综述：将多种血液学炎症指标整合为基于主成分分析的冠状动脉疾病炎症负担评分

《BMC Cardiovascular Disorders》：Integrating multiple hematologic inflammatory indices into a principal component analysis–derived inflammatory burden score for coronary artery disease

　　

摘要

背景

基于全血细胞计数的炎症指标与冠状动脉疾病存在关联，但由于这些指标之间存在较大重叠，单独评估时可能影响其解释性。我们采用主成分分析将六种常用的炎症指标整合为一个综合的炎症负担评分，然后结合预后营养指数，评估该评分与通过血管造影确诊的冠状动脉疾病的关联。

方法

这项回顾性横断面研究纳入了1,261名在三级转诊中心接受过侵入性冠状动脉造影检查的个体（其中477人患有冠状动脉疾病，784人未患病）。我们对六种标准化的炎症指标应用主成分分析，取第一个主成分作为炎症负担评分。随后构建分层逻辑回归模型，以评估炎症负担评分和预后营养指数在传统心血管风险因素之外的额外贡献。模型的区分能力通过受试者工作特征曲线下面积、校准指标以及似然比检验来评估。此外，还采用了XGBoost和SHAP分析作为可解释机器学习的补充方法。

结果

第一个主成分能够解释炎症指标总方差的68.1%，且所有变量都对综合评分有正向贡献。患有冠状动脉疾病的患者的炎症负担评分显著更高（p＜0.001）。在单变量分析中，炎症负担评分（比值比1.11，95%置信区间1.05–1.17，p＜0.001）和预后营养指数（比值比0.05，95%置信区间0.02–0.14，p＜0.001）都与冠状动脉疾病相关。在调整了传统心血管风险因素后，炎症负担评分（比值比1.12，95%置信区间1.06–1.19）和预后营养指数（比值比0.06，95%置信区间0.02–0.20）仍与冠状动脉疾病独立相关。加入炎症负担评分或预后营养指数都能显著提升模型拟合度（两者对应的似然比检验p均＜0.001）。传统风险因素模型中的AUC为0.727，加入炎症负担评分后升至0.734，加入预后营养指数后则升至0.737。XGBoost模型的AUC达到了0.802，而SHAP分析显示年龄和性别是主要预测因子，其次是炎症负担评分和预后营养指数。

结论

在这项单中心横断面研究中，基于主成分分析得出的炎症负担评分与预后营养指数，除了传统心血管风险因素外，还与通过血管造影确诊的冠状动脉疾病存在独立关联。在可解释机器学习分析中，这两种指标的作用相当。这些研究结果仅为初步探索，若要应用于临床，还需进行前瞻性外部验证。