基于超声心动图列线图模型识别左室肥厚患者心脏淀粉样变性的开发与验证

《BMC Cardiovascular Disorders》：Development and validation of an echocardiographic nomogram for identifying cardiac amyloidosis in patients with left ventricular hypertrophy

本研究针对左室肥厚(LVH)患者中心脏淀粉样变性(CA)早期诊断困难的临床难题，通过回顾性分析309例CA患者和1213例非CA-LVH对照的超声心动图数据，开发了包含高血压病史、左室内径(LVID)、射血分数(LVEF)、AMYLI评分等10个预测因子的列线图模型。该模型在训练集和验证集中均表现出优异性能（AUC 0.96，灵敏度0.90-0.91，特异度0.91-0.92），为基层医院通过常规超声心动图筛查CA提供了简便有效的工具。

　　

在心血管疾病诊疗领域，心脏淀粉样变性(cardiac amyloidosis, CA)一直被视为"伪装大师"。这种由于淀粉样蛋白纤维在心肌细胞外间隙沉积导致的浸润性心肌病，临床表现多样且缺乏特异性，极易被误诊为高血压性心脏病或肥厚型心肌病。更严峻的是，CA患者预后极差，若不及时干预，很快会发展为难治性心力衰竭。然而早期诊断手段有限，特别是左室肥厚(left ventricular hypertrophy, LVH)患者中如何快速识别出CA患者，成为临床医生面临的重大挑战。

超声心动图作为最常用的心脏影像学检查手段，自然是筛查CA的首选工具。虽然近年来二维斑点追踪成像等新技术为CA诊断带来希望，但在大多数基层医院难以常规开展。更令人遗憾的是，目前针对亚洲人群的CA筛查研究相对匮乏，且缺乏简便实用的诊断工具。正是基于这样的临床需求，四川大学华西医院团队在《BMC Cardiovascular Disorders》发表了这项重要研究。

研究人员开展了一项回顾性巢式队列研究，收集了2008年1月至2023年12月期间三家华西医学中心附属医院的12,576例LVH患者数据。经过严格筛选，最终纳入185例CA患者（183例AL-CA和2例ATTR-CA）的309次超声心动图检查数据，以及1,213例匹配年龄、性别和体表面积的住院非CA-LVH病例作为对照。研究采用多变量逻辑回归分析识别独立预测因素，并构建列线图模型。通过受试者工作特征曲线、校准曲线和决策曲线分析等方法对模型性能进行验证，还开发了便于临床使用的网络计算器。

主要技术方法包括：采用倾向评分匹配（PSM）控制混杂因素；依据国际指南标准进行超声心动图参数测量；通过多变量逻辑回归筛选独立预测因子；基于TRIPOD指南进行模型内部验证；开发动态列线图和网络计算器实现临床转化。

研究结果

人群特征分析

CA-LVH组与非CA-LVH组在年龄、性别和体表面积匹配后，高血压病史患病率存在显著差异（P<0.05）。超声心动图参数比较显示，CA患者具有更小的左室内径（LVID：43.35±5.54 mm vs 47.39±5.73 mm）、更高的相对室壁厚度（RWT：0.60±0.16 vs 0.52±0.08）和更高的E/e'比值（20.00[14.00, 26.25] vs 15.00[12.00, 20.00]）。此外，CA组心肌声学增强（34.0% vs 2.1%）、不对称肥厚（27.2% vs 10.2%）和小量心包积液（50.5% vs 20.9%）的发生率显著更高。

预测因子识别

多变量逻辑回归分析确定了10个CA的独立预测因素：无高血压病史（OR:0.04）、较小的LVID（OR:0.927）、较低的LVEF（OR:0.95）、较高的AMYLI评分（OR:1.088）、存在不对称肥厚（OR:3.729）、心肌声学增强（OR:3.111）、小量心包积液（OR:2.77）以及轻度主动脉瓣反流（OR:2.353）、二尖瓣反流（OR:4.331）和三尖瓣反流（OR:3.837）。

模型构建与验证

基于上述预测因子构建的列线图模型表现出卓越的判别能力，训练集和验证集的曲线下面积（AUC）分别为0.9662和0.9604。模型在训练集中的准确度、特异度、灵敏度、阳性预测值、阴性预测值和约登指数分别为0.92、0.92、0.91、0.73、0.98和0.83，验证集中相应指标为0.91、0.91、0.90、0.73、0.93和0.81。校准曲线显示预测概率与实际结果高度一致，决策曲线分析表明该模型在5-80%的阈值概率范围内均具有临床实用性。

研究结论与意义

这项研究首次在亚洲人群中建立了大规模CA-LVH队列，并开发了基于常规超声心动图参数的列线图模型。该模型的创新之处在于整合了易于获取的临床和超声指标，无需依赖昂贵的先进影像技术，特别适合在基层医院推广应用。

研究发现，无高血压病史是CA的重要提示因素，这与CA患者常表现为低血压的临床特征相符。AMYLI评分（RWT与E/e'比值的乘积）作为独立预测因子，反映了CA患者特有的心室重构和舒张功能不全模式。值得注意的是，轻度瓣膜反流而非中重度反流与CA相关，这可能是因为淀粉样蛋白沉积导致瓣叶轻度增厚而非严重变形。

模型的高阴性预测值（0.93-0.98）意味着其在排除诊断方面价值显著，可有效避免不必要的进一步检查。而网络计算器的开发使临床医生能够快速评估患者CA可能性，实现个体化风险评估。

研究的局限性包括ATTR-CA病例较少，部分患者通过临床而非病理学诊断，以及同一患者多次检查数据的使用可能带来的偏差。然而，通过严格的统计校正和验证，这些因素对模型性能影响有限。

该列线图模型为LVH患者中CA的筛查提供了简单、实用的工具，有望提高CA的早期诊断率，指导后续检查策略，最终改善患者预后。未来需要更多前瞻性多中心研究进一步验证该模型在不同人群中的适用性。