《Journal of the American Heart Association》：Machine Learning‐Enhanced TCAB Score for Predicting Postoperative Ischemic Stroke After CABG
编辑推荐：
本文介绍了一项利用头颈部血管超声数据计算全脑动脉粥样硬化负荷（TCAB）评分，并结合梯度提升机（GBM）等机器学习模型，精准预测冠状动脉旁路移植术（CABG）后院内及1年缺血性卒中风险的研究。该模型优于传统TCAB评分，为术前风险评估和个体化治疗决策提供了新工具。
背景
冠状动脉旁路移植术（CABG）是治疗复杂冠状动脉病变的常用术式，但其术后急性缺血性卒中作为一种严重并发症，极大地威胁患者预后。传统的风险评估模型主要依赖高血压、糖尿病等临床变量，未能整合多血管区域的动脉粥样硬化形态与分布信息，这使得精准识别高危患者面临挑战。为了克服现有评估工具的局限性，本研究开发了一种基于超声的新型全脑动脉粥样硬化负荷评分，旨在更全面地量化CABG患者颅内和颅外动脉的粥样硬化总负荷，以更有效地预测术后卒中风险。
方法
本研究为单中心前瞻性研究，纳入了在2023年1月至2024年1月期间于阜外医院接受CABG、脑动脉超声及冠状动脉CT血管成像的患者。研究者收集了包括年龄、性别、既往卒中史、血压、血脂等在内的广泛临床数据，并利用Philips EPIQ5超声系统对颅内（11个节段）和颅外（12个节段）动脉进行系统检查。基于血管狭窄程度，将每个节段分级（0：<50%，1：50–69%，2：70–99%，3：100%），将全部节段的评分相加，即得到TCAB评分，总分最高为69分。所有超声检查均由一位经验丰富、持有美国注册诊断医学超声师认证的医师完成，以确保评估的一致性。
研究的主要结局是CABG术后院内缺血性卒中，定义为术后14天内新发的神经功能缺损，并得到影像学证据支持。次要结局为出院后至1年内发生的1年缺血性卒中和1年主要不良心脑血管事件。MACCE被定义为心肌梗死、脑梗死或死亡中至少发生一项。
统计分析方面，研究者构建了三个层次的多变量逻辑回归模型，在调整性别、年龄、合并症、手术方式、升主动脉粥样硬化严重程度、用药等多种混杂因素后，评估TCAB评分与结局的独立关联。同时，为了提升预测的精确度和稳定性，研究纳入了包括极端梯度提升、支持向量机、自适应提升、朴素贝叶斯、逻辑回归和梯度提升机在内的六种机器学习模型进行比较，其中最优模型通过网格搜索和10折交叉验证进行参数优化和性能评估。
结果
研究共纳入909名患者，其中21人（2.3%）发生了院内缺血性卒中。基线数据显示，发生卒中的患者与未发生者相比，有更高的既往卒中史（28.6% 对 10.0%）、更高的术前抗凝药使用率（28.6% 对 8.2%），以及显著更高的术前总胆固醇、低密度脂蛋白和肌钙蛋白I水平。更重要的是，卒中患者的动脉粥样硬化负荷评分，包括颅外动脉粥样硬化负荷、颅内动脉粥样硬化负荷以及最终的TCAB评分，均显著更高（例如TCAB评分中位数为8 对 2）。
在多变量分析调整后，较高的TCAB评分仍与更差的结局显著独立相关。例如，在调整了最多混杂因素的模型3中，TCAB评分每增加1分，发生院内缺血性卒中的比值比为1.089，发生1年缺血性卒中的OR为1.093，发生1年MACCE的OR为1.068。这表明，TCAB评分是一个稳健的独立预测因子。
在预测能力方面，TCAB评分>3分对预测院内缺血性卒中的受试者工作特征曲线下面积为0.756，灵敏度85.7%，特异度56.6%。在探索性子组分析中，即使在无卒中史或LDL-C水平控制良好（<1.8 mmol/L）的患者中，高TCAB评分仍然与卒中风险显著相关，提示了其识别常规低风险人群中残余风险的能力。
在六种机器学习模型的比较中，梯度提升机模型表现出最稳定和优越的预测性能。对于院内缺血性卒中，GBM的AUC达到了0.8736；对于1年缺血性卒中，AUC为0.8575，均显著优于单用TCAB评分。对于1年MACCE的预测，GBM的AUC为0.7475，也显示出优于TCAB评分（AUC=0.667）的趋势。
讨论
本研究验证了整合颅内和颅外动脉粥样硬化评估的TCAB评分是CABG术后卒中风险的独立预测因子。与以往研究相比，本研究的创新在于通过一体化的头颈部血管超声评估，提供了比磁共振血管成像更经济、便捷的方法，并能更全面反映多血管床的总体动脉粥样硬化负担。研究尤其强调了颅外动脉粥样硬化在围手术期卒中中的主导作用，因其斑块更易在手术操作中脱落形成栓塞。而升主动脉的粥样硬化虽经评估，但在调整后与卒中的关联不显著。
从临床实践角度看，TCAB评分可以帮助识别高危患者（如评分>3分者，其围手术期卒中风险可达4.4%，远高于通常的0.8%–2.0%），从而指导临床决策，如优先考虑非体外循环技术、采取术中栓塞防护策略或加强术后监测。尤其值得注意的是，在颅内动脉粥样硬化更普遍的亚洲人群中，这种全面的超声评估可能具有更重要的价值。
机器学习模型的引入显著增强了TCAB评分的预测精度。GBM模型在预测1年缺血性卒中时表现出色，其AUC从TCAB的0.756提升至0.8575，表明整合临床变量后的机器学习算法能捕捉更复杂的非线性关系。未来，可以进一步结合更多动脉粥样硬化斑块特征（如密度、大小），甚至探索融合深度学习和时序建模，以构建更强大的动态风险评估体系。
局限性
本研究也存在一些局限性。首先，作为一项单中心研究，样本量相对有限，院内卒中事件数较少，这可能影响亚组分析结果的说服力。其次，研究队列中男性占主导，可能限制结果在女性群体中的推广性。再次，TCAB评分未纳入冠状动脉和外周动脉疾病的数据，未来可扩展为系统性动脉粥样硬化负荷评分。此外，机器学习模型缺乏外部验证，也未能与传统临床评分（如EuroSCORE II）进行直接比较。最后，超声评估对操作者经验有一定依赖，且无法在颞骨声窗不佳的患者中应用，这在一定程度上限制了模型的普适性。
结论
总而言之，本研究开发并验证了一种基于超声的TCAB评分系统，它能够有效预测CABG患者术后短期和长期的缺血性卒中及MACCE风险。结合机器学习（特别是GBM模型）后，预测能力得到进一步提升。这一简单、经济、实用的工具，有望整合到常规的术前评估中，为高危患者的精准识别和个体化围手术期管理提供有力的决策支持。未来的研究方向包括在多中心队列中进行外部验证，扩展评分涵盖的血管范围，并开发易于临床使用的决策支持工具。
