健心知著
2023.03.03
第248期
冠状动脉钙化与心血管事件
相关性的异质性：
MESA研究中的机器学习算法
刘健、马铭潞、聂文畅
北京大学人民医院
健心荐语
冠状动脉钙化(CAC)被广泛认为是心血管疾病(CVD)的重要预测因素。既往研究表明，CAC和CVD发生率之间的相关程度随CVD风险因素的增多而增加。由于使用传统的亚组分析方法（通常为二维），这些研究均不能识别CAC和CVD发生率之间存在最强/最弱相关性的个体。在多维个体特征下，CVD高风险的个体是否会从CAC检测中获得最大益处，目前尚不明确。
文章介绍
本研究使用因果森林模型，评估CAC与发生CVD事件之间关系的异质性，有助于明确哪些个体可能从CAC检测阳性中获益最大。本文于2023年1月发表于Circulation杂志。
研究方法
该队列研究的对象是MESA研究(动脉粥样硬化多民族研究)中的成年人，年龄≥45岁，无心血管疾病（图1）。研究者按1:1的比例对研究对象进行倾向得分匹配，将基线水平CAC>0的参与者与CAC=0的参与者进行匹配，以调整表1中所列出的潜在混杂因素（表1）。匹配后，研究者应用机器学习因果森林模型(1)评估阳性CAC和偶发CVD之间关系的异质性，(2)预测在个体水平上，CAC>0 与CAC=0相比，10年内CVD风险的增加。此外，研究者将CAC>0时的CVD风险增加与2013年美国心脏病学会/美国心脏协会（ACC/AHA）混合队列方程计算的10年动脉粥样硬化性心血管疾病(ASCVD)的绝对风险进行比较。
图1：确立研究样本的流程图
在倾向得分匹配前，对所有5594个样本进行敏感性分析
CAC：冠状动脉钙化；MESA：动脉粥样硬化多民族研究
表1：MESA队列在倾向得分匹配前后的基线特征
研究结果
CAC>0时，基于因果森林模型的CVD风险的增加与基于ACC/AHA混合队列方程的10年ASCVD风险以剂量-反应方式相关。(Spearman相关系数= 0.60,P<0.001;Pearson相关系数= 0.61, P<0.001)（图2）。当CAC>0结合年龄、体重指数、收缩压和LDL-胆固醇水平时，观察结果类似（图3）。
图2：与CAC=0相比，当CAC>0时，10年ASCVD风险与预估的心血管事件风险增加之间的关系
图3：与CAC=0相比，当CAC>0时，传统心血管危险因素与预估的心血管事件风险增加之间的关系
即使在900名低ASCVD风险的个体中，623名(69.2%)患者在CAC>0时表现出CVD风险的大幅增加；与CAC>0时CVD风险增加<2.5%的患者相比，更多是男性和西班牙裔 (与白人、黑人和亚洲人相反)，且更可能发生严重的CVD（表2）。
表2：10年低ASCVD风险的成人的基线特征(<5%)
结 论
基于机器学习的方法以及倾向评分匹配表明，与阳性CAC相关的CVD风险增加在个体之间存在异质性。
点评
MESA研究是一种针对不同种族人群的大样本纵向研究设计，使用其进行CAC相关的CVD风险异质性探索的局限性包括以下几点：一、尽管应用倾向得分匹配来平衡测量的协变量(包括心血管风险因素)在CAC>0和CAC=0参与者之间的分布，并通过因果森林模型对这些协变量进行调整，但其结果可能受到与未测量混杂因素相关的混杂偏差的影响；二、虽然设置了二元结果(事件CVD为10年)来构建因果森林模型，但未来的研究仍需要在考虑竞争风险的数据中开发和应用因果森林模型；三、不能排除协变量存在信息偏差的可能性；四、未包括CAC筛查结果后治疗变化的信息等。未来需要进行前瞻性研究，以评估这种新的最佳CAC测量策略是否不仅包括CVD绝对风险的信息，而且还包括由于CAC阳性而导致的CVD风险的预期增加信息，以改善精准医疗时代的心血管结局。
