构建冠心病患者的临床预测模型：一项基于颈动脉超声和临床相关因素的研究

《Frontiers in Cardiovascular Medicine》：Constructing a clinical prediction model for patients with coronary heart disease: a study based on carotid ultrasound and clinical related factors

冠心病预测模型的构建及验证基于颈动脉超声与临床因素整合，采用多因素Logistic回归筛选独立预测因子（性别、胸痛、糖尿病、甘油三酯、载脂蛋白A、斑块评分及颈动脉狭窄），并通过ROC、校准曲线、决策曲线和临床影响曲线验证模型性能，AUC达0.76，显示良好的预测效度和临床适用性。

　　
冠状动脉疾病(CHD)的早期诊断和风险预测是心血管领域的重要研究方向。本研究通过整合颈动脉超声评估与临床指标，构建了CHD风险预测模型，其核心价值在于为临床提供非侵入性、可操作性强且具有较高预测精度的工具。研究基于649例接受冠状动脉造影（CAG）确诊的疑似CHD患者，采用分层抽样法建立训练集（454例）与验证集（195例），通过多因素逻辑回归筛选关键预测因子，最终构建了基于颈动脉斑块评分（PS）和临床指标的预测模型。

研究首先通过颈动脉超声系统评估了颈动脉斑块的位置、形态及稳定性特征。采用美国超声心动图学会推荐的Rotterdam评分法，对颈总动脉分叉（CCA）、颈内动脉（ICA）等三个节段进行斑块存在性评分（0-6分）。同时结合北美症状性颈动脉动脉内膜切除术试验（NASCET）标准对颈动脉狭窄程度进行分级（无狭窄、轻度狭窄0-49%、中度狭窄50-69%、重度狭窄70-99%）。值得注意的是，该评分体系通过仅需要4-6帧超声图像即可完成，显著提高了临床应用效率。

在临床指标筛选方面，研究发现男性患者、胸痛症状、糖尿病史、甘油三酯水平升高、载脂蛋白A水平降低、斑块评分及颈动脉狭窄程度均为独立预测因子。其中男性性别风险比达到1.5倍，糖尿病患者的风险比达2.3倍，而载脂蛋白A每升高1g/L，CHD风险下降约15%。研究特别强调颈动脉斑块评分（PS）的临床价值，该指标通过简单计数斑块存在的数量，避免了传统方法需要测量斑块面积或高度带来的操作复杂性，使基层医疗机构也能有效应用。

模型验证结果显示，训练集与验证集的AUC值分别为0.761和0.759，校准曲线显示预测概率与实际风险分布高度吻合（Brier评分0.198-0.201），决策曲线分析表明当阈值概率超过0.6时，模型净临床获益显著。这些指标均达到国际认可的优质预测模型标准（AUC>0.7，校准误差<0.1）。

在临床应用层面，研究创新性地将颈动脉超声与常规实验室指标结合。例如，通过检测载脂蛋白A/B比值（ApoA/ApoB）可间接反映动脉粥样硬化风险，这种生化指标与影像学证据的互补性显著提高了预测模型的鲁棒性。此外，模型将颈动脉狭窄程度量化为临床决策参数，为干预时机选择提供了客观依据。

研究局限性方面，回顾性单中心设计可能影响结果的外部效度，特别是未纳入患者行为特征（如运动习惯、饮食结构）等潜在影响因素。未来计划通过多中心验证扩展模型普适性，并探索结合人工智能的自动斑块识别技术，进一步提升临床适用性。值得注意的是，模型未纳入高敏C反应蛋白（Hs-CRP）等炎症指标，这可能与研究纳入标准或数据采集周期限制有关，未来可优化纳入更多生物标志物。

从技术路径看，研究采用分阶段验证策略：首先通过内部交叉验证（7:3分割）确保模型稳定性，再通过自助法（1000次重复抽样）校正过拟合风险，最终在独立验证集上确认模型泛化能力。这种双重验证机制有效规避了常见机器学习模型在临床转化中的过拟合问题，使预测效能稳定在0.75-0.76区间，符合JNC 8指南对心血管风险预测模型的要求。

在临床实践指导方面，研究提出分层管理策略：将总风险评分分为四组（Q1-Q4），高风险组（Q4）患者发生CHD的相对风险达12.8倍，这为精准医疗提供了分级依据。决策曲线分析显示，当风险阈值超过60%时，模型的临床获益与风险规避达到平衡，这为不同风险分层患者的处理方式选择提供了量化参考。

研究还建立了可视化评分系统（Nomogram），将复杂数学模型转化为线性计分规则。临床医生只需根据标准化问卷快速获取各指标分值，通过图解累加即可得到患者风险概率。这种将机器学习算法转化为临床实用工具的设计思路，有效解决了传统预测模型操作复杂、基层医院难以实施的问题。

在疾病机制层面，研究揭示了颈动脉斑块与冠状动脉病变的协同作用机制。通过对比发现，颈动脉斑块评分每增加1分，冠状动脉事件风险上升18%，这与斑块形成过程中炎症因子释放和氧化应激反应的系统性特征相吻合。同时，研究证实载脂蛋白A与B的比值（ApoA/B）是比单一血脂指标更具预测价值的生物标志物，这为血脂管理提供了新视角。

值得关注的是，研究首次将胸痛症状纳入颈动脉超声联合预测模型。临床数据显示，存在胸痛症状的患者即使其他风险指标正常，其CHD风险仍较无症状者高2.3倍。这种症状-影像学-生化指标的三角验证机制，显著提高了早期筛查的准确性，特别是对隐匿性冠心病（无明确症状但存在血管狭窄）的识别率提升约25%。

在技术标准化方面，研究严格遵循NASCET和Rotterdam评分规范，采用统一操作流程：所有颈动脉超声均由资深医师完成，图像采集标准参照AHA指南，斑块评估严格区分纤维帽完整性、钙化程度及超声回声特征。这种标准化操作流程保证了不同医疗机构间结果的可比性，为模型推广奠定了基础。

研究对现有指南的补充价值体现在三个方面：首先，将颈动脉斑块评分纳入CHD预测体系，弥补了传统 Framingham 模型在亚洲人群中的不足；其次，通过7:3的动态样本分割和自助法校正，解决了小样本模型验证的可靠性问题；最后，开发的可视化Nomogram工具，使预测模型的应用从心内科医生扩展到全科医师，提升了心血管疾病筛查的可及性。

未来研究方向建议：1）建立动态风险更新系统，结合患者治疗后的血脂、血压等指标调整风险预测；2）探索颈动脉超声联合其他影像学（如下肢动脉超声）的多模态预测模型；3）开发基于移动医疗的AI辅助诊断系统，实现床旁快速风险评估。这些改进将进一步提升模型在真实世界环境中的应用效能。

该研究成功验证了影像学检查与临床指标结合预测CHD的可行性，其核心创新点在于将操作复杂的斑块定量分析转化为标准化评分系统，并通过多维度验证确保模型可靠性。这种以影像学技术为基础，结合临床数据的整合预测模式，为心血管疾病早期筛查提供了新的技术路径，特别适用于资源有限地区的疾病防控。