基于脉搏波信号特征结合机器学习模型的慢性肾脏病患者冠状动脉钙化筛查新策略

慢性肾脏病(CKD)患者是冠状动脉粥样硬化的高危人群，但传统CT冠状动脉钙化(CAC)评分检测成本高且具放射性。本研究创新性地采用SphygmoCor系统采集脉搏波(PW)信号，通过弹性网络算法构建机器学习模型，在122例CKD5期患者中实现CAC≥100 Agatston单位(AU)的筛查，平衡准确率达83%，显著优于传统风险因素(TRF)模型，尤其对<60岁患者敏感性更优，为CKD患者心血管风险评估提供了无创、经济的筛查方案。

　　

心血管疾病是慢性肾脏病(CKD)患者死亡的主要原因，其中冠状动脉钙化(CAC)作为动脉粥样硬化的标志物，通常需要通过昂贵的CT扫描评估。但临床面临双重困境：一方面CKD患者普遍需要CAC筛查，另一方面并非所有患者都存在显著钙化，特别是年轻群体。更棘手的是，传统风险因素(TRF)模型在CKD人群中预测效能有限，因为这些患者常伴随脂代谢紊乱等特殊病理状态。寻找一种经济、无创且准确的CAC筛查方法，成为改善CKD患者管理的迫切需求。

来自瑞典卡罗林斯卡大学医院的研究团队开展了一项创新研究，探索利用脉搏波(PW)信号特征结合机器学习算法筛查CAC的可行性。这项发表在《Computers in Biology and Medicine》的研究，首次系统评估了PW分析在CKD5期患者中的临床应用价值。研究团队采用回顾性队列设计，纳入124例接受肾移植的CKD5期患者，通过SphygmoCor系统采集中心动脉脉搏波信号，同时获取CT扫描的CAC评分作为金标准。采用离散傅里叶变换(DFT)提取前20个谐波的幅值、相位和相对能量特征，结合弹性网络(EN)算法构建分类模型，并与基于年龄、BMI等TRF的模型进行对比。

主要技术方法包括：1) 使用SphygmoCor系统采集中心动脉脉搏波信号；2) 64排CT扫描获取CAC评分；3) DFT算法进行频域特征提取；4) 基于AIC准则的前向特征选择；5) 弹性网络算法处理高维特征；6) 留一法交叉验证评估模型性能。

研究结果方面：

1. 患者特征分析显示，CAC≥100 AU组年龄(61 vs 38岁)、BMI(26.5 vs 23.8 kg/m²
   )显著高于低CAC组，证实年龄是TRF模型的主导因素。

2. 特征选择过程发现，PW谐波特征中的mod_5(第5谐波幅值)、arg_3(第3谐波相位)等52个特征被频繁选中，这些特征与动脉僵硬度密切相关。

3. 模型比较显示，PW模型整体平衡准确率达83%(AUC 0.89)，与TRF模型(84%，AUC 0.88)相当，但在<39岁组中，PW模型成功识别出唯一1例高CAC患者，而TRF模型完全漏诊。

4. 年龄分层分析揭示，PW模型在<50岁患者中表现出显著优势，对CAC≥100 AU的预测概率随实际CAC评分升高而递增，而TRF模型输出几乎不受真实CAC水平影响。

5. 错误分类分析发现，PW模型误诊的高CAC患者平均真实评分(394 AU)低于TRF模型(515 AU)，提示PW模型更少遗漏严重病例。

讨论部分指出，这是首个证明PW信号可有效筛查CKD患者高CAC风险的研究。PW模型在年轻患者中的卓越表现尤其重要，因为这部分人群常被TRF模型低估风险。研究创新性地采用谐波分析捕捉PW形态学特征，避免了传统脉搏波速度(PWV)测量需要多点检测的局限。虽然样本量较小限制了外部效度，但超过80%的平衡准确率表明PW信号确实携带CAC相关信息。

该研究的临床意义在于：1) 为CKD患者提供了一种无辐射、低成本的CAC初筛工具；2) 特别改善了年轻高危患者的早期识别；3) 单点脉搏波检测简化了操作流程。未来研究需在更大队列中验证，并探索PW特征与CAC进展的纵向关联。这项工作为心血管风险评估开辟了新思路，有望优化CKD患者的精准管理策略。