急性冠脉综合征患者经皮冠状动脉介入术后1年主要不良心血管事件不同估计肾小球滤过率方程比较预测性能

《Frontiers in Cardiovascular Medicine》：Comparative predictive performance of different eGFR equations for 1-year major adverse cardiovascular events after percutaneous coronary intervention in patients with acute coronary syndrome

　　

背景：肾功能障碍是冠心病患者心血管预后的重要决定因素。估计肾小球滤过率（estimated glomerular filtration rate，eGFR）广泛用于评估肾功能，但不同方程可能产生不同风险分层结果。本研究旨在比较基于肌酐与基于胱抑素C（cystatin C）的eGFR方程对接受经皮冠状动脉介入术（percutaneous coronary intervention，PCI）患者1年主要不良心血管事件（major adverse cardiovascular events，MACE）的预测性能。 方法：本回顾性研究纳入560例因急性冠脉综合征（acute coronary syndrome，ACS）接受PCI的患者。收集基线临床、实验室及超声心动图变量。采用基于肌酐和基于胱抑素C的eGFR方程评估肾功能。基于阿凯克信息准则（Akaike Information Criterion，AIC）的后向选择逻辑回归用于识别1年MACE的独立预测因子。此外，开发多种机器学习模型评估预测性能，并应用沙普利加性解释（Shapley Additive Explanations，SHAP）分析评估特征重要性。 结果：1年随访期间，72例患者发生MACE，包括71例再次PCI和1例心源性死亡。基于胱抑素C的方程较基于肌酐的公式检出更多肾功能受损患者。然而，基于肌酐eGFR定义的中重度肾功能不全与1年MACE风险升高显著相关，但在AIC多变量校正后未被保留为独立预测因子。机器学习模型总体预测性能中等，逻辑回归判别能力最高。SHAP分析显示心血管功能参数和代谢标志物是风险预测主要贡献因素，肾功能指标提供补充预后信息。 结论：在该单中心队列中，基于肌酐的eGFR较基于胱抑素C的eGFR与PCI后1年MACE表现出更强观察性关联；这些发现不能确立任一方程的临床优效性，需外部验证。肾功能评估仍是心血管风险分层的重要组成部分，在中等规模临床数据中传统回归模型与机器学习方法表现相当。

研究背景方面，肾功能障碍被公认为心血管疾病和不良临床结局的重要危险因素。降低的肾小球滤过率与内皮功能障碍、慢性炎症、氧化应激及加速动脉粥样硬化等病理生理过程相关。在PCI场景中，肾功能下降患者常表现为更复杂冠脉病变、合并症负担更重及临床结局更差。eGFR是临床最常用的肾功能评价指标，传统上基于血清肌酐计算，但肌酐受肌肉量、年龄、饮食和性别等非肾因素影响；胱抑素C由所有有核细胞产生，受肌肉量和饮食影响较小，可识别肌酐未检出的早期肾损害。然而，基于肌酐与基于胱抑素C的eGFR方程在PCI患者心血管结局中的比较预后价值尚不充分，尤其PCI人群证据有限。同时，机器学习能否超越常规统计模型仍存在不确定性。因此，研究人员在《Frontiers in Cardiovascular Medicine》发表该研究，比较两类eGFR方程对ACS患者PCI后1年MACE的预测性能，并整合传统回归与机器学习模型评估肾功能指标及其他变量的贡献。

关键技术方法上，研究人员采用大连医科大学附属第二医院2023年3月至9月连续ACS行PCI患者的单中心回顾性队列，最终560例完整数据者入组。统计用R 4.4.1，机器学习用Python 3.13。传统分析为单变量与基于AIC后向选择多变量逻辑回归，并行LASSO与弹性网络惩罚回归及Bootstrap乐观校正；机器学习采用逻辑回归、随机森林、支持向量机、XGBoost、LightGBM，以嵌套交叉验证、SMOTE处理类别不平衡、Platt标度再校准，用ROC曲线下面积（area under the receiver operating characteristic curve，AUC）等评价，并以SHAP解释特征重要性。

研究结果部分，3.1节按1年MACE分层的基线特征显示，MACE组病变更重：病变血管数、左室舒张末径更大，左室射血分数更低，糖化血红蛋白更高；基于肌酐eGFR<60 mL/min/1.73 m²者在MACE组占比15.28% versus 非MACE组7.38%，总体差异p=0.076；基于胱抑素C者判出更多肾功能受损者，但组间分类分布p=0.262。结论为MACE患者更广泛冠脉病、心脏重构、糖控制差且肾功能不全比例更高。

3.2节逻辑回归分析显示，单变量中肌酐eGFR<60组OR 2.21（p=0.039），多变量AIC模型未将其保留为独立预测因子；最终保留变量含病变血管数、左室舒张末径、舒张压、糖化血红蛋白、血红蛋白、丙氨酸氨基转移酶、天冬氨酸氨基转移酶、CK-MB、甘油三酯等。敏感性分析中总胆固醇与LDL胆固醇VIF达10.70和9.18，LASSO将其系数压缩至零；CK-MB、转氨酶和甘油三酯相关显著可能来自抑制效应或选择假象。结论为传统模型中肾功分类有边际信号但非稳健独立预测因子，心血管结构与代谢变量更关键。

机器学习与SHAP结果（文中结果概述与摘要一致）显示，各模型总体判别中等，逻辑回归AUC最高；SHAP表明左室功能、病变血管数、糖化血红蛋白等心血管与代谢特征贡献最大，肾功能指标为补充信息。结论为中等样本下传统回归不劣于机器学习。

讨论部分总结，研究人员指出肌酐eGFR在单中心队列中与MACE观察性关联更强，但胱抑素C可检出更多早期肾损；两者差异不代表临床优效。肾功能仍是风险分层要件。事件数有限使细分KDIGO分级不稳，故用三分类。传统模型在中等数据下与机器学习相当，SHAP提供可解释性但不证因果。

结论部分原文翻译：在单中心队列中，基于肌酐的eGFR较基于胱抑素C的eGFR在PCI后1年MACE中表现出更强观察性关联；这些发现不能确立任一方程的临床优效性，需要外部验证。肾功能评估仍是心血管风险分层的重要组成部分，在传统回归模型与机器学习方法于中等规模临床数据集表现相当时，肾功能指标提供补充预后信息。