《Hypertension Research》:Prediction model for aortic dissection, aortic aneurysm, and peripheral artery disease
编辑推荐:
主动脉夹层(AD)、主动脉瘤(AA)和外周动脉疾病(PAD)与较高的死亡率相关。然而,针对这些疾病的经过验证的预测模型仍然稀缺。研究人员利用常规健康体检数据开发了AD、AA和PAD的风险预测模型。研究人员使用了来自DeSC数据库的数据,该数据库包含1,082,
主动脉夹层(AD)、主动脉瘤(AA)和外周动脉疾病(PAD)与较高的死亡率相关。然而,针对这些疾病的经过验证的预测模型仍然稀缺。研究人员利用常规健康体检数据开发了AD、AA和PAD的风险预测模型。研究人员使用了来自DeSC数据库的数据,该数据库包含1,082,369名年龄在20–74岁之间且无既往心血管疾病的参与者,用于模型推导。研究参与者被随机分为推导队列(50%)和内部验证队列(50%)。主要结局是AD、AA和PAD的发生率。研究人员使用灵活参数生存模型,基于常规健康体检数据(包括年龄、性别、身体质量指数(BMI)、血压、血脂谱、血糖、吸烟状况、体力活动和药物使用)估计5年风险。在随访期间,发生了756例AD、2,230例AA和4,131例PAD事件。在内部验证队列中,Harrell's C指数(C-index)为:AD 0.781(95%置信区间:0.761至0.801),AA 0.812(0.799至0.825),PAD 0.701(0.690至0.711)。Royston D统计量(Royston D statistic)为:AD 1.695(1.533至1.857),AA 1.975(1.874至2.075),PAD 1.222(1.152至1.292)。模型对每个结局均显示出良好的校准度。研究人员开发并验证了基于常规健康体检数据估计AD、AA和PAD发生风险的预测方程。这些模型可能有助于风险分层,以支持血管疾病的早期诊断和干预。有必要进一步利用来自不同目标人群和临床环境的数据集进行外部验证。
**主动脉夹层、主动脉瘤和外周动脉疾病预测模型的研究解读**
**研究背景与问题**
心血管疾病风险预测模型,如弗雷明汉风险评分(Framingham Risk Score)、ASCVD风险估计器(ASCVD risk estimator)和久山町研究评分(Hisayama Study Score),已被广泛应用于冠状动脉疾病和脑卒中的风险估计。然而,对于主动脉夹层(AD)、主动脉瘤(AA)和外周动脉疾病(PAD)等其他血管疾病的预测关注相对较少。这些疾病虽然发病率较低,但一旦发生,病残率和死亡率极高。早期识别这些疾病仍是预防性心血管医学中的关键挑战。目前,缺乏基于人群的、经过验证的风险模型,能够利用常规健康体检数据专门预测这些血管疾病的发生。利用整合了健康体检数据与行政索赔记录的大规模真实世界数据,尤其是在全国性代表性队列中,可能填补这一空白。因此,研究人员开展本研究,旨在开发并验证一个简单实用的AD、AA和PAD预测模型。
**主要技术方法**
研究人员采用回顾性队列研究设计,使用日本DeSC数据库(DeSC database),该数据库整合了大规模健康体检记录与行政索赔数据,涵盖2014年4月至2023年8月期间三种类型保险的数据。研究纳入1,082,369名年龄20–74岁、无既往心血管疾病且至少拥有6个月以上健康体检数据的参与者,随机分为推导队列(50%)和内部验证队列(50%)。主要结局为AD、AA和PAD的发生,依据国际疾病分类第10版(ICD-10)编码定义。研究人员使用灵活参数生存模型(flexible parametric survival models)估计5年风险,纳入的预测因子包括年龄、性别、身体质量指数(BMI)、收缩压和舒张压、空腹血糖、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、甘油三酯、吸烟状况、体力活动不足以及降压药、降糖药和降脂药的使用情况。模型性能通过Harrell's C指数(C-index)、Royston D统计量(Royston D statistic)、R
2和校准斜率进行评估,并绘制校准图。此外,进行了时间分割验证、自举法内部验证、地理区域分割验证以及结局定义敏感性分析等多项敏感性分析。
**研究结果**
**Model development(模型开发)**:在推导队列中,中位随访3.7年期间,记录了372例AD(0.1%)、1,169例AA(0.2%)和2,025例PAD(0.4%)。灵活参数生存模型识别出多个显著预测因子。年龄与所有三种结局正相关。吸烟是AD(β=0.80)、AA(β=0.68)和PAD(β=0.38)的强预测因子。男性与AD和AA风险升高显著相关,但与PAD关联较弱。研究人员构建了5年风险预测方程,并提供了Excel版风险计算器。
**Model performance(模型性能)**:在内部验证队列中,AD的C指数为0.781(0.761–0.801),AA为0.812(0.799–0.825),PAD为0.701(0.690–0.711)。Royston D统计量分别为AD 1.695(1.533–1.857),AA 1.975(1.874–2.075),PAD 1.222(1.152–1.292)。模型对每个结局均显示出良好的区分能力,其中AA的区分能力最高,AD次之,PAD中等。
**Calibration(校准度)**:内部验证队列中,AD的校准斜率为1.008(0.907–1.108),AA为0.993(0.935–1.051),PAD为1.030(0.968–1.091),均接近1。校准图显示预测风险与观察风险在5年风险的五分位组间具有合理的一致性,仅在AD和AA的2%风险阈值附近略有高估,但幅度很小。
**Sensitivity analysis(敏感性分析)**:在时间分割验证中,AD、AA和PAD的C指数分别为0.751、0.812和0.681。自举法验证显示C指数平均乐观度很小(AD 0.0040,AA 0.0010,PAD 0.0007)。地理区域分割验证中,西日本验证队列的C指数分别为0.760、0.781和0.655。当结局重新定义为6个月内至少两次诊断编码时,模型性能与主分析相似。当结局要求伴随住院、诊断性影像或治疗干预时,模型性能同样保持稳定。
**讨论与结论**
**讨论总结**:本研究利用大规模全国性健康体检与行政索赔数据库,开发并验证了AD、AA和PAD的风险预测模型,这在同类研究中尚属首次。模型在内部验证中显示出良好至优异的区分能力(C指数0.701–0.812)和高校准度(斜率接近1),表明其在临床和公共卫生环境中具有早期识别和预防干预的潜力。AD和AA的预测模型区分能力尤其高,而PAD模型表现中等,这可能反映了不同血管疾病的病理生理差异:AD和AA与结缔组织完整性和血流动力学压力密切相关,而PAD作为系统性动脉粥样硬化的异质性表现,受到更多因素影响。模型仅基于常规健康体检变量,便于在现有健康基础设施中整合应用。研究还发现,空腹血糖水平与AD和AA风险呈负相关,可能反映了高血糖对金属蛋白酶活性和外膜新血管形成的抑制作用。未来方向包括:前瞻性研究评估风险评分整合入体检对检出率的影响;结合影像学筛查工具提高效率;纳入更多变量如家族史以细化风险估计。此外,模型在亚洲人群中的应用具有潜力,因为日本标准化健康体检项目与其他亚洲国家类似。局限性包括:依赖ICD-10编码诊断,可能漏诊无症状或院外死亡病例;缺乏动脉瘤直径、遗传因素等详细临床信息;随访期相对较短;仅进行了内部验证,外部验证是必要的。
**结论翻译**:研究人员开发并验证了用于预测AD、AA和PAD发生的预后模型,这些模型基于常规健康体检数据。这些模型可能有助于风险分层,以支持早期诊断和干预,并可能为个体化临床决策提供信息。有必要在不同目标人群和临床环境中进行进一步的外部验证。