基于计算机断层扫描（CT）影像和血液学参数，构建用于预测腹主动脉瘤风险的预测模型

《Journal of Radiation Research and Applied Sciences》：Building a predictive model for predictive risk of abdominal aortic aneurysm based on computed tomography imaging and hematology parameters

本研究通过回顾性病例对照研究，纳入230例AAA患者，结合CT影像特征（最大直径、各段直径）及血常规参数（RDW、WBC、中性粒细胞、NLR），利用LASSO回归构建多因素预测模型。模型在训练集和外部验证集（n=113）中AUC分别为0.823和0.911，显著优于传统VSG评分（AUC=0.78）。结论：整合影像与血液指标可提升AAA破裂风险预测效能，为临床决策提供依据。

　　腹部主动脉瘤（Abdominal Aortic Aneurysm, AAA）是一种严重的血管疾病，其破裂可导致突发死亡，具有极高的临床危害性。目前，对于AAA破裂风险的评估主要依赖于影像学检查，尤其是CT扫描，但缺乏一个将血液学参数与影像学特征相结合的综合模型。本研究旨在通过整合CT影像学数据和血液学指标，构建并验证一种新型的AAA破裂风险预测模型，以期为临床决策提供更精准的依据。

### 研究背景与意义

AAA是由于腹主动脉异常扩张形成的一种疾病，其发生和发展涉及复杂的病理生理机制。研究发现，AAA破裂不仅与瘤体大小有关，还与全身性炎症反应、血管壁的结构变化以及局部血流动力学等因素密切相关。尽管目前的临床指南通常依据最大瘤体直径作为手术干预的依据，但这种方法存在一定的局限性。例如，一些直径超过阈值的AAA可能并未破裂，而部分破裂的AAA直径却小于阈值。这种现象提示，单纯依靠直径评估可能无法全面反映个体的破裂风险，因此，需要引入其他相关指标，如血液学参数，以提升预测模型的准确性和全面性。

此外，随着医学影像技术的进步，CT已成为评估AAA的首选工具，因为它能够提供详细的瘤体形态学信息，包括直径、长度以及瘤体壁的结构变化等。然而，CT图像的解读需要专业人员的参与，且存在一定的主观性。因此，如何将CT影像数据与血液学参数进行有效整合，构建一个更全面的预测模型，是当前研究的重要方向之一。

### 研究方法与数据来源

本研究采用回顾性病例对照研究设计，收集了2021年1月至2025年4月期间，在河南省许昌市中心医院就诊的230例AAA患者数据。这些患者均接受了术前的CT血管造影（CTA）检查和血液学检测，包括全血细胞计数（CBC）。研究将患者分为破裂组和未破裂组，依据其是否接受了紧急手术进行分组。破裂组共106例，未破裂组共124例。为了进一步验证模型的适用性，研究者还纳入了另外113例患者作为外部验证队列。

在数据采集过程中，所有CT图像均由一位具有超过五年血管影像学经验的资深放射科医生进行分析，且医生对患者的临床结果保持盲态，以减少主观偏差。影像学参数主要基于轴位切片进行测量，包括最大瘤体直径、上腹腔段和下腹腔段的直径、主动脉分叉处的直径、L3椎体横径等。同时，血液学参数包括红细胞分布宽度（RDW）、白细胞计数（WBC）、中性粒细胞计数和中性粒细胞与淋巴细胞比值（NLR）等。

为了确保数据的标准化和可比性，研究团队对所有数据进行了格式转换，如使用HL7标准进行临床数据整合，以及使用DICOM格式进行影像数据标准化处理。这不仅提高了数据处理的效率，也增强了不同数据来源之间的兼容性。

### 预测模型的构建与验证

本研究通过多变量逻辑回归分析筛选出关键变量，并结合LASSO回归方法构建了一个预测模型。LASSO回归是一种有效的变量选择方法，能够在高维数据中识别出对预测结果影响最大的变量。最终，模型整合了以下关键变量：最大AAA直径、上腹腔段主动脉直径、下腹腔段主动脉直径、主动脉分叉直径、L3椎体横径、RDW、WBC、中性粒细胞计数和NLR。通过ROC曲线分析，该模型在训练集中的AUC值达到0.823，而在外部验证集中的AUC值为0.911，显示出良好的判别能力。

值得注意的是，该模型在预测能力上优于传统的VSG评分系统，其AUC值提高了0.04，且在小直径AAA（<5 cm）患者中，净重分类指数（NRI）提升了23.5%。这表明，结合血液学参数的模型在识别高风险患者方面更具优势，尤其在那些瘤体直径接近手术阈值但存在潜在破裂风险的患者中，能够提供更为精确的评估。

### 模型的临床应用价值

本研究构建的预测模型不仅具有较高的判别能力，还具备良好的校准性能。校准图显示，模型预测的概率与实际观察结果之间具有高度一致性，说明该模型在临床实践中具有较高的可靠性。此外，模型的外部验证进一步证明了其在不同患者群体中的适用性，表明该模型可以作为一项具有推广价值的工具。

在临床应用方面，该模型可以用于指导医生对AAA患者的干预决策。对于具有高风险评分的患者，建议每6个月进行一次CT复查，以监测瘤体的变化情况。对于高炎症负荷的患者，可能需要更频繁的随访或考虑更积极的治疗策略。而对于低风险评分的患者，则可以采取保守观察的方式，减少不必要的手术干预。此外，研究还提到，可以开发一个基于网络的模型计算工具，便于临床医生在日常工作中快速评估患者的风险等级。

### 模型的局限性与未来展望

尽管本研究取得了显著成果，但该模型仍存在一定的局限性。首先，研究设计为回顾性单中心研究，这可能引入一定的选择偏差。例如，由于患者来源有限，模型可能无法充分覆盖不同年龄、性别和基础疾病背景的患者群体。因此，未来需要在更大规模、多中心的队列中进一步验证该模型的适用性。

其次，虽然本研究进行了外部验证，但验证队列仍来自同一机构，这可能影响模型在不同地区、种族或医疗体系中的普适性。不同地区的流行病学特征、CT扫描技术和实验室检测方法可能存在差异，从而影响模型的性能。因此，未来研究应关注模型在不同人群中的表现，并考虑对其进行优化以适应更多样化的临床环境。

此外，部分影像学和血液学参数仍需通过人工测量完成，这可能导致一定的主观性和误差。为了提高模型的准确性和可重复性，未来可以结合人工智能（AI）技术，开发基于深度学习的自动化CT图像分割和分析工具，从而减少人为操作带来的不确定性。

在模型的临床推广方面，研究建议将其整合到多学科团队（MDT）的工作流程中。血管外科医生将根据模型的输出结果进行临床决策，放射科医生负责CT参数的标准化采集和测量，临床病理学家则确保血液学指标的准确性。这种多学科协作模式不仅能够提升模型的应用价值，也有助于提高临床决策的科学性和一致性。

### 未来研究方向

本研究为AAA破裂风险的预测提供了新的思路，但仍有进一步发展的空间。未来研究可以考虑将基因信息、分子标志物（如微RNA、蛋白质组学数据）等纳入模型，以实现更全面的个体化风险评估。此外，基于CT的有限元分析可以用于模拟AAA壁内的应力分布，结合机械性指标（如峰值壁应力）与现有的形态学和炎症标志物，能够从力学角度进一步评估破裂风险，为临床提供更丰富的信息支持。

最后，研究还指出，模型的应用不仅仅局限于风险预测，还需要与术后并发症和长期预后数据相结合，以进行系统的风险收益分析。这将有助于医生在决定是否进行手术干预时，全面考虑患者的潜在风险和治疗成本，从而实现更精准的个体化治疗。未来，随着大数据和AI技术的发展，AAA破裂预测模型有望进一步优化，成为临床决策的重要工具之一。