发文利器！MIMIC数据库，coming！| MIMIC-IV数据库周报

详情请点击下方：

欢迎报名！2024年GBD数据库挖掘培训班6.1-6.2，快速撰写SCI论文！

---

重症医学数据库（MIMIC）是由计算生理学实验室开发的公开数据集，其中包括与数千个重症监护病房入院相关的去识别化健康数据，致力于推动临床信息学、流行病学和机器学习的研究。

MIMIC数据库于2003年在美国国立卫生研究院的资助下，由美国麻省理工学院计算生理学实验室、美国哈佛医学院贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center，BIDMC)和飞利浦医疗公司共同建立。

MIMIC 数据库目前已经产生了MIMIC Ⅱ、Ⅲ、Ⅳ三个版本，包含了BIDMC所有内外科ICU患者的数据。MIMIC Ⅲ数据库收集了BIDMC 2001年6月至2012年10月ICU收治的53423例成年患者数据和2001年至2008年收治的7870例新生儿重症患者数据。MIMIC Ⅳ数据库在MIMIC Ⅲ的基础上做了一些改进，包括数据更新和部分表格重构，收集了2008至2019年BIDMC收治的超过19万名患者、45万次住院记录的临床数据。

数据库收集了三类数据：临床数据，从ICU信息系统和医院档案中汇总;高分辨率生理数据，从床边监护仪获得;死亡数据，来自社会保障局死亡档案。

2024.4.25-2024.5.7PubMed数据库“标题/摘要：MIMIC-IV”搜索发现，共发表21篇MIMIC-IV论文。其中1篇一区，6篇二区。

中国学者文章

1.中国学者文章介绍（一）

文章题目：脑卒中患者的长期生存率:来自ICU数据的甘油三酯-葡萄糖体重指数。

研究背景：甘油三酯-葡萄糖-体重指数(TyG-BMI)已被确立为胰岛素抵抗(IR)的有力指标，反映了不同人群的代谢健康状况。总体而言，较低的TyG-BMI值通常与较好的代谢健康结果和较低的非危重疾病人群不良健康事件风险相关。先前的研究强调了危重房颤患者TyG-BMI与全因死亡率(ACM)之间的显著负相关。考虑到卒中的高患病率和严重后果，了解重症卒中患者入院时的TyG-BMI与ACM的相关性变得势在必行。本研究旨在评估这一特定患者队列中TyG-BMI与ACM之间的相关性，探索TyG-BMI与代谢健康之间的传统关联在急性、危及生命的疾病背景下可能存在的差异。

数据来源：通过访问重症监护医学信息市场IV (MIMIC-IV 2.2)数据库检索患者数据，根据TyG-BMI分类将患者分为三组。

方法：该研究评估了主要和次要结果:主要结果包括90天、180天和1年的ACM，而次要结果包括ICU、住院和30天的ACM。Kaplan-Meier (K-M)曲线法进行各组间的结果比较，同时利用多变量Cox比例风险回归模型和限制性三次样条(RCS)来探讨TyG-BMI与这些结果的关系。此外，进行了相互作用和亚组分析，重点关注不同的死亡时间点。

结果：在1707例被诊断为中风的个体中，平均年龄为68岁（四分位距[IQR]：58-78岁），其中946名（55.42%）受试者为男性。对 K-M 曲线的分析表明，TyG-BMI 水平较低的患者面临更高的长期 ACM 风险，而短期 ACM 在三个 TyG-BMI 组中没有表现出统计学上的显着差异。此外，Cox 比例风险回归分析验证了属于最低 TyG-BMI 三分位数的患者长期 ACM 风险增加的统计学意义。此外，RCS分析结果表明，TyG-BMI指数与短期和长期ACM之间存在L型相关性。这些发现强调了TyG-BMI对中风患者长期死亡率的预测价值，突出了在不同时间范围内变化的微妙关系。结果显示，除年龄外，TyG-BMI与分层变量之间没有相互作用。

结论：在我们的研究中，在美国的背景下，危重中风患者较低的 TyG-BMI 水平与长期 ACM 的风险较高显着相关。这一发现表明 TyG-BMI 有可能作为该患者群体中长期风险分层的标志物。然而，需要注意的是，短期 ACM 没有观察到这种关联，这表明 TyG-BMI 的效用在长期结果预测中可能更为明显。此外，我们的结论是，TyG-BMI可以作为长期管理和分层卒中患者的可靠指标，这是初步的。为了证实我们的发现并评估 TyG-BMI 作为预后工具的普遍适用性，对不同人群进行严格设计的研究至关重要。

2.中国学者文章介绍（二）

文章题目：利用药物信息对重症监护室再入院患者的长期住院进行早期预测。

研究目的：准确预测重症监护病房(ICU)住院时间(LOS)可以改善患者健康、医院运营和卫生系统的财务状况。本研究利用短期历史数据(仅限第一次入院)进行早期预测，并结合用药信息，重点预测第二次入院ICU延长的LOS(≥3天)。

数据来源：从MIMIC-IV数据库中选择了18,572例ICU患者的记录用于本研究。

方法：我们应用了五种机器学习分类器:逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)、AdaBoost (AB)和XGBoost (XGB)。我们计算了药物的总剂量和平均剂量，并将它们纳入我们的模型。

结果：与其他模型相比，射频模型的性能显示出最高的精度水平，如接收机工作特性曲线下面积(AUC)为0.716和预期校准误差(ECE)为0.023所示。

结论：我们的模型通过利用第一次入院的人口统计、诊断和药物信息，显示了预测第二次入院延长ICU LOS的能力。这种方法可以潜在地支持患者并发症的预防，并加强医院的资源配置。

3.中国学者文章介绍（三）

文章题目：机器学习预测危重老年患者住院期间急性肾脏疾病的风险和预后:基于互联网和可解释的模型研究。

研究背景：急性肾脏疾病(AKD)影响超过一半的危重老年急性肾损伤(AKI)患者，导致较差的短期预后。

研究目的：我们的目标是建立2个机器学习模型来预测老年人AKD的风险和预后，并将模型部署为在线应用程序。

数据来源：从MIMIC-IV数据库中选择了老年AKI患者(n=3542)和AKD患者(n=2661)的数据用于本研究。

方法：利用重症监护医学信息市场IV (MIMIC-IV)数据库中老年AKI患者(n=3542)和AKD患者(n=2661)的数据，分别建立了预测AKD风险和院内死亡率的2个模型。数据来源于中南大学湘雅医院进行外部验证。采用自举法进行内部验证，得到了相对稳定的结果。我们提取了首次诊断AKI后24小时内的指标和部分指标的波动范围，即δ (AKI后第3天减去第1天)作为特征。采用6种机器学习算法进行建模;接收机工作特性曲线(AUROC)下面积、决策曲线分析、校准曲线下面积进行评价;视觉口译的Shapley加性解释(SHAP)分析以及Heroku平台，用于将性能最好的模型部署为基于web的应用程序。

结果：对于预测老年AKI患者住院期间AKD风险的模型，光梯度增强机(Light Gradient Boosting Machine, LightGBM)在训练队列(AUROC=0.844, 95% CI 0.831-0.857)、内部验证队列(AUROC=0.853, 95% CI 0.841-0.865)和外部队列(AUROC=0.755, 95% CI 0.699-0.811)中表现最佳。此外，LightGBM在训练队列(AUROC=0.861, 95% CI 0.843-0.878)、内部验证队列(AUROC=0.868, 95% CI 0.851-0.885)和外部队列(AUROC=0.746, 95% CI 0.673-0.820)中均表现良好。作为在线预测应用程序部署的模型允许用户预测并提供反馈，以提交新数据用于模型迭代。在基于SHAP值对模型前10个影响因素的重要性排序和相关性可视化中，部分依赖图揭示了一些可干预指标的最佳截止点。预测AKD风险的前5个因素是第3天的肌酐、败血症、血尿素氮(BUN)、舒张压(DBP)和心率，而决定院内死亡率的前5个因素是年龄、第1天的BUN、血管加压剂使用情况、第3天的BUN和二氧化碳分压(PaCO2)。

结论：我们开发并验证了两个在线应用程序，分别用于预测老年患者AKD的风险及其预后死亡率。对影响住院期间AKD风险和死亡率的前10个因素进行了识别和可视化解释，为智能化管理提供了有益的应用，并为未来的前瞻性研究提供了建议。

4.中国学者文章介绍（四）

文章题目：利用住院记录和临床表格数据提高心力衰竭医院预后评估精度:多模态深度学习模型。

研究背景：临床记录包含与患者过去和当前健康状况相关的结构化数据之外的情境化信息。

研究目的：本研究旨在设计一种多模式深度学习方法，利用入院临床记录和易于收集的表格数据来提高心力衰竭(HF)医院结果的评估精度。

数据来源：用于开发和验证多模式模型的数据回顾性地来自3个开放获取的美国数据库，包括2001年至2019年从一家教学医院收集的重症监护医学信息市场III v1.4 (MIMIC-III)和MIMIC-IV v1.0，以及2014年至2015年从208家医院收集的eICU合作研究数据库v1.2。研究队列包括所有危重心衰患者。

方法：分析临床记录，包括主诉、病史、体格检查、病史、入院用药，以及电子病历记录的临床变量。我们为住院患者开发了一个深度学习死亡率预测模型，并对其进行了完整的内部、前瞻性和外部评估。采用综合梯度法和SHapley加性解释法(SHAP)分析危险因素的重要性。

结果：该研究包括9989例(16.4%)患者为开发组，2497例(14.1%)患者为内部验证组，1896例(18.3%)患者为前瞻性验证组，7432例(15%)患者为外部验证组。模型的受试者工作特征曲线下面积分别为0.838 (95% CI 0.827-0.851)、0.849 (95% CI 0.841-0.856)和0.767 (95% CI 0.762-0.772)，分别用于内部验证集、前瞻性验证集和外部验证集。在所有测试集中，多模态模型的接收者工作特征曲线下的面积都优于单模态模型，表格数据有助于更高的判别。病史和体格检查在早期评估中比其他因素更有用。

结论：结合住院记录和临床表格数据的多模态深度学习模型作为评估心衰患者死亡风险的潜在新方法显示出良好的疗效，提供更准确和及时的决策支持。

外国学者文章

5.外国学者文章介绍（一）

文章题目：年轻成年脓毒症患者的肥胖悖论:MIMIC-IV数据库分析。

研究背景：肥胖悖论表明，肥胖个体在对抗某些严重疾病(包括败血症)时可能具有生存优势。然而，这种矛盾是否发生在更年轻的年龄还不清楚。因此，我们的目的是研究肥胖是否可以提高年轻成年脓毒症患者的生存率。

数据来源：我们使用的临床数据来自重症监护医学信息市场IV (MIMIC-IV)数据库。

方法：序贯器官衰竭评估评分≥2分且在ICU入院时疑似感染的患者被确定为脓毒症，按照脓毒症-3定义。将个体分为肥胖组(BMI≥30 kg/m²)和非肥胖组(BMI <30 kg/m²)。年龄<50岁和≥50岁的患者分别分为青壮年患者和老年患者。

结果：在MIMIC-IV ICU数据库的73,181例患者中，18,120例符合纳入标准:2642例年龄<50岁，15,478例年龄≥50岁。Kaplan-Meier曲线显示，肥胖与年轻脓毒症患者的死亡率改善无关(log-rank检验:P = 0.197)，而肥胖在老年脓毒症患者中表现出生存优势(log-rank检验:P < 0.001)。倾向评分匹配后，肥胖组和非肥胖组的住院死亡率无显著差异(13.3% vs 12.2%;P = 0.457)。多因素logistic回归分析显示，BMI不是年轻成年脓毒症患者住院死亡率的独立危险因素(体重过轻:校正优势比[aOR] 1.72, P = 0.076;超重:aOR 0.88, P = 0.437;肥胖:aOR 0.93, P = 0.677;重度肥胖:aOR 1.22, P = 0.580，以正常体重为参照)。

结论：与老年脓毒症患者的研究结果相反，我们的研究结果表明肥胖悖论并不适用于年轻的成年脓毒症患者。

更多文章如下：

外国学者：

中国学者：

一个专门做公共数据库的公众号，关注我们