《Frontiers in Cardiovascular Medicine》：Traditional Chinese and Western medicine-integrated risk prediction models for coronary heart disease: a systematic review and meta-analysis
编辑推荐：
背景： 冠心病（CHD）仍是全球主要死亡原因，亟需改进早期风险预测。传统中医（TCM）可能为基于西医（WM）的模型提供补充诊断信息，但中西医结合模型的性能及其确定性仍不明确。
方法： 本系统评价与Meta分析评估了中西医结合冠心病风险预测模型。共纳入16项研究
背景： 冠心病（CHD）仍是全球主要死亡原因，亟需改进早期风险预测。传统中医（TCM）可能为基于西医（WM）的模型提供补充诊断信息，但中西医结合模型的性能及其确定性仍不明确。
方法： 本系统评价与Meta分析评估了中西医结合冠心病风险预测模型。共纳入16项研究；其中12项研究综合了诊断准确性结局，7项研究综合了比值比（OR）。评估了异质性、偏倚风险、亚组效应及Meta回归结果。
结果： 合并敏感度为0.79（95% CI：0.62–0.89；I2=98.17%），合并特异度为0.87（95% CI：0.76–0.94；I2=99.39%），汇总受试者工作特征曲线下面积（AUC）为0.90（95% CI：0.88–0.93）。合并OR为1.80（95% CI：1.40–2.30；I2=95.6%）。16项研究中有12项存在高或不明确的总体偏倚风险，仅5项研究报告了外部验证。尽管亚组分析提示中医预测因子数量可能存在差异，但这些分析属于探索性分析，未能解决研究间极端异质性问题。
结论： 中西医结合模型产生了良好的平均判别估计值，但极端异质性、方法学局限性及有限的外部验证显著降低了合并估计值的确定性。因此，研究结果应视为假设生成性证据，不能确立跨场景的可靠性能或临床获益。在临床实施前，需要多中心前瞻性验证、标准化中医定义，并根据TRIPOD和PROBAST进行透明报告。
系统评价注册： https://www.crd.york.ac.uk/PROSPERO/view/CRD420250652605，CRD420250652605。
论文主体内容总结
1 引言
冠心病（CHD）仍是全球发病率和死亡率的主要原因，占全球心血管死亡的32%。2019年中国心血管疾病患病率为1.2亿，较1990年增长140.02%。数据驱动的预测模型日益影响临床决策，但当前西医（WM）风险模型如Framingham风险评分（FRS）和ACC/AHA合并队列方程（PCEs）存在局限性，过度强调生物标志物而忽视心理社会及整体性决定因素。中医（TCM）四诊合参（望、闻、问、切）作为非常规预测因子展现出良好的诊断性能。将西医定量指标与中医四诊方法整合可能增强冠心病风险预测，但中西医整合医学的结局评估仍具挑战性，主要源于西医疾病导向框架与中医辨证范式之间的根本概念差异。本研究系统评估中西医结合冠心病风险模型的报告性能，探索中医要素的贡献，并明确模型开发与验证的优先事项。
2 方法
本系统评价遵循PRISMA-DTA指南和预测模型性能指南（PROSPERO注册号：CRD420250652605）。检索策略涵盖PubMed、Web of Science、Embase、Google Scholar、中国知网（CNKI）、万方和维普数据库，时间从建库至2025年3月3日。采用PICOTS框架定义纳入和排除标准：目标人群为根据标准化西医指南和/或官方中医诊断框架确诊为冠心病的成人；干预模型为整合西医临床诊断变量和中医评估变量的风险预测模型，每个模型至少包含5个预测因子；主要结局为冠心病事件（如心肌梗死、不稳定型心绞痛）的预测风险；预测时点聚焦于急性事件或治疗干预前的基线评估；研究场景为同时使用中医和西医的临床或社区环境。
2.1 检索策略
检索涵盖PubMed、Web of Science、Embase、Google Scholar、中国知网（CNKI）、万方和维普数据库，从建库至2025年3月3日，使用针对各平台优化的主题词和关键词。核心检索词包括“Coronary Artery Disease”、“TCM”、“Syndrome Differentiation”、“Risk Prediction Model”、“Statistical Model”和“Clinical Prediction”。
2.2 研究筛选
两名独立评审员（D.Z.Q.和Z.Y.Y.）使用预设标准进行筛选。纳入标准包括：开发/验证整合中医（诊断或治疗）和西医（生物标志物/影像）的冠心病风险模型；主要研究目标包括冠心病的诊断识别；报告至少1项性能指标（OR、AUC、敏感度、特异度或校准度）。排除标准包括：仅使用西医或仅使用中医预测因子的模型；缺乏报告性能指标的研究；样本量<100例患者或<3个风险预测因子；非冠心病心血管研究；未经验证翻译的非英文/中文出版物。
2.3 数据提取与质量评估
系统提取预设数据要素，包括研究元数据、研究设计、参与者特征、数据来源、疾病结局、病例比例和性能指标。预测因子根据其理论基础和诊断作用分为中医相关和西医相关。中医相关预测因子包括中医证型、证素、体质、舌象和脉象特征，以及客观脉诊衍生的定量参数。采用预测模型偏倚风险评估工具（PROBAST）评估纳入研究的质量和潜在偏倚风险，两名独立评审员严格应用该工具的四个领域（参与者、预测因子、结局和分析）。
2.4 数据综合
通过混淆矩阵参数（真阳性（TP）、假阳性（FP）、假阴性（FN）、真阴性（TN））和OR值定量综合预测模型性能。基于两个预设维度进行亚组分析和Meta回归：中医方法学的标准化程度和模型中纳入的中医相关变量数量。中医标准化分为高度标准化（明确引用公认中医临床指南或权威文献）和低标准化。中医预测因子数量分为单变量（仅包含单一类型中医要素）和多变量（纳入超过一个不同类别的中医因素）。
2.5 统计分析
采用双变量和分层汇总受试者工作特征（HSROC）模型联合估计诊断准确性参数（OR、AUC、敏感度、特异度）。使用R 4.2.1和Stata 14.1实施预设亚组分析和Meta回归。使用Cochran's Q检验和I2统计量评估研究间统计异质性。I2<50%视为低异质性，采用固定效应模型；I2>50%提示显著异质性，采用随机效应模型。采用逐一剔除方法进行敏感性分析。
3 结果
3.1 研究筛选
从7691篇初始识别记录中，标题和摘要筛选产生63篇全文审查研究，最终15篇符合纳入标准进行质量评估和Meta分析。去除2596篇重复后，筛选5095篇标题和摘要，63篇全文评估资格，排除47篇不符合纳入标准的研究。最终系统评价纳入16项研究，其中15项符合定量综合条件。
3.2 研究特征与模型验证
共分析2008年至2024年间开展的16项研究，涵盖回顾性（n=7）、横断面（n=7）和前瞻性（n=2）研究设计。大多数研究在中国进行，法国和韩国各1项。参与者群体差异较大，从疑似冠状动脉疾病（CAD）患者到高血压和缺血症状老年个体，年龄范围18–92岁。数据来源主要包括大学附属医院、社区医疗设施和专科心血管中心。冠心病或CAD病例比例从3.58%到80.54%不等。逻辑回归是最常用的方法，同时采用决策树（DT）、随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）和极端梯度提升（XGBoost）等机器学习技术。关键中医预测因子包括血瘀、阴虚、痰浊、气虚和舌象特征。报告的AUC范围为0.64至0.97。
3.3 质量评估
基于PROBAST工具，16项研究中11项为仅开发研究（A型），5项包含开发和验证（B型）。4项研究总体偏倚风险低，12项评为高或不明确风险。分析领域的高或不明确偏倚风险频率最高。适用性方面，13项研究所有领域低关注，3项研究存在高关注，主要涉及参与者选择。
3.4 纳入模型的敏感度、特异度和曲线下面积Meta分析
Meta分析综合了12项研究的诊断性能数据。合并敏感度为0.79（95% CI：0.62–0.89），存在极端异质性（I2=98.17%）；合并特异度为0.87（95% CI：0.76–0.94），同样存在极端异质性（I2=99.39%）。汇总受试者工作特征（SROC）分析显示模型具有强大的诊断准确性，AUC为0.90（95% CI：0.88–0.93），表明判别性能优异。Deeks'漏斗图不对称性检验显示边界非显著性不对称（p=0.08）。
3.5 纳入模型的比值比Meta分析
7项研究的OR Meta分析显示极端异质性（I2=95.6%，p<0.001）。随机效应合并OR为1.80（95% CI：1.40–2.30）。两项研究表现出特别强的效应：Zhou Junge等（OR=5.51，95% CI：3.40–8.91）和Xiao-Wu He等（OR=5.98，95% CI：3.58–9.99）。三项研究显示非显著或边际效应，OR点估计接近零值。Deeks'漏斗图不对称性检验显示无统计学显著不对称（p=0.37）。
3.6 Meta回归
基于两个预设中医相关特征进行单变量Meta回归和亚组分析。采用标准化中医诊断方法的研究（n=7）合并敏感度为0.75（95% CI：0.55–0.94），合并特异度为0.89（95% CI：0.80–0.99）；未采用标准化中医方法的研究（n=5）合并敏感度为0.83（95% CI：0.66–1.00），特异度为0.84（95% CI：0.69–0.99）。两组间敏感度（P=0.40）和特异度（P=0.92）无显著差异。中医标准化不是异质性的显著来源（P=0.80）。关于中医预测因子数量，纳入多变量中医因素的研究（n=5）合并敏感度为0.74（95% CI：0.50–0.98），特异度为0.94（95% CI：0.89–0.99）；使用单变量中医预测因子的研究（n=7）合并敏感度为0.81（95% CI：0.65–0.97），特异度为0.78（95% CI：0.65–0.91）。组间比较在敏感度（P=0.47）和特异度（P=0.43）方面均无统计学显著性。特异度Meta回归达到常规显著性阈值（P=0.05），提示异质性的可能来源。
3.7 亚组分析
基于所有中医和西医预测因子进行额外亚组分析并合并相应OR。中医相关因素结果：脉搏波速度（OR=1.25，95% CI：1.06–1.46，I2=91.2%）、中医证型（OR=1.54，95% CI：0.9–2.50，I2=85.6%）、中医证素（OR=26.4，95% CI：2.41–289.10，I2=92%）、气虚证（OR=0.6，95% CI：0.04–8.67，I2=89.9%）、血瘀证（OR=0.6，95% CI：0.15–2.37，I2=88.5%）、阳虚证（OR=2.36，95% CI：0.69–8.05，I2=74.5%）。西医相关因素结果：高血压病史（OR=1.61，95% CI：1–2.58，I2=81.4%）、糖尿病史（OR=2.58，95% CI：2–3.33，I2=0%）、吸烟史（OR=1.53，95% CI：0.14–17.04，I2=97.5%）、高脂血症（OR=2.15，95% CI：0.86–5.35，I2=84.5%）、冠心病临床症状（OR=11.33，95% CI：5.91–21.74，I2=57.6%）、年龄（OR=1.05，95% CI：1.01–1.10，I2=84.9%）、性别（OR=1.3，95% CI：0.52–3.24，I2=91.4%）。
3.8 逐一剔除敏感性分析
诊断性能分析中，逐一排除个别研究未实质性改变合并敏感度、特异度或AUC估计值。排除Zheng Chaonan等（2022）产生最高合并敏感度，排除Zhou Zhihui等（2024）或Jia Mengnan等（2022）产生最低值。排除Yang Yan等（2023）或Jia Mengnan等（2022）后AUC最低，排除Chang-Min Chung等（2015）后最高。合并OR分析中，逐一剔除同样显示没有单一研究完全决定合并关联，但未解决极端异质性。原始合并OR为1.80（95% CI：1.40–2.30），逐一排除后合并OR范围为1.52至2.21。所有逐一剔除点估计仍大于1。
4 讨论
冠心病风险评分的敏感度与个体疾病表现的异质性密切相关，预测模型在无创诊断中发挥日益重要的作用。既往研究报道基于西医的冠心病风险预测模型预测10年冠心病发病风险的AUC为0.81。另一项使用提升算法的Meta分析报告合并AUC为0.88（95% CI：0.84–0.91）。本系统评价纳入16项中西医结合冠心病风险预测模型研究，Meta分析产生合并敏感度0.79、特异度0.87、AUC 0.90，以及7项研究的OR 1.80。这些数值平均值看似有利，但敏感度（I2=98.17%）、特异度（I2=99.39%）和OR（I2=95.6%）的极端异质性表明合并估计值确定性低，可能不反映任何特定人群、机构或诊断路径的性能。整合模型不应被视为既定诊断程序如冠状动脉造影的替代方案，其潜在临床角色更适当地定位为确定性诊断检测前的风险分层或决策支持工具。亚组分析和Meta回归探索了中医标准化和中医预测因子类别数量是否解释异质性。标准化中医方法学与敏感度或特异度的统计学显著差异无关。中医因子OR的描述性均值（5.46）超过西医因子OR（3.08），但该未加权比较未考虑精度、结局定义、标度或贡献研究数量，不应解释为中医因子具有更强预测能力的证据。PWV的分类值得特别考虑，尽管PWV在传统心血管医学中被广泛认为是动脉僵硬度指标，脉搏波采集和定量脉象分析也用于中医脉诊评估的现代化和客观化。本研究将PWV和相关的脉搏波参数归类为中医相关，当它们在整合诊断框架中代表脉诊评估的定量延伸时。大多数纳入研究在中国（14/16，87.5%）和医院环境（12/16，75%）进行，显著限制了发现对其他地理区域和医疗环境的推广性。逻辑回归是最常用的方法（13/16，81.25%），16项研究中仅5项（31.25%）进行外部验证，引发对过拟合和报告性能乐观性的重大关注。现有证据提出假设：系统测量的中医变量，包括舌象、脉象特征、证候分型和要素模式，可能为整合模型贡献有用信息。然而，本Meta分析未直接量化相对于完全相同西医模型的增量性能。
5 局限性与未来方向
本研究存在几个重要局限性。首先，主要结局的异质性极端（敏感度I2=98.17%，特异度I2=99.39%，OR I2=95.6%）。随机效应模型总结了这种变异性但未消除它，逐一剔除稳定性仅显示没有单一研究驱动平均值。其次，16项研究中有12项存在高或不明确的总体偏倚风险，尤其在分析领域，仅5项研究报告外部验证。第三，大多数研究在中国和医院环境进行，限制了对其他地区和初级保健的适用性。研究人群、冠心病定义、参考标准、中医诊断标准、预测因子测量和建模方法差异显著。第四，小样本和不完整报告限制了对校准和临床效用的评估。最后，尽管Deeks'检验未检测到统计学显著的漏斗图不对称性，研究数量少提供了排除发表偏倚的有限效能。未来研究应优先考虑多中心、前瞻性研究，具有更大和更多样化的人群以及独立队列中的预设外部验证。需要协调冠心病结局、参考标准、中医证候、舌脉特征和预测因子时机的定义和测量方案。研究应直接将整合模型与适当的西医基准进行比较，并报告增量判别、校准、决策曲线分析和临床相关后果。根据TRIPOD进行全面报告和使用PROBAST进行结构化偏倚风险评估至关重要。
6 结论
本系统评价和Meta分析发现中西医结合冠心病预测模型的平均估计值有利（敏感度0.79，特异度0.87，AUC 0.90）。然而，敏感度和特异度的极端异质性、频繁的高或不明确偏倚风险以及有限的外部验证显著削弱了这些合并值的置信度。它们不应被解释为常规临床使用的可靠性能估计或整合模型优于西医替代方案的证据。OR分析同样极端异质，探索性因子水平和Meta回归发现不能确定中医预测因子具有保护作用、比西医因子具有更强预测能力或显著改善模型性能。目前，证据支持研究标准化中医信息的潜在价值，但任何增量获益的幅度和推广性仍不确定。在临床实施前，整合模型需要透明开发、与西医基准的直接比较、标准化中医数据收集和严格的多中心外部验证。当前发现应视为定义研究议程的假设生成性证据，而非可靠临床性能的确认。
