近日，山医大一院院长办公室秦妮平博士在导师樊代明院士指导下，在共病（多病共存）研究领域取得重要进展，以第一作者在国际知名医学期刊BMC Medicine（近5年平均影响因子9.1，中科院分区1区Top期刊，JCR分区Q1）发表了题为 “Multimorbidity network patterns improve the explanation of inpatient outcomes beyond conventional comorbidity assessment: a retrospective cohort study across 32 tertiary hospitals” 的研究论文。该研究系统评估了多病共存网络模式在传统共病评估之外的增量预测价值，为住院患者风险分层、临床管理和医疗资源配置提供了新思路。

研究背景：传统共病评估“数得清病，却看不清关系”

共病是指同一患者同时患有多种慢性疾病，在中老年住院人群中日益普遍。传统年龄校正Charlson共病指数（ACCI）虽能提供一定预测价值，但其核心局限在于主要关注疾病数量，忽略了疾病之间的结构性关联。换言之，ACCI回答的是“患者有几种病”，却难以回答“这些病是如何交织在一起、共同影响预后的”。

针对这一局限，秦妮平及其合作者开展了大规模回顾性多中心队列研究，探索共病网络模式能否在ACCI之外，为住院结局预测提供额外解释力。

研究方法和主要成果

该研究覆盖200万余例共病住院患者，采用Louvain模块度算法构建多病共存网络，识别疾病社区，并建立三个嵌套回归模型，分别预测住院时长、住院总费用和30天再入院风险。

研究发现，共病网络包含304个节点和2,513条边，高血压、2型糖尿病和脑卒中是核心枢纽疾病。网络分析共识别出9个疾病社区。在传统ACCI基础上加入共病网络模式后，三个结局模型的AIC和BIC均明显下降，表明网络模式提供了ACCI之外的额外解释力。

其中，社区6（内分泌-免疫-肾脏疾病）的30天再入院风险最高（OR=1.591），且与较低费用相关（均值比=0.696）；社区8（心血管-心律失常疾病）则与更短住院时长（率比=0.691）和更低再入院风险（OR=0.478）相关。

研究意义：从“数病”走向“读网络”

该研究的意义主要体现在三个方面：

一是方法学创新。研究将共病从“疾病计数”推进为“网络结构”刻画，先通过网络分析呈现疾病组合结构，再通过回归模型验证增量预测价值，并通过反事实预测量化不同模式的风险贡献，形成了“网络—回归—归因”的完整分析路径。

二是临床价值。研究提示，不同疾病组合对住院结局的影响方向并不一致，简单“数病”可能掩盖真实风险结构。共病网络模式有助于识别高风险疾病组合，为临床风险分层、重点随访和个体化管理提供依据。

三是管理价值。该研究为医院和卫生管理部门优化资源配置、探索基于共病组合的精细化管理提供了参考，也为推动共病相关政策和支付方式研究提供了新视角。

供稿：院办

制作：张文华

初审初校：周培斌

复审复校：温晓丽

终审终校：杨丽红