COPD合并2型糖尿病病人住院30d內死亡風險預測模型的構建及驗證

Keywordsacute exacerbationof chronicobstructivepulmonarydisease；type2diabetes melitus;；predictivemodel; MIMIC-IV database; prognosis

摘要目的：探討合并2型糖尿病的慢性阻塞性肺疾病（COPD）病人住院30d內死亡風險的影響因素，并構建預測模型。方法：回顧性分析美國重癥監護醫學信息數據庫V（Medical Information MartforIntensive Care-IV，MIMIC-IV）中符合納入及排除標準的合并2型糖尿病的COPD病人相關數據，按照7：3將所有樣本隨機分為建模組（1152例）與驗證組（495例），通過單因素和多因素Logistic回歸分析篩選住院30d內死亡的獨立危險因素，并構建列線圖預測模型。采用受試者工作特征（ROC）曲線、校準曲線、決策曲線以及F1系數評估模型的預測效能和臨床應用價值。結果：多因素Logistic回歸分析結果顯示，年齡 ≥65 歲、心房顫動、肺炎、使用血管活性藥物及序貫器官功能衰竭評估（Sequential Organ Failure Assessment，SOFA）是COPD合并2型糖尿病病人住院30d內死亡的獨立危險因素 （Plt;0.05） 。據此構建預測模型，建模組ROC曲線下面積（AUC）為0.75[95%CI（O.71，0.79）]，靈敏度為0.72，特異度為0.69，預測準確性為0.72，F1分數為 0.811 。驗證組的AUC為 ，靈敏度為0.71，特異度為0.61，預測準確性為0.70，F1分數為 0.801 。結論：年齡 ?65 歲、心房顫動、肺炎、使用血管活性藥物及SOFA評分是COPD合并2型糖尿病病人住院30d內死亡的獨立危險因素。基于上述變量構建的列線圖模型能夠準確預測病人短期死亡風險，為臨床治療決策提供重要參考。

關鍵詞急性加重期慢性阻塞性肺疾病;2型糖尿病;預測模型;MIMIC-N數據庫；預后 doi：10.12102/j.issn.2095-8668.2025.16.025

慢性阻塞性肺疾病（chronic obstructive pulmonarydisease，COPD）是一種以持續性、進行性氣流阻塞和慢性呼吸道癥狀為特征的異質性肺部疾病，在全球范圍內有著高發病率和高死亡率[1-2]。根據全球疾病負擔（globalburdenofdisease，GBD）調查顯示，慢性呼吸系統疾病位居2019年全球第三大死亡原因[3]，其中，COPD是導致該類疾病死亡的主要因素，且其病人數量預計在未來數十年持續增長[4]。多數COPD病人伴隨多種合并癥，如心血管疾病、呼吸系統疾病、代謝及神經精神疾病等[5]。其中，約 20% 的COPD病人合并2型糖尿病，顯著高于普通人群 （9%）^[6-7] 。合并2型糖尿病的COPD病人因其獨特的臨床特點和病理機制，在臨床管理中面臨巨大挑戰。糖尿病被證實與第1秒用力呼氣容積（forced expiratoryvolume in one second，FEV₁） 下降、哮喘、COPD的發生密切相關，高血糖狀態、氧化應激及全身炎癥反應進一步削弱了病人的肺功能[8]。這些病理變化導致病人在住院期間常出現代謝紊亂和感染控制難題，導致住院率和死亡率顯著升高，在COPD急性發作期（acuteexacerbationCOPD，AECOPD）的表現尤為明顯[9-10]。因此，如何有效預測這類病人住院30d內的死亡風險對于優化治療策略及改善預后具有重要意義。盡管目前已有部分基于多變量分析和機器學習方法的死亡風險預測模型，但大多聚焦于COPD[11-12]或糖尿病[13]單一疾病，未能充分覆蓋兩者共病病人的復雜特征。此外，數據多來自單一醫療機構數據，樣本量有限，難以全面反映病人的實際情況。在此背景下，美國重癥監護醫學信息數據庫（MedicalInformation MartforIntensiveCare-IV，MIMIC-Ⅳ）作為一個涵蓋多家醫療機構的開放式醫療數據庫，提供了大量高質量住院病人數據[13]，其詳細、全面且覆蓋廣泛的特性，為構建基于真實世界數據的預測模型提供了理想的平臺。本研究擬利用MIMIC-V數據庫開發并驗證針對合并2型糖尿病的AECOPD病人住院30d內死亡風險的預測模型，為早期識別高危病人和個體化管理提供依據，以期改善病人結局。

1 資料與方法

1.1 資料來源

本研究使用來自MIMIC-V2.2數據庫的臨床數據，該數據庫涵蓋了2008—2019年人住麻省理工學院貝斯以色列迪康醫學中心重癥監護病房（ICU）的病人，所有數據均已獲得對MIMIC-V數據庫的訪問權限（認證編號：62802839）。納人標準：根據國際疾病分類代碼ICD-9和ICD-10，篩選出診斷為2型糖尿病（ICD-9和ICD-10的疾病代碼為25000、25002、25010、25012、25020、25022、25030、25032、25040、25042、25050、25052、25060、25062、25070、25072、25080、25082、25090、25092、E11）以及COPD（代碼為4912、496、J44）病人，共計4984例納人初步分析。對于有多次住院記錄的病人，僅保留其首次住院數據用于研究。排除標準：1）年齡 lt;18 歲 （n=0）：2） 未人住ICU（ n= 1987）；3）ICU入住時間 lt;24h（n=134）;4） 血糖數據缺失（ ?n=2）;5） 糖化血紅蛋白數據缺失 （n=1074）;6） （2號其他關鍵分類變量數據缺失 （n=140） 。最終研究隊列包括1647例病人，按照7：3將其隨機分為建模組（ n= 1152）與驗證組（ n=495） 。本研究的主要終點為病人住院30d內死亡。

1.2 調查內容

1）人口統計學特征：性別、年齡、體質指數（bodymassindex，BMI）、種族、婚姻狀況；2）人住ICU時的生命體征：心率、呼吸、收縮壓、舒張壓；3）合并癥：高血壓、哮喘、心房顫動、充血性心力衰竭、心肌梗死、腫瘤、睡眠呼吸暫停、肺炎；4）ICU住院期間的治療：連續腎臟替代治療、機械通氣、使用血管活性藥物；5）實驗室檢查：血清清蛋白、堿剩余、肌酸激酶、血清肌酐、嗜酸性粒細胞百分比、血清葡萄糖、血清乳酸、血紅蛋白、中性粒細胞、淋巴細胞、二氧化碳分壓、血小板計數、氧分壓、紅細胞計數、血尿素氮、國際標準化比值;6）序貫器官衰竭評分（Sequential Organ Failure Assessment，SOFA）格拉斯哥量表評分。此外，平均動脈壓（meanarterialpressure，MAP gimel（1/3× （收縮壓一舒張壓） + 舒張壓；中性粒細胞與淋巴細胞比值（neutrophil-tolymphocyteratio，NLR）的計算方式為中性粒細胞計數/淋巴細胞計數[14]。

1.3 資料收集方法

使用帶有結構化查詢語言的pgAdmin4軟件提取數據。首先根據ICD-9和ICD-10診斷編碼篩選同時患有2型糖尿病和COPD的病人。隨后進一步提取人口統計學特征、入住ICU時的生命體征、合并癥、ICU住院期間的治療、實驗室檢查結果、SOFA評分、格拉斯哥量表評分及結局指標等。為保證數據完整性，剔除缺失關鍵變量或不符合納入標準的病例。所有數據提取和處理均由2名研究人員獨立核對，以確保準確性和可重復性。

1.4 統計學方法

采用R4.4.2軟件進行數據分析及圖像繪制，不符合正態分布的定量資料使用中位數及四分位數 [M （P₂₅，P₇₅） ］描述，采用Mann-Whitney U 檢驗進行組間比較。定性資料以例數及百分比 （%） 描述，采用 χ² 檢驗進行組間比較。使用單因素及多因素Logistic回歸分析篩選相關變量，據此構建列線圖預測模型，并繪制受試者工作特征（receiver operatorcharacteristic curve，ROC）曲線。通過Hosmer-Lemeshow檢驗進行模型的擬合優度評估， Pgt;0.05 則表明模型擬合良好。采用內部驗證計算模型的準確性、靈敏度、特異性、F1分數及ROC曲線下面積（areaunderthecurve，AUC），以評估模型的預測能力。以 Plt;0.05 為差異有統計學意義。

2 結果

2.1COPD合并2型糖尿病病人住院30d內死亡現狀1647例病人中，239例 （14.51% 在住院30d內死亡，其中，建模組172例，驗證組48例。

2.2 研究對象基線資料比較（見表1）

表1建模組與驗證組病人的一般情況比較 1n=1647 ）

（續表）

2.3COPD合并2型糖尿病病人住院30d內死亡的單因素分析

建模組1152例病人中，按照是否死亡又分為死亡組 n=172） 和生存組 。單因素分析結果顯示，年齡、BMI、心率、呼吸、血清清蛋白、血清肌酐、血尿素氮、血小板計數、氧分壓、國際標準化比值、心房顫動、充血性心力衰竭、心肌梗死、肺炎、使用血管活性藥物、連續腎臟替代治療、機械通氣、SOFA評分是COPD合并2型糖尿病病人30d內死亡的影響因素中 ?Plt;0.05） 。見表2。

表2COPD合并2型糖尿病病人 30d 內死亡的單因素分析（ n=1 152

（續表）

2.4COPD合并2型糖尿病病人住院30d內死亡的單因素Logistic回歸分析

將COPD合并2型糖尿病病人住院30d內是否死亡列為因變量（未死亡 =0 ，死亡 =1 ，將有統計學意義的變量作為自變量，分別納入進行單因素Logistic回歸分析，自變量賦值情況見表3。單因素Logistic回歸分析結果顯示，年齡 ?65 歲、心率、呼吸、血小板計數、血清清蛋白、氧分壓、血清肌酐、血尿素氮、國際標準化比值、心房顫動、充血性心力衰竭、心肌梗死、肺炎、使用血管活性藥物、連續腎臟替代治療、機械通氣及SOFA評分等變量與COPD合并2型糖尿病病人住院30d內死亡結局相關 （Plt;0.05） 。見表4。

表3自變量賦值情況

表4AECOPD合并2型糖尿病病人住院30d內死亡的單因素Logistic回歸分析結果

（續表）

2.5COPD合并2型糖尿病病人住院30d內死亡的多因素Logistic回歸分析

將單因素Logistic回歸分析中有統計學意義的變量列入進行多因素Logistic回歸分析。多因素Logistic回歸分析結果顯示，年齡、心房顫動、肺炎、使用血管活性藥物、SOFA評分被確認為是COPD合并2型糖尿病病人住院30d內死亡的影響因素 （Plt;0.05） 。見表5。

表5COPD合并2型糖尿病病人住院30d內死亡的多因素Logistic回歸分析結果

2.6COPD合并2型糖尿病病人住院30d內死亡列線圖預測模型的構建與驗證

2.6.1COPD合并2型糖尿病病人住院30d內死亡列線圖預測模型的構建

使用多因素Logistic回歸模型篩選出與住院30d內死亡相關的獨立危險因素構建列線圖預測模型，見圖1。根據各因素與結局的相關性，為每個變量分配了相應的得分，并繪制了總分對應的風險軸，以預測病人最終的死亡概率。

圖1COPD合并2型糖尿病病人住院30d內死亡風險列線圖預測模型

2.6.2COPD合并2型糖尿病病人住院30d內死亡列線圖預測模型的驗證

以住院30d內死亡為狀態變量，列線圖預測分值為檢驗變量，繪制ROC曲線，見圖2。建模組的AUC為 0.75[95%0C[（0.71，0.79）] ，預測準確性為0.72，靈敏度為0.72，特異性為0.69，F1分數為0.811。驗證集共納入495例病人，應用列線圖模型預測52例死亡，實際48例死亡，其預測準確率為 70% 。驗證組的AUC為 ，預測準確性為0.70，靈敏度為0.71，特異性為0.61，F1分數為0.801，具有較好的預測性能。決策分析曲線（DCA）顯示，該模型在建模組和驗證組中的不同預測閾值下均具有較好的臨床效益，見圖3、圖4。此外，校準曲線表明，模型在建模組和驗證組中的預測概率與實際死亡發生率之間具有良好的一致性，見圖5、圖6。

圖2建模組與驗證組的ROC曲線

圖3建模組決策曲線

圖4驗證組決策曲線

圖5建模組校準曲線

圖6驗證組校準曲線

3 討論

3.1COPD合并2型糖尿病病人住院3Od內死亡現狀

COPD是一種全球范圍內高發的慢性呼吸系統疾病，其病理機制主要與氣道和（或）肺泡的結構或功能異常相關，病人通常表現為呼吸困難、咳嗽、咳痰以及急性加重等慢性呼吸道癥狀[15]。相較于普通病人，合并2型糖尿病的COPD病人在疾病管理上的復雜性和挑戰更為顯著[16]。COPD常規治療包括支氣管舒張劑和（或）吸人糖皮質激素（inhaledcorticosteroids，ICS）[1]。ICS的使用可能對血糖代謝產生不利影響，特別是在糖尿病病人中，血糖控制不佳會進一步增加COPD病人罹患呼吸道感染的可能性[。此外，COPD病人通常會經歷急性惡化期即急性發作期，此時常需全身糖皮質激素治療。糖皮質激素的使用雖然可以縮短恢復時間，改善肺功能和氧合作用[17-18]，但也進一步增加了合并2型糖尿病病人血糖控制不佳的風險，帶來了更高的死亡率與更差的預后[16.19-21]。因此，精準評估合并2型糖尿病的COPD病人短期死亡風險，在優化治療方案以及延長病人生存時間、改善短期預后上具有重要意義。

3.2COPD合并2型糖尿病病人住院30d內死亡的影響因素

本研究基于合并2型糖尿病的COPD病人數據，使用Logistic回歸分析方法開發了住院3Od內死亡風險的列線圖預測模型。Logistic回歸分析結果顯示，年齡 ?65 歲、心房顫動、肺炎、使用血管活性藥物和SOFA評分是30d內死亡的獨立危險因素。這些變量從多角度反映了病人的病情特點：高齡病人身體各器官的功能和整體健康狀況逐步衰退，使其更易受到多種疾病的影響，并導致死亡風險逐漸增加[22]；心房顫動的存在進一步加重了COPD病人的心血管負擔，顯著提升了血栓性事件（如腦卒中和其他血栓性并發癥）的風險，延長住院時間，增加院內死亡率[23-25]；肺炎是COPD急性加重的主要誘因[26]，特別是在糖尿病病人中，高血糖狀態會削弱免疫功能，給治療帶來更多困難[6.8]；使用血管活性藥物及較高的SOFA評分則反映了重癥病人對循環支持的需求及多器官功能衰竭的嚴重程度[27]。這些獨立危險因素的確定不僅為臨床風險評估提供了關鍵依據，還強調了在COPD病人的管理中，對病人狀態進行多維度評估的重要性。

3.3COPD合并2型糖尿病病人住院30d內死亡預測模型的預測性能

本研究構建的列線圖預測模型通過整合多種臨床變量，為精準預測病人短期死亡風險提供了簡便易行的工具。模型在建模組和驗證組中的AUC分別為0.75[95%0C]（0.71，0.79） 和 顯示出良好的區分能力[28]。校準曲線進一步驗證了模型預測值與實際發生率之間的一致性，DCA曲線表明該模型在不同風險閾值下均具有臨床應用價值。通過早期識別高危病人，臨床醫生可以針對性地調整治療方案，如加強血糖管理、優化感染控制、觀察循環支持的使用效果以及加強對器官功能狀態的監測，從而更有效地改善病人預后，降低死亡風險。然而，本研究也存在一定局限性。首先，數據來源于MIMIC-N數據庫，其樣本主要來自美國特定醫療機構，可能存在種族和地區差異。其次，本研究為回顧性設計，部分動態指標（如病人血糖波動情況）未被納入分析。未來將對該模型進行外部驗證，并結合動態監測數據進一步研究，以優化模型性能。

4小結

綜上所述，本研究構建的列線圖模型基于關鍵臨床變量，能夠有效預測合并2型糖尿病的COPD病人住院30d內的死亡風險。模型為臨床實踐中早期識別高危病人提供了科學依據，可為個體化管理和優化治療策略提供支持，從而改善病人預后。

參考文獻：

[1]AGUSTiA，CELLIBR，CRINERGJ，etal.Global initiative for chronic obstructive lung disease 2O23 report：gold executive summary[J].Respirology，2023，28（4）：316-338.

[2]王鳳燕，梁振宇，何文強，等.慢性阻塞性肺疾病年度進展2024[J]. 中華結核和呼吸雜志，2025，48（1）：60-65.

[3］GBD2Ol9 Chronic Respiratory Diseases Collaborators.Global burden of chronic respiratory diseases and risk factors，199o-2Ol9：an update from theglobal burdenof diseasestudy 2Ol9[J].E ClinicalMedicine， 2023，59：101936.

[4]BOERS E，BARRETT M，SUJG，et al.Global burden of chronic obstructive pulmonary disease through 2O5o[J]. JAMA Network Open，2023，6（12）：e2346598.

[5] FABBRI L M，CELLI B R，AGUSTi A，et al.COPD and multimorbidity：recognising and addressing a syndemic occurrence [J].The Lancet Respiratory Medicine，2023，11（11）：1020-1034.

[6] CAUGHEY G E，ROUGHEAD E E，VITRY A I，et al. Comorbidity in the elderly with diabetes：identification of areas of potential treatment conflicts[J]. Diabetes Research and Clinical Practice，2010，87（3）：385-393.

[7]GROENEWEGEN A，ZWARTKRUIS V W，SMIT L J，et al. Sex-specific and age-specific incidence of ischaemic heart disease， atrial fibrilation and heart failure in community patients with chronic obstructive pulmonary disease[J]. BMJ Open Respiratory Research，2022，9（1）：e001307.

[8]ROGLIANI P，ORA J，DI DANIELE N，et al.Pleiotropic effcts of hypoglycemic agents：implications in asthma and COPD[J]. Current Opinion in Pharmacology，2018，40：34-38.

[9]DIVO M，COTE C，DE TORRES JP，et al.Comorbidities and risk of mortality in patientswith chronic obstructivepulmonary disease[J].American Journal of Respiratory and Critical Care Medicine，2012，186（2）：155-161.

[10］王小川，王漢超，姚宇，等.慢性阻塞性肺疾病急性加重期合并2 型糖尿病患者的臨床特征和危險因素分析與治療[J].中國臨床 藥理學與治療學，2024，29（4）：392-400.

[11]XU Z H，LIF，XIN Y，et al.Prognostic risk prediction model for patients with acute exacerbation of chronic obstructive pulmonary disease（AECOPD）：a systematic reviewand Meta-analysis[J]. Respiratory Research，2024，25（1）：410.

[12]JIA QY，CHEN Y，ZEN Q，et al.Development and validation of machine learning-based models for prediction of intensive care unitadmission and in-hospital mortality in patients with acute exacerbations of chronic obstructive pulmonary disease[J].Chronic Obstructive Pulmonary Diseases，2024，11（5）：460-471.

[13]JOHNSON A E W，BULGARELLIL，SHEN L，et al.MIMICN，a freely accessible electronic health record dataset[J].Scientific Data，2023，10（1）：1.

[14]TEMPLETON A J， MCNAMARA M G，SERUGA B，et al. Prognostic role of neutrophil-to-lymphocyte ratio in solid tumors： a systematic review and Meta-analysis[J].Journal of the National Cancer Institute，2014，106（6）：djul24.

[15] CHRISTENSON S A， SMITH B M，BAFADHEL M，et al. Chronic obstructive pulmonary disease[J].Lancet，2O22，399 （10342）：2227-2242.

[16]TARAR P，BANDI V V，SARWAR H，et al.Exploring the interrelationshipbetween diabetesmellitusandchronic lung diseases：a comprehensive review[J].Cureus，2O24，16（9）：e69617.

[17] VINIOL C，VOGELMEIERC F.Exacerbationsof COPD[J]. European RespiratoryReview，2018，27（147）：170103.

[18] 韓金霞，錢瑜琳.糖皮質激素對于2型糖尿病合并慢性阻塞性肺 病急性發作期的療效相關研究[J].世界臨床藥物，2022，43（12）： 1561-1567.

[19] UPADHYAY J，TRIVEDI N，LAL A.Risk of future type 2 diabetesmelitusinpatientsdevelopingsteroid-induced hyperglycemia during hospitalization for chronic obstructive pulmonary disease exacerbation[J].Lung，2020，198（3）：525-533.

[20]HO T W，HUANG C T，TSAI Y J，et al.Metformin use mitigates the adverse prognostic effect of diabetes mellitus in chronic obstructive pulmonary disease[J].Respiratory Research， 2019，20（1）：69.

[21] MOTAMEDB，ALAVIFOUMANI A，TANGESTANINEZHADA， etal.Therelationship between glycated hemoglobin Alclevels and exacerbation status in the patients with chronic obstructive pulmonarydisease[J].BMCResearchNotes，2022，15（1）：326.

[22]JIZL，LIXL，LEISY，etal.Apooled analysis of therisk prediction modelsfor mortality in acute exacerbation of chronic obstructive pulmonary disease[J].The ClinicalRespiratory Journal，2023，17（8）：707-718.

[23] DURHEIM M T，HOLMESDN，BLANCO RG，etal. Characteristics and outcomes of adults with chronic obstructive pulmonary disease and atrial fibrillation[J].Heart，2Ol8，1O4（22）： 1850-1858.

[24]NGUYEN HL，NGUYENTD，PHANPT.Prevalence and associated factors of paroxysmal atrial fibrillation and atrial arrhythmias during hospitalizations for exacerbation of COPD[J]. International Journal of Chronic Obstructive Pulmonary Disease， 2024，19：1989-2000.

[25] XIAO X C，HAN H D，WU C，etal.Prevalence ofatrial fibrillationin hospital encounterswith end-stage COPD on home oxygen：national trends in theUnited States[J].Chest，2Ol9，155（5）： 918-927.

[26] SAPEY E，STOCKLEY RA.COPD exacerbations.2：aetiology [J].Thorax，2006，61（3）：250-258.

[27]RAITHEP，UDY AA，BAILEYM，etal.Prognosticaccuracy of the SOFA score，SIRS criteria，and qSOFA score for inhospital mortality among adultswith suspected infection admitted tothe intensivecareunit[J].JAMA，2017，317（3）：290-300.

[28] 王俊峰，章仲恒，周支瑞，等.臨床預測模型：模型的驗證[J].中國 循證心血管醫學雜志，2019，11（2）：141-144. （收稿日期：2025-03-21；修回日期：2025-07-25） （本文編輯趙奕雯）