转氨酶(aspartate aminotransferase，AST)、总胆红素、血糖、血钾、尿素氮、国际标准化比值(international normalized ratio，INR)、凝血酶原时间(prothrombin time，PT)均高于未发生院内死亡者；院内死亡者SOFA、Charlson共病指数得分高于未发生院内死亡者；上述指标的组间差异均有统计学意义(均P<0.05)。

2.2 <bold>Charlson</bold>共病指数与传统指标的预测效能比较

Charlson共病指数与传统指标(SOFA、白蛋白、INR、血红蛋白、体温、血小板)预测AMI合并VA患者院内死亡效能的比较结果(表2)显示：Charlson共病指数预测院内死亡的AUC为 0.712(95% CI 0.681~0.742)，F1分数为0.488(95% CI 0.484~0.492)，高于白蛋白、INR、血红蛋白、体温、血小板等指标的预测效能，差异均有统计学意义(均P<0.001)，但与SOFA预测效能的差异无统计学意义(P>0.05)。ROC曲线分析(图1)显示：Charlson共病指数预测AMI合并VA患者院内死亡具有较好的区分能力，优于部分传统实验室指标。

2.3 筛选预测因子

采用LASSO回归初步筛选AMI合并VA患者院内死亡的关键预测因子。LASSO回归路径图(图 2A)揭示了不同正则化强度下各变量回归系数的变化，随着正则化系数增大，部分变量系数收缩至0；10折交叉验证(图2B)确定了最优正则化值的结果，纵轴为二项分布偏差，红色点表示交叉验证误差均值，灰色误差条为标准误；基于最小标准误筛选变量，最终确定了Charlson共病指数、心室颤动、年龄、收缩压、呼吸频率、体温、SOFA评分共7个关键预测因子，进入下一步的多因素回归分析和模型构建。

2.4 多因素回归分析

将基于LASSO回归初步筛选出的7个关键预测因子纳入多因素Logistic回归模型分析(表3)显示：Charlson共病指数、年龄、收缩压、呼吸频率、体温、SOFA评分和心室颤动均是AMI合并VA患者院内死亡的独立预测因子；依据Charlson共病指数四分位数值对患者进行分组(T1：Charlson共病指数<6分；T2：Charlson共病指数≥6~<7分；T3：Charlson共病指数≥7~<9分；T4：Charlson共病指数≥9分)，相较于T1组患者，T2组(OR=1.996，95% CI 1.135~3.486，P=0.016)、T3组(OR=3.386，95% CI 2.192~5.302， P<0.001)和T4组(OR=5.679，95% CI 3.711~8.842， P<0.001)患者的院内死亡风险显著增高；年龄(OR=1.056，P<0.001)、呼吸频率(OR=1.069，P<0.001)、SOFA评分(OR=1.223，P<0.001)和心室颤动(OR=2.174，P<0.001)均是院内死亡的危险因素，收缩压(OR=0.984，P<0.001)和体温(OR=0.648，P<0.001)则是院内死亡的保护因素。

2.5 列线图预测模型的构建与验证

基于多因素Logistic回归分析结果，将P<0.05的临床变量纳入以构建预测AMI合并VA患者院内死亡风险的列线图模型(图3)：共纳入7项预测因子，即年龄、呼吸频率、体温、SOFA评分、收缩压、Charlson共病指数(按四分位数值分组)和心室颤动，每个预测因子对应1条刻度线，其具体数值投射到刻度线的相应刻度以获得对应的单项分值，所有单项分值相加得到总分，总分越高提示患者院内死亡风险越大。

ROC曲线分析(图4A)显示列线图模型的AUC为0.849(95% CI 0.826~0.871)，提示该模型具有较高的区分能力，可有效预测AMI合并VA患者院内死亡风险；校准曲线分析(图4B)显示预测曲线与理想曲线较为接近，平均绝对误差为0.014，提示模型具有良好的校准度，预测结果与实际观察值高度吻合。但在预测概率为0.2~0.6的区间内，偏差修正后的校准曲线略低于理想参考线，提示模型在该风险区间存在一定程度的死亡风险高估情况。

3 讨 论

心血管疾病是导致世界范围内死亡的重要原因，其中约50%的死亡事件与缺血性心脏病有关^[28]。VA是AMI的常见并发症，相较于单纯AMI患者，AMI合并VA患者的院内死亡风险显著升高^[29]。Charlson共病指数作为临床上常用的标准化共病评估工具，可用于预测不同临床人群的死亡风险^[30]，但针对AMI合并VA患者的Charlson共病指数应用研究仍尚显不足。本研究探讨Charlson共病指数预测AMI合并VA患者院内死亡风险的价值，并构建基于Charlson共病指数和其他关键预测因子的列线图预测模型：1)Charlson共病指数是AMI合并VA患者院内死亡的独立预测因子，较高的Charlson共病指数与院内死亡风险呈正相关；2)结合心室颤动、SOFA、年龄、呼吸频率、体温、收缩压、Charlson共病指数等参数构建的列线图预测模型能够有效评估AMI合并VA患者的死亡风险。

Charlson共病指数预测AMI合并VA患者的预后可能与其反映的全身共病负担密切相关^[16]。研究^[23]发现存在复杂共病情况的患者在心脏病急性发作后死亡风险更高。本研究发现与未发生院内死亡者相比，发生院内死亡者的Charlson共病指数显著提高(P<0.001)，合并糖尿病、卒中、充血性心力衰竭、心房颤动、心室颤动、呼吸衰竭、慢性肾脏病、急性肾损伤的患者比例均显著升高(均P<0.05)。一般情况下，临床医生习惯采用GRACE评分和心肌梗死溶栓治疗(thrombolysis in myocardial infarction，TIMI)血流分级等工具确定治疗计划和管理急性冠状动脉综合征(acute coronary syndrome，ACS)患者的资源分配。研究^[31-32]显示这些工具/模型在预测不良事件方面具有一定的价值，但也存在未充分考虑患者共病负担影响的缺陷。共病负担的增加与缺血性心脏疾病患者的生存终点成反比，其机制可能是复杂和多因素的。例如一项大型的ACS注册登记研究^[33]显示，具有循证医学证据、可改善硬终点事件的治疗策略往往在共病负担严重的患者中应用减少。同样的，本研究结果显示：与未发生院内死亡者相比，发生院内死亡者采用阿司匹林、他汀类药物、β受体阻滞剂、血管紧张素转换酶抑制剂(angiotensin-converting enzyme inhibitors，ACEI)/血管紧张素Ⅱ受体拮抗剂(angiotensin receptor blocker，ARB)等处方的比例均显著降低，但频繁使用血管活性药物、机械通气和透析的比例均显著升高。上述研究结果提示存在严重的共病负担不仅会限制具有改善心血管预后药物的应用，还降低了患者对VA事件的耐受性，增加恶性事件发生风险^[34]。此外，值得注意的是，尽管接受冠状动脉旁路移植术的患者通常病情较为复杂，但本研究中CABG在院内死亡组中的应用比例反而显著低于未发生院内死亡组。这一结果可能反映了潜在的选择性偏倚，即部分病情危重、无法耐受外科手术的患者未被考虑接受CABG，从而在死亡组中比例较低。此外，也不排除此结果可能受到样本量或潜在协变量分布影响，属于统计上的偶然结果。虽然本研究的设计无法完全控制这类手术干预中的混杂因素，但这一反常现象值得在未来研究中进一步验证和探讨。

SOFA评分可量化描述危重患者器官衰竭的风险和严重程度^[35]。研究^[36]发现SOFA评分需综合多项生理指标和实验室指标，临床应用的程序繁琐且耗时，效率较低。Charlson共病指数权衡了心脏病、糖尿病、慢性肾脏病等多种慢性疾病的影响，重点关注患者的长期共病负担；在操作便捷性方面，Charlson共病指数主要基于病史记录进行评估，临床应用更方便。本研究发现Charlson共病指数可在一定程度上间接反映患者对急性心血管事件的耐受能力，其预测AMI合并VA患者院内死亡的效能与SOFA评分相近。因此在特定情况下，Charlson共病指数或可作为一种更为简便、快速的替代评估工具。

Charlson共病指数能够反映共病负担并提供有效的预后信息，但在一定程度上仍无法直接评估患者的急性病理生理状态，需结合其他生理指标以进一步提高预测效能。本研究基于多因素Logistic回归分析结果，将Charlson共病指数(按四分位分组)、年龄、呼吸频率、体温、SOFA评分、收缩压和心室颤动共7个具有统计学意义的临床变量纳入以构建列线图预测模型，其中收缩压较高作为AMI合并VA患者的保护性因素，考虑主要与其能够反映血流动力学、器官灌注、心脏泵血功能等整体机能的稳定性有关^[37-38]；进一步对列线图预测模型进行验证，结果显示该模型预测死亡风险具出较好的区分能力和精准度。

本研究仍存在一定的局限性：1)本研究数据源于MIMIC-IV数据库，属于单中心回顾性研究，而缺失数据采用单重插补法，存在低估标准误、置信区间偏窄等问题，可能导致选择偏倚；2)基线资料的种族/族裔数据中，白种人群比例较高，未来仍需要在亚洲人群中进一步开展研究；3)研究排除了住院时 间<24 h的患者，可能引入生存偏倚，低估整体风险水平，影响模型在重症患者中的泛化能力。临床中面对重症患者时，仍需警惕其对结果解读的潜在影响；4)研究尚缺乏外部验证，研究结果的外部可推广性有待进一步验证，未来仍需开展前瞻性、多中心研究，以进一步验证本研究结论并优化预测模型。

综上所述，本研究结果表明Charlson共病指数是AMI合并VA患者院内死亡的独立预测因子，与SOFA评分的预测效能相近。基于Charlson共病指数和其他临床变量构建的列线图预测模型可有效评估AMI合并VA患者的院内死亡风险，为临床决策提供参考。

参考文献

[1] Murray CJL. The global burden of disease study at 30 years[J]. Nat Med, 2022, 28(10): 2019-2026.

[2] Roth GA, Mensah GA, Johnson CO, et al. Global burden of cardiovascular diseases and risk factors, 1990-2019: update from the GBD 2019 study[J]. J Am Coll Cardiol, 2020, 76(25): 2982-3021.

[3] Benjamin EJ, Virani SS, Callaway CW, et al. Heart disease and stroke statistics-2018 update: a report from the American heart association[J/OL]. Circulation, 2018, 137(12): e67-e492[2025-01-06].

[4] Li J, Li X, Wang Q, et al. ST-segment elevation myocardial infarction in China from 2001 to 2011 (the China PEACE-Retrospective Acute Myocardial Infarction Study): a retrospective analysis of hospital data[J]. Lancet, 2015, 385(9966): 441-451.

[5] Yang J, Zhao Y, Wang J, et al. Current status of emergency medical service use in ST-segment elevation myocardial infarction in China: Findings from China Acute Myocardial Infarction (CAMI) Registry[J]. Int J Cardiol, 2024, 406: 132040.

[6] Fan F, Li Y, Zhang Y, et al. Chest pain center accreditation is associated with improved in-hospital outcomes of acute myocardial infarction patients in China: findings from the CCC-ACS project[J/OL]. J Am Heart Assoc, 2019, 8(21): e013384[2025-01-06].

[7] 卢金, 胡豪畅, 修佳明, 等. 机器学习驱动的冠心病风险评估:1999至2018年 NHANES数据分析[J]. 中南大学学报(医学版), 2024, 49(8): 1175-1186.

[8] LU Jin, HU Haochang, XIU Jiaming, et al. Machine learning-driven risk assessment of coronary heart disease: Analysis of NHANES data from 1999 to 2018[J]. Journal of Central South University. Medical Science, 2024, 49(8): 1175-1186.

[9] Maggioni AP, Zuanetti G, Franzosi MG, et al. Prevalence and prognostic significance of ventricular arrhythmias after acute myocardial infarction in the fibrinolytic era. GISSI-2 results[J]. Circulation, 1993, 87(2): 312-322.

[10] Echivard M, Sellal JM, Ziliox C, et al. Prognostic value of ventricular arrhythmia in early post-infarction left ventricular dysfunction: the French nationwide WICD-MI study[J]. Eur Heart J, 2024, 45(41): 4428-4442.

[11] Tang PT, Shenasa M, Boyle NG. Ventricular arrhythmias and sudden cardiac death[J]. Card Electrophysiol Clin, 2017, 9(4): 693-708.

[12] Cheema AN, Sheu K, Parker M, et al. Nonsustained ventricular tachycardia in the setting of acute myocardial infarction: tachycardia characteristics and their prognostic implications[J]. Circulation, 1998, 98(19): 2030-2036.

[13] Markson FE, Allihien SM, Antia A, et al. Sex differences in ventricular arrhythmias and adverse outcomes following acute myocardial infarction[J]. JACC Adv, 2024, 3(7): 101042.

[14] Basir MB, Lemor A, Gorgis S, et al. Early utilization of mechanical circulatory support in acute myocardial infarction complicated by cardiogenic shock: the national cardiogenic shock initiative[J/OL]. J Am Heart Assoc, 2023, 12(23): e031401[2025-01-06].

[15] Avezum A, Piegas LS, Goldberg RJ, et al. Magnitude and prognosis associated with ventricular arrhythmias in patients hospitalized with acute coronary syndromes (from the GRACE Registry)[J]. Am J Cardiol, 2008, 102(12): 1577-1582.

[16] Zghebi SS, Rutter MK, Sun LY, et al. Comorbidity clusters and in-hospital outcomes in patients admitted with acute myocardial infarction in the USA: a national population-based study[J/OL]. PLoS One, 2023, 18(10): e0293314[2025-01-06].

[17] Gourd NM, Nikitas N. Multiple organ dysfunction syndrome[J]. J Intensive Care Med, 2020, 35(12): 1564-1575.

[18] Zheng S, Lyu J, Han D, et al. Establishment of a prognostic model based on the Sequential Organ Failure Assessment score for patients with first-time acute myocardial infarction[J]. J Int Med Res, 2021, 49(5): 3000605211011976.

[19] Wu Y, Huang N, Sun T, et al. Association between normalized lactate load and in-hospital mortality in patients with acute myocardial infarction[J]. Int J Cardiol, 2024, 399: 131658.

[20] Huang Y, Zhang Q, Li P, et al. The prognostic nutritional index predicts all-cause mortality in critically ill patients with acute myocardial infarction[J]. BMC Cardiovasc Disord, 2023, 23(1): 339.

[21] Rashid M, Kwok CS, Gale CP, et al. Impact of co-morbid burden on mortality in patients with coronary heart disease, heart failure, and cerebrovascular accident: a systematic review and meta-analysis[J]. Eur Heart J Qual Care Clin Outcomes, 2017, 3(1): 20-36.

[22] Hockstein MA, Horns JJ, Hanff T, et al. Hospital costs associated with mechanical left ventricular mechanical unloading devices during VA ECMO for adult cardiogenic shock[J]. medRxiv(Preprint), 2025: 2025.03.31.25325000.

[23] Zheng W, Li S, Jiang C, et al. Effect of intensive blood pressure control and comorbidity status on the prognosis of patients with hypertension: insights from SPRINT[J/OL]. J Am Heart Assoc, 2025, 14(6): e036719[2025-01-06].

[24] Lin H, Xi YB, Yang ZC, et al. Optimizing prediction of in-hospital mortality in elderly patients with acute myocardial infarction: a nomogram approach using the age-adjusted charlson comorbidity index score[J/OL]. J Am Heart Assoc, 2024, 13(14): e032589[2025-01-06].

[25] Zhang F, Bharadwaj A, Mohamed MO, et al. Impact of charlson co-morbidity index score on management and outcomes after acute coronary syndrome[J]. Am J Cardiol, 2020, 130: 15-23.

[26] Núñez JE, Núñez E, Fácila L, et al. Prognostic value of Charlson comorbidity index at 30 days and 1 year after acute myocardial infarction[J]. Rev Esp Cardiol, 2004, 57(9): 842-849.

[27] Thygesen K, Alpert JS, Jaffe AS, et al. Fourth universal definition of myocardial infarction (2018)[J]. J Am Coll Cardiol, 2018, 72(18): 2231-2264.

[28] Kim KH. Comparative study on three algorithms of the ICD-10 Charlson comorbidity index with myocardial infarction patients[J]. J Prev Med Public Health, 2010, 43(1): 42-49.

[29] Bergmark BA, Mathenge N, Merlini PA, et al. Acute coronary syndromes[J]. Lancet, 2022, 399(10332): 1347-1358.

[30] Liu X, Adhikari BK, Chen T, et al. Ventricular fibrillation storm after revascularization of chronic total occlusion of the left anterior descending artery: is this reperfusion arrhythmia?[J]. J Int Med Res, 2021, 49(3): 300060521997618.

[31] Charlson ME, Carrozzino D, Guidi J, et al. Charlson comorbidity index: a critical review of clinimetric properties[J]. Psychother Psychosom, 2022, 91(1): 8-35.

[32] Elbarouni B, Goodman SG, Yan RT, et al. Validation of the Global Registry of Acute Coronary Event (GRACE) risk score for in-hospital mortality in patients with acute coronary syndrome in Canada[J]. Am Heart J, 2009, 158(3): 392-399.

[33] Pollack CV, Sites FD, Shofer FS, et al. Application of the TIMI risk score for unstable angina and non-ST elevation acute coronary syndrome to an unselected emergency department chest pain population[J]. Acad Emerg Med, 2006, 13(1): 13-18.

[34] Zaman MJ, Stirling S, Shepstone L, et al. The association between older age and receipt of care and outcomes in patients with acute coronary syndromes: a cohort study of the Myocardial Ischaemia National Audit Project (MINAP)[J]. Eur Heart J, 2014, 35(23): 1551-1558.

[35] Tang PT, Do DH, Li A, et al. Team management of the ventricular tachycardia patient[J]. Arrhythm Electrophysiol Rev, 2018, 7(4): 238-246.

[36] Ferreira FL, Bota DP, Bross A, et al. Serial evaluation of the SOFA score to predict outcome in critically ill patients[J]. JAMA, 2001, 286(14): 1754-1758.

[37] Huang SS, Chen YH, Lu TM, et al. Application of the Sequential Organ Failure Assessment score for predicting mortality in patients with acute myocardial infarction[J]. Resuscitation, 2012, 83(5): 591-595.

[38] Tsimploulis A, Lam PH, Arundel C, et al. Systolic blood pressure and outcomes in patients with heart failure with preserved ejection fraction[J]. JAMA Cardiol, 2018, 3(4): 288-297.

[39] Yuan C, He L, Du X, et al. Impact of age on characteristics, performance measures and outcomes of inpatients for heart failure in Beijing, China[J]. ESC Heart Fail, 2023, 10(5): 2990-2997.

基金资助

湖南省自然科学基金(2023JJ60395)

长沙市自然科学基金(kq2208450)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。