2区5.1分！炎症营养指标预测初治肺结核合并高血压患者治疗结局？机器学习生信分析揭示：RAR和PNI是关键，GLM/RF/SVM特征重要性排序一致！

肺结核与高血压共病患者治疗失败、复发和死亡风险显著增高，炎症与营养不良是关键的潜在驱动因素。本研究纳入1012例初治肺结核合并高血压的住院患者，其中16.40%出现不良治疗结局。通过多变量逻辑回归、限制性立方样条（RCS）和机器学习（GLM、随机森林、SVM）等方法，系统评估了5个炎症营养复合指数（RAR、NAR、PNI、MAR、HALP）与治疗结局的关联。结果发现，校正混杂因素后，较高的RAR和NAR与不良结局风险增加相关（aOR分别为0.75和0.40），而较高的PNI与良好结局显著相关（aOR=1.03）。RCS分析显示RAR、NAR与结局呈线性负关联，PNI呈显著正关联。ROC分析中RAR和PNI对全因死亡预测的AUC分别达0.716和0.719。机器学习特征重要性排序一致将RAR列为最强贡献因子。该研究为高风险人群的早期风险分层提供了简便易得的参考指标。

今天给大家解读一篇4月发表在《Frontiers in Nutrition》上的题目为“Prognostic significance of inflammatory and nutritional indicators for treatment outcomes in untreated tuberculosis patients with hypertension.”的文章。该研究是一项回顾性单中心队列研究，分析了1,012名合并高血压的初治肺结核住院患者的临床数据。研究计算了包括PNI、HALP、MAR、NAR和RAR在内的多种炎症和营养复合指标，通过多变量逻辑回归、限制性立方样条及机器学习算法，深入探究了这些指标与不良治疗结局（治疗失败、复发、耐药或死亡）之间的关系。研究结果显示，RAR和NAR升高与更差的治疗结局相关，而PNI升高则预示更好的治疗结局。进一步分析发现，RAR在预测治疗结局方面具有最高的相对重要性。（请持续关注我们，每天为您解读最新见刊的文献!）想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！

不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！

       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
       
       
       

        
       
       
       
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
       
       
       

        
       
       
       

                                    （向下滑动查看更多）

CNSknowall 平台 Pubmed+AI 快速提炼全文要点

研究思路：

1. 数据收集
   从医院电子病历系统中回顾性收集符合条件的1,012例患者的人口学、生活方式、共患病、实验室检查及治疗结局等基线数据。
2. 指标计算
   根据血常规和血清白蛋白数据计算PNI、HALP、MAR、NAR和RAR等复合指标。
3. 结局定义
   以治疗结果（不良 vs. 良好）为主要终点，其中不良结局包括治疗失败、复发、耐药或死亡。
4. 统计分析
• 采用多变量逻辑回归分析各指标与治疗结局的关联，并构建分层模型（逐步调整混杂因素）。
• 使用限制性立方样条（RCS）评估剂量-反应关系。
• 进行亚组分析，以检验结果的稳健性。
• 通过ROC曲线评估各指标的预测能力。
• 运用三种机器学习算法（GLM, RF, SVM）进行变量重要性排序。

研究亮点：

1. 特定人群聚焦
   专门研究了“初治肺结核合并高血压”这一特定高风险患者人群，填补了在该合并症背景下评估营养炎症指标预后价值的研究空白。
2. 多指标综合评估
   同时评估了PNI、HALP、MAR、NAR和RAR等多种炎症和营养复合指标，而非单一指标，提供了更全面的视角。
3. 分析方法严谨
   除了使用多变量逻辑回归分析外，还采用了限制性立方样条（RCS）探索非线性关系，并通过三种机器学习算法（GLM, RF, SVM）对指标重要性进行排序，结果更为稳健。
4. 亚组分析一致性
   在不同年龄、性别、吸烟饮酒状态及合并症（如糖尿病、冠心病等）的亚组中，关联性保持一致，增强了研究结果的可靠性。

研究结果：

1. 基本特征
   在1,012名患者中，166人（16.40%）出现不良治疗结局。不良结局组患者年龄更大，冠心病和慢性肾病患病率更高。
2. 炎症营养指标差异
   不良结局组表现出更高的RAR、NAR和MAR值，以及更低的PNI和HALP分值。
3. 逻辑回归分析
• RAR
  与良好结局呈负相关（aOR 0.75, 95% CI 0.64–0.89, p=0.001）。
• NAR
  与良好结局呈负相关（aOR 0.40, 95% CI 0.19–0.84, p=0.015）。
• PNI
  与良好结局呈正相关（aOR 1.03, 95% CI 1.01–1.06, p=0.011）。
• MAR和HALP
  在全面调整混杂因素后，与治疗结局的关联不再具有统计学意义。
4. 限制性立方样条分析
   确认了RAR和NAR与良好结局呈负线性关联，PNI呈正线性关联。
5. ROC分析与机器学习
• RAR（AUC: 0.619）和PNI（AUC: 0.611）预测治疗结局的区分能力相对较好。
• 预测死亡率时，RAR和PNI的AUC值分别达到0.716和0.719。
• 在GLM、RF和SVM三种机器学习模型中，RAR均被识别为对治疗结局贡献度最高的指标。

研究总结：

1. 主要结论
   基于常规实验室检查得出的复合指数，特别是RAR和PNI，与合并高血压的初治肺结核患者的治疗结局显著相关。这强调了基线营养和炎症状态在此类患者管理中的重要性。
2. 临床意义
   这些易于获得的指标（如RAR升高、PNI降低）可用于在治疗开始时进行成本效益高的风险分层。对于此类高风险患者，可能需要加强监测和早期营养干预。
3. 与既往文献的对比
   研究结果与既往关于PNI和NAR在感染性疾病中的研究结论一致。该研究的创新之处在于首次在“肺结核合并高血压”这一特定高风险亚组中，同时评估了多个新型指标，特别是突出了RAR的潜力。
4. 局限性
   作者明确指出该研究的局限性包括：单中心回顾性设计带来的选择偏倚和残余混杂；仅依赖基线数据而非纵向随访测量；未能充分获取所有免疫状态、降压药类型和用药依从性等关键信息；所有关联均为相关性，不能推断因果关系。
5. 展望
   研究呼吁未来开展前瞻性、多中心研究，纳入系统性的抗结核治疗方案记录、标准化的依从性评估，并在多个治疗时间点重复测量营养和炎症指标，以验证其动态预测价值和临床应用价值。

结果译文：

图3展示了按年龄、性别、吸烟状况、饮酒状况以及主要合并症（高脂血症、糖尿病、卒中、冠心病、慢性肾脏病和慢性阻塞性肺疾病）分层的亚组分析。炎症/营养指标与初治肺结核合并高血压患者治疗结局之间的关联在所有亚组中保持一致。具体而言，分层变量与这些炎症/营养指数之间未观察到显著的交互作用（交互作用p>0.05）。

更多结果和补充图表：doi：10.3389/fnut.2026.1801389

可向下滑动发掘更多科研秘籍！