联合冠脉钙化积分预测冠心病的可能性

刘健、卢亚辉、孙浩宁

北京大学人民医院

根据一项多中心研究显示,在丹麦的家庭医生接诊的患者中,有1%的患者主诉为胸部不适。目前,临床上面临一个普遍问题,即如何在进行冠脉造影前判断患者是否存在阻塞性冠心病。目前欧洲和美国的指南推荐使用Diamond-Forrester预测模型对患者进行评估。该模型通过年龄、性别和胸痛症状对患者进行检验前可能性(pre-test probability, PTP)的计算。但是现在的研究显示,阻塞性冠心病患者的实际患病率低于依据上述PTP模型所计算的患病率。因此临床上需要一种更加准确及个性化的冠心病预测模型。

该研究试图通过机器学习的算法,结合以年龄、性别和胸痛症状为参数的PTP模型与临床危险因素和冠状动脉钙化积分(coronary artery calcium scores,CACS)相结合来预测阻塞性冠心病(coronary artery disease,CAD)本文于2020年11月发表在Journal of the American College of Cardiology杂志。

本研究共纳入了4组临床试验的患者数据,这些患者的冠脉造影结果显示冠脉狭窄≥50%,即阻塞性CAD,但既往未被诊断为CAD,并对这些患者进行了冠脉CTA的检查。将4组患者中数量较多的一组(这组共41777名患者)作为测试队列。而将其余三组患者(其余三组共15411名)患者作为验证队列。在没有冠脉造影数据的患者中则通过冠脉CTA进行判断。

在测试队列和验证队列中,分别有8.8％和10.1％的患者诊断为阻塞性CAD。这些值都低于使用基于年龄、性别和临床表现的PTP模型所预测的患病率(15.4%)。研究团队运用机器学习方法确定了对阻塞性CAD有影响的危险因素,这些危险因素除了年龄、性别和临床表现外,还包括了家族史、是否吸烟、是否患血脂异常、高血压和糖尿病。

图1 运用机器学习计算不同变量对阻塞性CAD的影响权重

在具备上述2-3个危险因素的患者,其实际阻塞性CAD患病率接近于PTP模型所预测的。而具备0-1个危险因素时,其实际患病率低于PTP模型预测值。具备4-5个危险因素时,其实际患病率高于PTP模型预测值。

图2 危险因素的数量对阻塞性CAD产生的影响，其中虚线为根据年龄、性别和临床表现的PTP模型预测的患病率

研究团队运用上述危险因素建立出简单的加权预测模型(risk factor weighted clinical likelihood ,RF-CL)来预测阻塞性CAD的可能性(见下图3)。

图3 基于年龄、性别、临床表现及危险因素建立的阻塞性CAD临床可能性评估模型

RF-CL模型诊断性能高于PTP模型,其在验证队列中的AUC为74.9(95％CI: 73.7-76.1)而PTP模型中的AUC为72.3(95％CI：71.0-73.6)随后该研究团队将冠脉CTA上的钙化积分(CACS)纳入至上述预测模型中。在所有RF-CL模型类别中,随着CACS的增加,患阻塞性CAD的可能性也增加。

图4 将CACS添加至RF-CL模型联合预测阻塞性CAD的可能性

横坐标为RF-CL模型预测阻塞性CAD的可能性

纵坐标为CACS-CL模型预测阻塞性CAD的可能性

验证队列中,CACS-CL模型的AUC为84.9(95％CI：84.0至85.9),高于PTP和RF-CL模型的AUC。

一种结合临床危险因素与冠脉CTA的简单风险预测模型可增加对慢性冠脉综合征患者的预测和鉴别能力。该诊断模型无需进一步的辅助检查即可判定患者患阻塞性CAD的可能性。