急诊科主动脉夹层与非ST段段抬高型急性冠脉综合征鉴别模型的建立与验证

《Scientific Reports》：Development and validation of identification models for aortic dissection and non-ST-segment elevation acute coronary syndrome in the emergency department

本研究针对急诊科难以快速鉴别主动脉夹层(AD)与非ST段段抬高型急性冠脉综合征(NSTE-ACS)的临床难题，开发了包含临床特征的半模型和结合床旁检测(POCT)数据的全模型。验证结果显示全模型鉴别效能更优(AUC=0.980)，为急性胸痛患者的快速分诊提供了可靠工具，具有重要临床转化价值。

　　

在急诊科的胸痛中心，每分每秒都在上演着与死神的赛跑。其中，主动脉夹层(AD)和非ST段段抬高型急性冠脉综合征(NSTE-ACS)是两位极其危险的"伪装者"，它们都以急性胸痛为主要表现，病情凶险，进展迅速，但治疗原则却截然相反，甚至相互矛盾。更棘手的是，NSTE-ACS的心电图表现缺乏特异性，使得二者的鉴别诊断尤为困难。一项荟萃分析揭示，AD的误诊率高达33.8%，而ACS是其最常见的误诊方向。对于AD患者，早期进行ACS的标准治疗——双联抗血小板治疗，可能会加剧主动脉夹层的破裂风险，造成灾难性后果。因此，在急诊的"黄金时间"内快速、准确地将二者区分开来，是挽救生命、改善预后的关键。然而，目前尚缺乏能够在急诊环境下高效区分AD和NSTE-ACS的工具。

为了解决这一紧迫的临床需求，一项发表在《Scientific Reports》上的研究应运而生。由Ban Yaxin、Wang Hao等研究人员组成的团队，基于TRIPOD声明，开展了一项旨在开发和验证鉴别AD与NSTE-ACS模型的研究。他们期望能建立一种快速、可靠的鉴别工具，帮助临床医生在第一时间做出正确决策。

为了开展研究，研究人员从一家胸痛中心回顾性（2020年1月至2022年6月）和前瞻性（2022年7月至2023年6月）收集了确诊为AD（通过CT血管造影确诊）和NSTE-ACS（通过冠状动脉造影确诊）的患者数据。最终共纳入1314名患者，其中997名（AD 399例，NSTE-ACS 598例）作为训练集，317名（AD 132例，NSTE-ACS 185例）作为验证集。研究排除了合并严重感染、严重肝肾功能不全、恶性肿瘤、长期使用抗凝药或拒绝接受相关检查的患者。研究人员收集了患者首次医疗接触时的人口统计学数据、临床特征、既往病史以及通过床旁检测(POCT)设备获取的实验室数据（D-二聚体和超敏肌钙蛋白I）。随后，他们运用了多变量插补处理缺失值，并通过方差膨胀因子评估多重共线性。采用单因素和多因素逻辑回归分析来筛选预测因子并构建模型。最终构建了两个模型：半模型（仅包含临床特征）和全模型（包含临床特征和POCT数据）。通过受试者工作特征曲线下面积、校准曲线和决策曲线来评估模型的区分度、校准度和临床净获益。此外，还开发了可视化的列线图和用户友好的网络计算器，以方便临床使用。

基线特征分析

研究首先比较了训练集和验证集中AD患者与NSTE-ACS患者的基线特征。结果显示，在训练集中，与NSTE-ACS组相比，AD组患者更年轻、男性比例更高、高血压患病率更高、体温更高、D-二聚体水平显著升高，而糖尿病和卒中病史比例更低，超敏肌钙蛋白I水平显著更低。心率、脉压、收缩压和平均动脉压在两组间无显著差异。验证集的特征差异与训练集基本一致，表明数据具有较好的代表性。

预测因子筛选与模型构建

为了解决预测变量间可能存在的共线性问题，研究人员进行了方差膨胀因子分析，发现收缩压、脉压和平均动脉压之间存在共线性，最终在模型中排除了收缩压。单因素逻辑回归分析筛选出与鉴别诊断相关的变量。多因素逻辑回归分析最终确定：

• •
  半模型包含六个预测因子：年龄（OR 0.943）、心率（OR 0.987）、脉压（OR 1.009）、体温（OR 2.052）、高血压病史（OR 2.539）和糖尿病史（OR 0.094）。年龄越小、心率越慢、脉压越大、体温越高、有高血压病史、无糖尿病史，提示为AD的可能性越大。
• •
  全模型包含七个预测因子：年龄（OR 0.934）、脉压（OR 1.017）、高血压病史（OR 3.015）、糖尿病史（OR 0.115）、超敏肌钙蛋白I（OR 0.819）和D-二聚体（OR 1.002）。其中，超敏肌钙蛋白I水平越低、D-二聚体水平越高，提示为AD的可能性越大。

半模型的验证与评价

基于六个临床特征构建的半模型，在训练集中的AUC为0.792，在验证集中为0.823。在校准曲线中，预测概率与实际发生概率吻合良好。决策曲线分析表明，在10%至85%的阈值概率范围内，该模型具有良好的临床净获益。在最佳截断值下，其灵敏度为0.716，特异度为0.734。

全模型的验证与评价

结合了临床特征和POCT数据的全模型表现出更优异的鉴别能力。其在训练集中的AUC高达0.973，在验证集中更是达到了0.980。校准曲线显示预测值与实际值高度一致。决策曲线分析显示其在所有阈值概率下均能提供良好的临床净获益。在最佳截断值下，其灵敏度为0.930，特异度为0.946，显著优于半模型。

研究的优势与局限性

本研究的优势在于其样本量较大，数据来源于胸痛中心，更具代表性；同时进行了前瞻性验证，增强了结果的可靠性。所纳入的变量易于获取，半模型可在POCT结果回报前进行快速初筛，全模型则能为具备POCT条件的医院提供更精确的鉴别工具。研究人员还开发了网络计算器和微信小程序，极大提升了模型的临床可用性。

然而，研究也存在一些局限性。首先，这是一项单中心研究，可能存在选择偏倚，外推性有待多中心研究进一步验证。其次，关键预测因子超敏肌钙蛋白I在训练集中的缺失比例较高（30%），尽管使用了多重插补法处理，但仍可能对模型稳定性产生一定影响。此外，研究未记录症状发作至采血的时间间隔，若两组间此间隔存在差异，可能对结果造成偏倚。

综上所述，这项研究成功开发并验证了两种用于鉴别AD和NSTE-ACS的模型。半模型基于易于获取的临床特征，能实现快速初筛；而全模型结合POCT数据，具有极高的鉴别准确性。这两个模型为急诊科医师快速区分这两种致命性胸痛病因提供了强有力的决策支持工具，有助于避免误诊误治，改善患者预后。特别是基于网络和移动平台的计算工具，使得这一研究成果能够便捷地应用于临床实践，具有重要的转化价值。未来，需要在更广泛的人群中进行外部验证，以进一步确认其普适性。