系统性硬化症中心血管风险的预测建模：一项整合临床和影像数据的单中心回顾性研究

《Clinical Rheumatology》：Predictive modeling of cardiovascular risk in systemic sclerosis: a single-center retrospective study integrating clinical and imaging data

本研究针对系统性硬化症（SSc）患者心血管疾病（CVD）风险预测，通过整合临床和影像数据，采用回顾性分析、Cox回归和ROC/KM曲线评估。结果显示，冠状动脉钙化评分（CACS）、 modified Rodnan皮肤评分（mRSS）、 epicardial脂肪厚度（EFV）和抗-Scl-70抗体（ATA）为独立预测因子，联合模型AUC达0.910，显著提升CVD事件的预测准确性，并验证各因素与患者事件无生存期的关联。

　　

摘要

背景

心血管疾病（CVD）是系统性硬化症（SSc）的主要死亡原因之一。早期识别风险对于改善预后至关重要。

目的

本研究的目的是通过整合临床数据和影像学数据，开发一种用于评估SSc患者心血管疾病风险的临床预测模型。

方法

我们回顾性分析了245名SSc患者和245名对照组患者的心血管疾病发生情况。根据心血管疾病事件对SSc患者进行了分层。使用Cox回归分析确定了SSc患者心血管疾病风险的独立预测因素。接收者操作特征（ROC）曲线评估了该模型的预测性能。Kaplan–Meier（KM）曲线评估了这些因素与无事件生存期的关联。

结果

SSc患者的心血管疾病发生率显著高于对照组。在有心血管疾病事件和没有心血管疾病事件的SSc患者之间，年龄、性别、疾病持续时间、改良Rodnan皮肤评分（mRSS）、红细胞沉降率（ESR）、抗Scl-70抗体（ATA）、抗U3 RNP、肺动脉高压（PAH）、间质性肺病（ILD）、冠状动脉钙化评分（CACS）和心外膜脂肪组织（EFV）等方面存在显著差异。Cox回归分析确定CACS、mRSS、EFV和ATA是心血管疾病风险增加的独立预测因素。结合这些因素的模型（CACS、EFV、mRSS、ATA）的曲线下面积（AUC）为0.910，显示出在预测SSc患者的心血管疾病事件方面的高准确性。KM分析证实，CACS评分高、mRSS评分高、ATA阳性或EFV高的患者无事件生存期显著缩短（所有P<0.05）。

结论

CACS、mRSS、EFV和ATA是SSc患者心血管疾病事件的独立风险因素。结合这些因素的模型能够有效预测该人群的心血管疾病发病率。

要点 • CACS、mRSS、EFV和ATA被确定为心血管事件的独立预测因素。 • CACS、EFV、mRSS和ATA的结合模型具有0.910的高AUC值，显示出对SSc患者心血管事件的强预测能力，具有高特异性和敏感性。

要点 • CACS、mRSS、EFV和ATA被确定为心血管事件的独立预测因素。 • CACS、EFV、mRSS和ATA的结合模型具有0.910的高AUC值，显示出对SSc患者心血管事件的强预测能力，具有高特异性和敏感性。