心脏手术是治疗心血管疾病的重要手段，但术后并发症及死亡率仍是重大挑战。大量研究表明，高血糖是术后并发症的重要危险因素，但传统血糖指标（如空腹血糖）不能捕捉到血糖水平的动态波动。
因此，本文研究者探究了评估应激性高血糖的可靠指标——应激性高血糖比值（SHR），与心脏手术患者全因死亡率的关联。
2025年2月15日，北京协和医学院学者用MIMIC-IV 数据库，在期刊《Cardiovascular Diabetology》（医学top一区，IF=8.5）发表题为：“Stress hyperglycemia ratio and machine learning model for prediction of all-cause mortality in patients undergoing cardiac surgery”的研究论文。
研究结果表明，在接受心脏手术的患者中，较高的术后SHR水平（≥1.40）与住院、30天、90天和360天的全因死亡风险增加显著相关。
（在公共数据库与孟德尔随机化微信公众号后台回复“ 原文”即可获得文献PDF等资料）
研究团队使用重症监护医学信息（MIMIC-IV）数据库，经过纳排，最终纳入了3,848名年龄≥18岁并进行过心脏手术的患者，平均年龄为68岁，女性占比30.6%。
主要结局是30天全因死亡率，次要结局包括住院、90天和360天全因死亡率。
图1 研究对象的筛选流程
主要结果显示，较高的术后SHR水平，与患者住院、30天、90天和360天全因死亡风险增加显著相关，并且这种关联为非线性。具体而言，与术后SHR水平<1.40（Q1~Q3）的患者相比，术后SHR水平≥1.40（Q4）患者的死亡风险更高。
表1 Logistic回归模型
图2 患者全因死亡率的K-M生存分析曲线
A~D分别为：住院、30天、90天和360天死亡风险
图3 SHR水平与患者全因死亡率的RCS曲线
同时，研究还进一步对上述关联进行了中介分析，结果发现，术后SHR可通过升高NLR（中性粒细胞与淋巴细胞比值）等炎症标志物，间接延长机械通气时间，进而增加患者的死亡风险。
√机器学习模型预测死亡风险
基于lasso回归筛选的关键特征，研究团队使用了六种机器学习算法来预测患者的住院死亡风险，并进一步扩展到预测360天死亡风险。
其中，朴素贝叶斯（NB）预测患者住院及360天死亡风险的性能均最佳，AUC分别为0.7936和0.7410。
图4 机器学习算法预测患者死亡风险的ROC曲线
综上所述，术后SHR水平可通过加剧炎症反应和延长机械通气时间等机制，间接增加患者的死亡风险。因此，该指标可作为预测心脏手术患者短期和长期死亡风险的有效指标。
