研究队列的基线信息本研究共纳入 6169 例符合纳入和排除标准的心肌梗死(MI)患者。其中，男性占 76.97%，女性占 23.03%。随访期中位数为 51 个月，随访时间范围为 1 至 119 个月。本研究纳入的所有患者的人口统计学特征和基线特征如表1 所示。eGFR 与各项实验室指标的相关性分析如表2 所示，部分心肌梗死患者出现肾功能不全，并伴有 eGFR < 60 ml·min −1 ·(1.73 m 2 ) −1 。需要强调的是，评估肾小球滤过率（eGFR）是评估肾功能不全的重要指标。对心肌梗死患者进行各种生物标志物与 eGFR 的相关性分析，揭示了显著的相关性。除了肌酐（ r = − 0.702）、尿素（ r = − 0.746）、胱抑素 C（ r = − 0.672）和 N 末端 B 型利钠肽前体（ r = − 0.480）等常用标志物外，同型半胱氨酸（Hcy， r = − 0.461）和血红蛋白（Hb， r = 0.453）也与 eGFR 表现出显著的相关性（所有 P < 0.05）。Hcy 水平升高和 Hb 降低均提示叶酸和维生素 B 缺乏。因此，结合 Hcy 和 Hb 预测 MI 患者 CRS 的临床意义将在本研究的后续阶段进一步探讨。[ f (Hcy-Hb)] 的构建与 Hcy 和 HGB 结合如图2 A 所示，基于 Hcy、HGB 与 eGFR 之间的线性关系，作者以 Hcy 与 HGB 进行数学建模，结果为 f (Hcy-Hb) = 0.2439*Hcy + 0.002439*Hb-2.409756，探讨 f (Hcy-Hb)在慢性肾综合征（CRS）中的临床价值。f(Hcy – Hb)与 eGFR 呈现线性关系。f (Hcy-Hb) 与 eGFR 相关，具有良好的诊断和预后价值。A f (Hcy-Hb) 与 eGFR 之间的线性相关性。B f (Hcy-Hb) 区分 CRS 和非 CRS 的 ROC 曲线 。C 高 f (Hcy – Hb) 和低 f (Hcy-Hb) 的总生存曲线。D 高 f (Hcy-Hb) 和低 f (Hcy-Hb) 的无事件生存曲线f (Hcy-Hb)] 对 MI 患者的 CRS 具有极好的诊断价值如图2 B 所示，根据 eGFR < 60 ml·min −1 ·(1.73 m 2 ) −1 和 eGFR ≥ 60 ml·min −1 ·(1.73 m 2 ) −1 将所有参与者分为 CRS 和非 CRS。为了探讨 f （Hcy-Hb）是否对 CRS 有诊断价值，作者绘制了 ROC 曲线。结果显示 AUC = 0.786（95％ CI ：0.773-0.799），即 f （Hcy-Hb）对 MI 患者的 CRS 有良好的诊断价值。进一步地，以 1.193257 为截断值，将所有患者分为高 f （Hcy-Hb）组和低 f （Hcy-Hb）组。f (Hcy-Hb)] 对 MI 患者的 CRS 具有令人满意的预后价值如图2 C、D 所示，为探讨 f (Hcy-Hb)对 MI 患者的预后价值，作者采用 Kaplan-Meier 分析法绘制 OS 曲线和 EFS 曲线。高 f (Hcy-Hb)患者的 OS 中位数为 47 个月，低 f(Hcy-Hb)患者的 OS 中位数为 53 个月，高 f (Hcy-Hb)患者的 OS 预后较差（ P =0.001）。高 f ( Hcy-Hb)患者的 EFS 中位数为 41 个月，低 f (Hcy-Hb)患者的 EFS 中位数为 47 个月，高 f (Hcy-Hb)患者的 EFS 预后较差（ P =0.001）。高f (Hcy-Hb)] 表示临床病理生理特征较差如表3 所示，按 f (Hcy-Hb)分组比较所有患者基线资料，结果显示升高的 f (Hcy-Hb)水平与不良临床病理生理特征密切相关，如 eGFR 降低、A/G 降低、GGT 升高、PCT 升高、Alb 降低、HDL-C 降低、Cys C 升高、Scr 升高、ALP 升高、BUN 升高、UA 升高、PA 降低、LDH 升高、Hcy 升高、ApoA-I 降低、Lp(a)升高、TBIL 升高、DBIL 升高、TBA 升高、TP 降低、CRP 升高、ESR 升高、DD 升高、FIB 升高、NT-proBNP 升高、Mb 升高、RBC 降低、MONO 升高、EOS 升高、HGB 降低、NEUT 升高( P < 0.05)。但部分检测项目如α-HBDH、TG、TBIL、SG、WBC在两组间差异均无统计学意义（ P >0.05）。高f (Hcy-Hb)] 与 OS 和 EFS 较差相关如图3 – 4 所示，亚组根据 f (Hcy-Hb) 水平高或低进行分类。在各个亚组中，高 f (Hcy-Hb) 与较差的 OS 相关，但 [eGFR < 60 ml·min −1 ·(1.73 m 2 ) −1 、A/G < 1.1、LDL-C ≥ 3.37 mmol/L、Cys C < 1.09 mg/L、Scr ≥ 132 μmol/L、BUN ≥ 7.1 mmol/L、GLB < 20 g/L、TC ≥ 5.2 mmol/L、RBC ≥ 5.5 × 10 12 /L、PLT < 100 × 10 9 /L、PLT ≥ 300 × 10 9 /L、LYM < 0.8 × 10 9 /L、LYM ≥ 4 × 10 9 /L、EOS ≥ 0.5 × 10 9 /L]. 同样地，高 f （Hcy-Hb）与各亚组的 EFS 较差相关，但 [Scr ≥ 132 μmol/L、FIB < 2 g/L、RBC ≥ 5.5 × 10 12 /L、PLT < 100 × 10 9 /L、LYM < 0.8 × 10 9 /L、LYM ≥ 4 × 10 9 /L] 除外。f （Hcy-Hb）预测总体生存率的亚组分析f （Hcy-Hb）预测无事件生存率的亚组分析用于列线图建模的开发队列和验证队列采用随机数字法，将患者按 7:3 的比例分为训练集（n = 4319）和验证集（ n = 1850）。所有患者的基线资料，包括基本情况、不良生活习惯及各项实验室指标，如表 4 所示，用于比较训练集与验证集的临床病理生理学差异。结果显示，各组间上述因素分布均衡，差异无统计学意义（ P = 0.05）。f （Hcy-Hb）-诺模图模型的建立在训练队列中，随机生存森林分析显示f （Hcy-Hb）是影响 MI 患者预后的重要因素（图 5 ）。将训练集所有变量纳入最小绝对收缩和选择算子（LASSO）-Cox 回归模型，筛选出系数非零的指标。选取的特征包括性别、年龄、吸烟、饮酒、GGT、PCT、LDL-C、TG、Cys C、 f （Hcy-Hb）、Scr、BUN、UA、PA、GLB、Lp(a)、DBIL、TBA、TP、CRP、DD、INR、APTT、NT-proBNP、Mb、CK、WBC、RBC、PLT、MONO 和 TUP（图 6 ）。 LASSO Cox 回归后，通过向后逐步多元 Cox 比例风险回归分析构建 f （Hcy-Hb）-列线图模型。高 f (Hcy-Hb) (HR = 1.06， CI 1.01–1.12)、年龄 (HR = 1.02， CI 1.01–1.03)、PCT (HR = 1.02， CI 1.01–1.04)、LDLC (HR = 1.30， CI 1.11–1.52)、Scr (HR = 1.01， CI 1.01–1.01)、BUN (HR = 1.10， CI 1.06–1.13)、PA (HR = 0.99， CI 0.99–0.99)、Lp (a) (HR = 1.01， CI 1.01–1.01)、DBIL (HR = 1.01， CI 1.01–1.02)、TBA (HR = 1.03, CI 1.01–1.04), Mb (HR = 1.01， CI 1.01～1.01)、WBC (HR = 1.08， CI 1.04～1.11)、RBC (HR = 0.58， CI 0.48～0.70)、MONO (HR = 1.20， CI 1.09～1.32) 及 TUP (HR = 1.48， CI 1.28～1.71) 均为 MI 后患者 OS 风险的独立影响因素（ P = 0.05)（表 5 ）。此外，高 f （Hcy-Hb）亦为 MI 后患者 EFS 风险的独立影响因素（ P = 0.05)（表 6 ）。f （Hcy-Hb）在 MI 患者不良预后中起重要作用。A.基于随机生存森林的 Boruta 算法的特征筛选图 。B . 基于随机生存森林的变量重要性排序用于变量选择的最小绝对收缩和选择算子回归分析。A 最小绝对收缩和选择算子回归分析。B 交叉验证图f （Hcy-Hb）-诺模图模型的验证使用f (Hcy-Hb)构建列线图预测模型，该模型涵盖了多因素 Cox 回归分析结果中确定的 15 个风险因素，并呈现出比例风险回归模型（图 7 ）。在训练队列中， f (Hcy-Hb)列线图一致性指数计算为 0.86（95% CI ：0.84-0.89），f(Hcy-Hb)列线图模型在第 3 年、第 6 年和第 9 年的 AUC 分别为 0.868、0.866 和 0.840（图 8 A）。在验证队列中，C 指数为 0.86（95% CI ：0.82-0.90），3 年、6 年和 9 年的受试者工作特征（ROC）曲线下面积分别为 0.897、0.920 和 0.818（图 8 B）。3 年、6 年和 9 年的决策曲线分析显示，训练集和验证集之间的净效益相似（图 9 AF）。校准曲线分析显示，两组的预测 3 年、6 年和 9 年 OS 率与实际 OS 率之间存在稳健相关性（图 10 AB）。建立了f (Hcy-Hb)-列线图模型，该模型为比例风险回归模型。A 构建 f(Hcy-Hb)与临床参数的列线图。B f ( Hcy – Hb)-列线图模型为比例风险回归模型不同模型和时间间隔的接收者操作特征曲线和曲线下面积。A 训练集中的 3 年、6 年和 9 年。B 验证集中的 3 年、6 年和 9 年。C 训练集中 3 年的不同模型。D 验证集中 3 年的不同模型。E 训练集中 6 年的不同模型。F 验证集中 6 年的不同模型。G 训练集中 9 年的不同模型。H 验证集中 9 年的不同模型用于比较各种模型和不同时间点的决策曲线分析。A 训练集中 3 年的DCA。B 验证集中 3 年的 DCA。C 训练集中 6 年的 DCA。D 验证集中 6 年的 DCA。E 训练集中 9 年的 DCA。F 验证集中 9 年的 DCA。G 训练集中 3 年的不同模型。H 验证集中 3 年的不同模型。I 训练集中 6 年的不同模型。J 验证集中 6 年的不同模型。K 训练集中 9 年的不同模型。L 验证集中 9 年的不同模型不同时间间隔和队列的诺模图校准曲线。A 训练集中的3 年、6 年和 9 年模型。B 验证集中的 3 年、6 年和 9 年模型。C 训练集中 3 年模型的不同模型。D 验证集中 3 年模型的不同模型。E 训练集中 6 年模型的不同模型。F 验证集中 6 年模型的不同模型。G 训练集中 9 年模型的不同模型。H 验证集中 9 年模型的不同模型f （Hcy-Hb）列线图性能和适用性的评估为了评估f (Hcy-Hb)-nomogram（也称为模型 A）的性能，作者创建了模型 B 和模型 C 进行比较。模型 B 包括 Scr、Lp(a)、年龄、IBIL、HDL-C、PCT、TG、UA 和 ALP 等变量。模型 C 包括性别、年龄、SG、DD、INR、FIB、APTT、TUP、CK 和 NT-proBNP 等变量。如图 8 CH 所示，对于两个队列， f (Hcy-Hb)-nomogram 在这两个时间点的 AUC 均高于其他两个模型。f(Hcy-Hb)-nomogram 的 3 年、6 年和 9 年 DCA 曲线显示出优于模型 B 和模型 C 的净效益（图 9 GL ）。此外 ，f ( Hcy-Hb)-nomogram 的校准曲线分析表明，预测概率与实际概率之间的一致性高于其他两个模型（图 10 CH ）。作者的模型优于其他两个模型，在这两个时间点上均显示出最高的 C 指数（图 11 ）。为了验证其预后有效性，作者使用列线图预测模型计算了总风险评分（称为 NomoScore），并将心肌梗死患者分为 NomoScore 高组和 NomoScore 低组。使用 Kaplan-Meier 曲线生成生存曲线，以比较两组之间的 OS 率。结果显示，NomoScore 高组的总生存率显著下降（ P = 0.0001）（图 12 A）。在验证队列中，这一差异也十分显著（图 12 B）。不同模型和时间间隔的一致性指数。A 训练集中 3 年的不同模型。B 训练集中 6 年的不同模型。C 训练集中 9 年的不同模型 。D 验证集中 3 年的不同模型。E 验证集中 6 年的不同模型。F 验证集中 9 年的不同模型f (Hcy-Hb)-列线图模型对 OS 具有显著的预后价值。A 训练集中高和低 f (Hcy-Hb)-列线图评分的 OS 曲线。B 验证集中高和低 f (Hcy-Hb)-列线图评分的 OS 曲线。
总结
综上所述，本研究回顾性分析了近十年来四家医疗中心收治的大规模 AMI 患者的临床资料。结果表明，新型函数f (Hcy-Hb)作为心肌梗死后患者 CRS 的早期生物标志物，具有重要的诊断和预后价值。当 f (Hcy-Hb)≥1.193257 时，临床医生应警惕 MI 患者发生心肾综合征，并及时调整治疗策略以降低不良预后。此外，作者的 f (Hcy-Hb)-诺模图临床预测模型具有较高的生存预后效能、优异的净效益以及预测值与实际值之间的高度一致性。临床医生可以利用 f (Hcy-Hb)-诺模图量表预测患者的生存时间并制定个性化的治疗方案。与其他模型相比，该临床预测模型操作简单，无需复杂计算，易于快速应用于临床、推广和教育，从而增强医患沟通。
