中國肥厚型心肌病患者血栓栓塞事件風險預測模型的構建研究

阮海燕，李麗英，張木馨，3，鄭翼，何森*

肥厚型心肌病（hypertrophic cardiomyopathy，HCM）是一種以左心室壁肥厚為特征的疾病［1-2］。HCM常出現各種臨床表現并伴隨多種并發癥，其中血栓栓塞（thromboembolism，TE）事件發生率相對較高，既往文獻提示在HCM患者中，TE事件的年發病率約為1.0%，明顯高于一般人群［3-4］；如患者合并心房顫動，則TE事件年發病率更高［5-7］。作為HCM的一個重要并發癥，TE事件可導致HCM患者預后不良及生存率降低［2，5-6，8-10］。

因此，如能在HCM患者中識別易發生TE事件的高風險患者，則可以采取相應的預防措施，一定程度上降低TE事件發生的可能性。關于如何識別高危患者，相對于單個預測指標，在臨床實踐中通常使用風險預測模型幫助臨床決策，從而為患者做出合理的治療選擇［11-12］，因風險預測模型綜合了某個疾病不同的病理生理特征，可整體評估患者的預后。目前針對HCM患者TE事件的風險預測，僅國外學者構建了兩個模型：HCM Risk-CVA［9］及 French HCM score［13］。既往研究發現HCM Risk-CVA模型對于中國HCM患者的臨床價值較為有限［14］。因此，構建適合中國HCM患者的TE事件風險預測模型，對于指導臨床決策具有重要的臨床意義。鑒于此，本研究擬構建適合中國HCM患者的TE事件風險預測模型。

1 對象與方法

1.1 研究對象 本研究系回顧性隊列研究，收集2010—2018年在四川大學華西醫院就診的537例HCM患者病例資料。本研究遵循《赫爾辛基宣言》的原則，并經四川大學華西醫院生物醫學研究倫理委員會批準（批準文號：2019-1147）。由于為回顧性研究，委員會批準知情同意豁免。

1.2 HCM診斷標準、相關定義與基線數據收集 根據2014年歐洲心臟病學協會指南［2］，HCM的診斷是基于左心室壁肥厚，并需排除負荷增加如高血壓、主動脈瓣狹窄和先天性主動脈瓣下隔膜等引起的左心室壁肥厚，并排除了其他可能導致心肌肥厚的疾病，如已知的代謝疾病（如Anderson-Fabry病）或肥厚型心肌病綜合征（如Noonan綜合征）等。成年人HCM的診斷標準為［2］左心室舒張末期室壁厚度≥15 mm，或者有明確家族史者左心室舒張末期室壁厚度≥13 mm。本研究使用超聲心動圖評估左心室壁肥厚等指標，嚴格按照目前國際通用的標準方法進行測量［15］。

所有患者基線特征數據由經驗豐富的臨床醫生從病歷中收集。數據的錄入采用二次錄入的方法，即當兩次錄入的數據一致時數據將進入數據庫；否則，將重新評估原始數據。

1.3 隨訪及終點事件 本研究的隨訪方式包括電話隨訪或通過電子病歷系統查詢患者就診記錄，從而評估患者終點事件；隨訪從首次評估開始，每6～12個月隨訪1次，直至出現終點事件或死亡或研究擬定的評估日期（2019-12-31），如患者在隨訪過程中失訪，則將最近一次隨訪納入分析。

本研究的終點事件定義為復合性TE事件，包括缺血性腦卒中、短暫性腦缺血發作及外周動脈栓塞，具體為：（1）缺血性腦卒中及短暫性腦缺血發作定義為臨床醫生診斷的局灶性突發性神經功能缺損，分別持續＞24 h和＜24 h［6］；（2）外周動脈栓塞定義為腦、心、眼、肺以外的TE事件，診斷依據是突然出現的局部疼痛，伴有寒冷和無脈的四肢或血尿等，通常通過血管造影、計算機斷層掃描或超聲確診［5-6］。此外，鑒于本研究系回顧性研究，以及在臨床實踐中確定缺血性腦卒中亞型的病因較為困難，根據既往文獻［5，16-17］，本研究沒有將心源性栓塞性腦卒中與其他缺血性腦卒中亞型進行區分。

1.4 候選預測變量 將既往文獻［5-6，9，18-19］中報道的HCM患者的TE預測因子作為候選預測變量，候選預測變量均在基線時進行評估。此外，本研究還評估了HCM Risk-CVA模型中的預測因子，以便進行模型之間的比較，相關變量的定義詳見表1［20-21］。

1.5 缺失數據的處理及構建 模型最后納入的樣本量針對前述的候選預測變量，數據清洗提示左心房（LA）內徑、最大左心室壁厚度（MWT）及左心室射血分數（LVEF）有不同程度的缺失，分別為3.9%、3.2%及4.1%。本研究初步納入537例患者，針對前述3個有缺失的變量，其中24例患者有不同程度的數據缺失，數據完整的患者共計513例；為評估刪除該24例患者對結果可能產生的偏倚影響，將研究樣本按照基線數據缺失與否進行對比，結果提示基線數據在兩組人群間無統計學差異（P＞0.05），基線數據包括：年齡、既往TE事件、血管疾病、高血壓、糖尿病、心房顫動、MWT、LA內徑、左心室流出道梗阻（LVOTO）、紐約心臟協會（NYHA）心功能分級及LVEF，且隨訪時間及終點事件在兩組人群間也無統計學差異（P＞0.05）。因此，最后納入了具有完整數據的513例患者進行研究分析。

1.6 模型回歸系數的數目 通常情況下，構建風險預測模型時需要基于事件比例（events per variable ratio，EPV）來確定納入模型的預測變量個數，其中EPV是數據中事件的數量除以風險預測模型中回歸系數的數目。每個模型估計的系數至少需要10個事件，以確保模型的回歸系數得到足夠的精度估計、避免過度擬合。構建模型的人群（n=513）在整個隨訪過程中共計發生42例TE事件，因此允許4～5個回歸系數。

1.7 風險預測模型的構建及驗證 表1中候選預測變量均為擬構建風險預測模型的潛在候選變量。采用Schoenfeld殘差研究評估所有變量進行Cox回歸分析要求的比例風險假設，另外，對于連續性變量，評估其潛在的非線性關系，并評估變量間可能潛在的交互作用。該模型是根據整個研究人群隨訪過程中的42次TE事件構建，為了保證EPV至少在10左右，從而避免模型的過度擬合以及確保模型的精簡性，首先進行單因素分析，然后將P＜0.1的候選預測變量納入多因素Cox回歸分析進行模型構建，方法采用向后最大似然比估計的方法構建模型；模型最終的選擇由AIC信息準則確定。模型建立后，構建關于1、3、5年TE事件的預測概率計算公式；同時，為方便臨床應用，構建1、3、5年TE事件風險預測概率的諾曼圖。

表1 基線評估的候選預測變量定義及賦值原則Table 1 Definitions and weight assignment principles of candidate variables

為驗證構建的風險模型，使用自助重抽樣（Bootstrap，1 000次）的方法進行內部驗證［22］。Harrell's C-指數用于評估整體區分能力，該指標可以評估涉及生存時間的模型，通常情況下，Harrell's C-指數＜0.600提示模型的區分能力較差，Harrell's C-指數為0.600～0.750提示有一定價值的區分能力，Harrell's C-指數＞0.750則提示有確切價值的區分能力［23］；此外，評估模型對1、3、5年TE事件的區分能力。對于模型校準能力的評估，采用圖形化的方法展示預測/觀察TE事件發生率之間的關系。

采用構建的風險模型進一步對是否合并心房顫動的人群進行亞組分析［23-24］，探討模型的適用范圍。

1.8 統計學方法 采用（±s）或M（P25，P75）作為計量資料的表示方法，組間差異比較采用獨立樣本t檢驗或秩和檢驗進行評估；分類變量采用頻數及百分率表示，組間比較采用χ2檢驗或Fisher's確切概率法。同時評估構建的風險模型與HCM Risk-CVA模型對TE事件區分能力的差異。

所有分析使用R版本4.1.0（R Project for Statistical Computing） 進行，包括“compare Groups”“rms”“survminer”“tidyverse”“survival”“time ROC”“survival ROC”“nomogram Formula”和“stats”等軟件包。所有檢驗為雙側檢驗，以P＜0.05為差異有統計學意義。

2 結果

2.1 基線特征及隨訪TE事件 513例患者中，男283例（55.17%），女230例（44.83%）；年齡12～87歲，中位年齡57.0（450，67.0）歲；MWT 19.0（17.0，22.0）mm；LA內徑40.0（35.0，45.0）mm；LVEF 69.0（63.0，73.0）%；中位隨訪時間為4.2（1.3，6.2）年，累積隨訪2 000.0人年。隨訪過程中，513例患者中42例（8.18%）發生TE事件，年發病率為2.10%〔95%CI（1.47%，2.73%）〕。42例TE事件中：36例為缺血性腦卒中，4例為下肢動脈栓塞，1例為上肢動脈栓塞，1例為腸道動脈栓塞。

未發生TE事件者和發生TE事件者血管疾病發生率、高血壓發生率、MWT、LVOTO、NYHA心功能Ⅲ/Ⅳ級所占比例、LVEF、阿司匹林服用比例、氯吡格雷服用比例比較，差異均無統計學意義（P＞0.05）；發生TE事件者女性所占比例、年齡、既往TE事件發生率、糖尿病發生率、心房顫動發生率、LA內徑、華法林服用比例均高于未發生TE事件者，差異有統計學意義（P＜0.05），見表2。

表2 未發生TE事件者和發生TE事件者基線特征比較Table 2 Baseline characteristics in hypertrophic cardiomyopathy patients with and without thrombotic events

2.2 構建TE事件風險預測模型 為便于臨床使用以及構建風險預測模型，先將年齡、MWT、LA內徑及LVEF等連續性變量按照既往文獻報道及研究數據具體情況（分組前使用3次樣條曲線初步評估潛在切點）進行分組（表3）；單因素Cox回歸分析結果顯示，性別、年齡、既往TE事件、糖尿病、心房顫動、LA內徑、LVEF及服用華法林等變量可較好地預測未來TE事件的發生（P＜0.1）（表3）；隨后，將上述變量納入多因素Cox回歸模型，采用向后最大似然比估計的方法構建TE事件風險預測模型，根據AIC信息準則，模型最終納入年齡、既往TE事件、心房顫動及LVEF（P＜0.05，表3），即本研究的SAAE score評分，S=既往腦卒中（stroke）等TE事件，A=心房顫動（atrial fibrillation），A=年齡（age），E=左心室射血分數（left ventricular ejection fraction）。

表3 HCM患者發生TE事件預測的單因素和多因素Cox回歸分析Table 3 Univariate and multvariate Cox regression analyses for factors predicting the risk of thrombotic events in hypertrophic cardiomyopathy patients

根據多因素Cox回歸模型中每個變量的回歸系數，每例患者1、3、5年TE事件發生率的計算公式如下：PTEat1、3、5年=1-S0（t）exp（個體評分－人群平均分），其中，S0（t）為患者1、3、5年平均無TE事件的概率，分別為0.988、0.964、0.941。個體評分=1.174×既往TE事件（是=1，否=0）+1.472×心房顫動（是=1，否=0）+0.329×年齡（50～＜70歲：是=1，否=0）+1.107×年齡（≥70歲：是 =1，否 =0）-0.981×LVEF（50～＜70%：是 =1，否=0）-1.407×LVEF（≥70%：是=1，否=0）；人群平均分=-0.449。同時，為方便臨床應用，構建1、3、5年TE事件風險概率預測的諾曼圖（圖1）。

圖1 HCM患者發生TE事件風險預測的諾曼圖Figure 1 Nomangram for risk prediction of thrombotic events in hypertrophic cardiomyopathy patients

2.3 SAAE score的驗證 使用SAAE score對整體人群進行內部驗證時，自助重抽樣提示校準能力較好（校準斜率=1.006）。Harrell's C-指數為0.773〔95%CI（0.688，0.858）〕，提示對于整體人群具有較好的TE事件區分能力。進一步評估SAAE score對不同隨訪時間點的TE事件區分能力，整體上Harrell's C-指數波動在0.700～0.800。其中，對于1、3、5年TE事件區分及校準能力：Harrell's C-指數分別0.790、0.799及0.735（圖2），提示SAAE score對這些時間點具有較好的TE事件區分能力，校準能力也較好（圖3）。

圖2 SAAE score對整體人群1、3、5年TE事件的區分能力Figure 2 Predictive power of SAAE score for 1-，3- and 5-year risk of thrombotic events in the whole study population

圖3 SAAE score對整體人群1、3、5年TE事件的校準能力Figure 3 Calibration plots for predicted versus observed 1-，3-，5-year risk of thrombotic events for whole study population

2.4 敏感性分析 上述內部驗證提示SAAE score對整體人群的TE事件具有較好的區分及校準能力；但針對不同人群可能存在潛在差異，因此，進一步評估了SAAE score在心房顫動及非心房顫動人群中的應用。

結果顯示SAAE score在心房顫動人群中也可較好地區分TE事件的發生，整體上Harrell's C-指數為0.669〔95%CI（0.548，0.791）〕，提示對于心房顫動人群具有一定價值的TE事件區分能力（校準斜率=1.117）。對于區分1、3、5年TE事件的發生，Harrell's C-指數分別為0.745、0.671及0.616（圖4）；對于模型的校準能力詳見圖5。

圖4 SAAE score對心房顫動人群1、3年及5年TE事件的區分能力Figure 4 Predictive power of SAAE score for 1-，3-，5-year risk of thrombotic events for hypertrophic cardiomyopathy patients with atrial fibrillation

圖5 SAAE score對心房顫動人群1、3、5年TE事件的校準能力Figure 5 Calibration plots for predicted versus observed 1-，3-，5-year risk of thrombotic events for hypertrophic cardiomyopathy patients with atrial fibrillation

對于非心房顫動人群，SAAE score區分TE事件的整體Harrell's C-指數為0.647〔95%CI（0.498，0.795）〕，提示有一定價值的區分能力（校準斜率=1.245）。對于區分1、3、5年TE事件的發生，Harrell's C-指數分別為0.661、0.697及0.634（圖6）；對于模型的校準能力詳見圖7。

圖6 SAAE score對非心房顫動人群1、3、5年TE事件的區分能力Figure 6 Predictive power of SAAE score for 1-，3- and 5-year risk of thrombotic events for hypertrophic cardiomyopathy patients without atrial fibrillation

圖7 SAAE score對非心房顫動人群1、3年及5年TE事件的校準能力Figure 7 Calibration plots for predicted versus observed 1-，3-，5-year risk of thrombotic events for hypertrophic cardiomyopathy patients without atrial fibrillation

2.5 風險分層的臨床應用 SAAE score作為連續性變量，當用作TE事件危險分層時，需要確定最佳分界值；另外，本研究的數據為包含時間因素的生存資料，對于此類數據的最佳分界值，采用X-tile軟件確定SAAE score預測整體人群、心房顫動人群和非心房顫動人群發生TE事件的低、中、高風險分值（表4）［25］。通過前述分界值對患者進行分組，根據分數的高低定義為高風險、中風險及低風險，結果提示SAAE score均可較好地區分人群TE事件的發生（圖8）。其中對于非心房顫動人群，低風險及中風險者發病率為0.8/百人年、0.9/百人年，高風險者發病率為3.7/百人年；對于心房顫動人群，低風險者發病率為3.5/百人年。

圖8 SAAE score對于不同人群危險分組的Kaplan-Meier曲線分析Figure 8 Kaplan-Meier analysis showing cumulative thrombotic events in hypertrophic cardiomyopathy patients with low，moderate or high thrombotic risk predicted by SAAE score

表4 SAAE score預測整體人群、心房顫動人群和非心房顫動人群發生TE事件的低、中、高風險分值（分）Table 4 Cutoff points of SAAE score for low，moderate and high risk of thrombotic events in different populations

2.6 與HCM Risk-CVA模型對比 本研究基線數據可計算HCM Risk-CVA模型，因此，在對SAAE score進行評估分析后，進一步將其與HCM Risk-CVA模型進行對比。對于整體人群，SAAE score對于TE的區分優于HCM Risk-CVA模型（P=0.013）；但針對不同時間點，SAAE score并不優于HCM Risk-CVA模型（P＞0.05，表5）。對于心房顫動及非心房顫動人群，SAAE score對于TE的區分并不優于HCM Risk-CVA模型（P＞0.05，表5）。進一步針對兩個評分模型進行臨床效用的對比，繪制臨床決策曲線，結果提示在不同預測時間點（1、3、5年），SAAE score的凈獲益均優于HCM Risk-CVA（圖9）。

圖9 SAAE score及HCM Risk-CVA在不同預測時間點的臨床決策曲線Figure 9 Decision curve analysis of SAAE score and HCM Risk-CVA score for predicting the risk of thrombotic events in hypertrophic cardiomyopathy at different time points

表5 SAAE score與HCM Risk-CVA模型區分TE事件的對比Table 5 Comparisons between SAAE score and HCM Risk-CVA score for predicting the risk of thrombotic events in hypertrophic cardiomyopathy

3 討論

本研究構建了關于中國HCM患者的TE事件風險預測模型，即SAAE score，結果提示該模型對于HCM整體人群、心房顫動及非心房顫動人群，均具有較好的TE事件區分及校準能力；根據不同的分界點，可有效地對患者進行TE事件風險分層。此外，SAAE score對于TE事件的區分能力傾向優于HCM Risk-CVA模型。

對于不同的研究人群，因存在不同的臨床背景等，風險預測因素對預后的影響存在較大差異［5，23，26-36］，有的可能對預后存在較強影響，有的可能對預后影響較弱，甚至沒有影響。例如，在HCM Risk-CVA模型構建過程中［9］，多因素Cox回歸分析提示心房顫動對TE事件影響的HR為8.41、對既往TE事件影響的HR為3.63，而在本研究中心房顫動對TE事件影響的HR為4.21，對既往TE事件影響的HR為3.16；這提示心房顫動對于不同HCM人群TE事件發生的影響具有較大差異，而既往TE事件對于不同人群未來發生TE事件的影響具有相對一致性。另外，HCM Risk-CVA模型構建的研究中發現LA內徑對TE事件具有獨立預測作用［9］，而HARUKI等［6］的研究也提示LA內徑是無心房顫動病史的HCM患者TE事件的重要危險因素；但本研究調整混雜因素后未見相關發現，既往MARON等［5］研究在調整相關混雜因素后也未發現LA內徑與TE事件存在相關性。這提示針對不同的人群，各種預測因素對于預后的影響存在較大差異，在不同模型中所占的權重不同，這可能是由于不同人群的臨床背景有所差異，因此需要針對不同的人群以及需要達到的臨床目的構建不同的風險預測模型［37-38］。值得注意的是，數據提示服用華法林增加TE事件風險，可能的解釋是心房顫動患者多服用華法林預測TE事件，但華法林的預防效果需基于長期服用且國際標準化比值（INR）控制在目標范圍，而這部分患者可能基線短期服用而未長期服用或INR不達標，因此服用華法林實際上從另一角度反映了心房顫動的TE風險。

通常情況下，構建風險預測模型需結合既往研究結果進行預測指標的篩選，也同時需要結合自身研究人群的數據進行綜合分析，最終構建針對研究目的的模型，但在構建模型的過程中，可能受到多方面因素的影響，特別是患者隨訪時間跨度較長，這期間存在診療技術及患者隨訪過程中服用相關藥物等情況的變化，因此必要時需要對不同人群構建針對不同目的的模型，甚至需要在隨訪過程中針對原本有效的模型進行再次調整［16，23，26，37，39-41］。本研究在進行文獻復習后，篩選了可利用的臨床指標，通過分析最終構建了SAAE score模型，該模型對于未來發生TE事件具有較好的區分及校準能力；結合臨床實踐，有以下臨床意義：（1）本研究構建的模型較為簡單實用，指標包括既往TE事件、心房顫動、年齡及左心室射血分數，這些指標在臨床中非常容易收集，可以較好地在臨床中應用；（2）該模型可較好地區分不同人群發生TE事件的風險，包括整體人群、非心房顫動及心房顫動人群；（3）對于非心房顫動人群，當評分＜11.25分時（低危及中危組），TE事件的年發病率低于1.0%，針對這部分患者或許可以根據臨床實際情況進行規律隨訪，在一定程度上可以避免可能有害且幾乎不具有成本效益的抗栓治療；（4）在非心房顫動人群中，高于11.42分（高危組）的患者TE事件年發病率約為3.5%，表明這部分患者可能需要積極服用處方抗栓藥物，從而在一定程度上減少TE事件的發生；（5）對于心房顫動人群，無論在低危、中危及高危組中，TE事件的發生率均較高，這進一步支持了目前指南中對于該部分患者進行積極抗凝治療的推薦。雖然本研究的SAAE score在構建模型的人群中通過內部驗證提示具有較高的價值，但是否在其他HCM人群中也具有較高的價值，需要進一步的研究。

本研究也存在某些局限性。由于本研究資料來源于回顧性隊列且數據來源于三級醫院，因此可能存在一定程度的偏倚，本研究僅進行了內部驗證，對于模型的外延性需要在未來的研究中進一步探討。另一方面，由于本研究中部分患者服用了華法林、阿司匹林及氯吡格雷等抗栓藥物，可能影響了模型的構建，且該部分患者多為TE事件的高危患者，若排除相關患者，則TE事件會明顯減少，從而導致統計學效能明顯下降；在構建模型中，經回歸分析篩選提示前述抗栓藥物的使用對模型構建不產生影響，因此不排除服用抗栓藥物的患者，這在真實世界研究中可能會存在，但仍需在后續研究中進一步擴大樣本探討未服用抗栓藥物人群的TE事件風險評估。此外，HCM合并心房顫動的患者未來發生TE事件的風險較高，建議服用抗凝藥物，因此，單純構建關于非心房顫動人群的模型更有價值；SAAE score用于心房顫動人群時，也可區分TE事件的發生，從而識別心房顫動人群中的TE事件超高風險患者，進一步加強患者及醫務人員的關注，具有一定的臨床意義。在未排除心房顫動患者的情況下構建的SAAE score應用于非心房顫動人群時也能有效識別TE事件的高危患者，也提示了該模型在非心房顫動人群中的價值。

綜上所述，本研究構建了中國HCM患者的TE事件風險預測模型，即SAAE score，該模型在整體人群、心房顫動及非心房顫動人群中均具有較高的TE事件區分及校準能力；該模型可較好地對不同HCM人群進行TE事件的風險分層。

作者貢獻：阮海燕負責數據清洗、統計學分析、繪制圖表及論文起草等；李麗英負責數據收集、采集、清洗、檢索文獻等，參與研究過程的實施；張木馨負責數據收集、采集、清洗等，對研究指標及論文數據進行核查；鄭翼提出研究思路，設計研究方案，提出研究命題等；何森提出研究思路，設計研究方案，提出研究命題，設計主要研究指標等，參與并負責研究所有過程，負責論文最終版本修訂，對論文負責。

本文無利益沖突。