TM、TAT、PIC、t-PAIC對冠心病的診斷價值及支持向量機鑒別診斷模型的建立

高 敏，李宏賓，劉啟龍，馬 寧，訾盼盼，石慧娟，杜玉明

冠狀動脈由于發生粥樣硬化病變而引起血管腔狹窄甚至阻塞，進而導致心肌缺血、缺氧以及器質性病變，即為冠狀動脈粥樣硬化性心臟病，簡稱冠心病(coronary heart disease，CHD)。近年來，冠心病在我國發病率逐年升高，患病群體呈年輕化趨勢，對病人的生活質量和生命安全造成嚴重影響[1]。有研究表明，高凝血狀態及血栓形成是冠心病的重要危險因素[2]。凝血酶-抗凝血酶復合物(thrombin-antithrombin complex，TAT)、纖溶酶-α2纖溶酶抑制物復合物(plasmin-α2plasmin inhibitor complex，PIC)、組織型纖溶酶原激活物/抑制劑-1復合物(tissue plasminogen activator/inhibitor-1 complex，t-PAIC)、血栓調節蛋白(thrombomodulin，TM)能綜合反映凝血-纖溶系統情況以及血管內皮損傷程度[3]。目前，已有研究報道，TAT、PIC、t-PAIC及TM這4種血栓前標志物對彌散性血管內凝血、惡性腫瘤血栓以及急性心肌梗死有一定的預測價值[4-6]。然而對冠心病的診斷報道較少，因此，本研究通過檢測冠心病病人TAT、PIC、t-PAIC及TM，并建立支持向量機(support vector machine，SVM)模型，旨在為冠心病的診斷提供新的參考依據。

1 資料與方法

1.1 研究對象 選取2018年5月—2020年12月于我院接受診治的218例冠心病病人作為研究組。納入標準：符合《穩定性冠心病診斷與治療指南》[7]中的診斷標準，經冠狀動脈造影確診為冠心病；首次發病，且發病24 h內入院；年齡>18歲；臨床病歷資料完整；病人及家屬知情同意并自愿簽署知情同意書。排除標準：合并心肌病、心臟瓣膜病以及先天性心臟病等其他心臟疾病；合并惡性腫瘤、感染性疾病、內分泌疾病以及其他重要臟器或系統疾病；合并其他血栓性疾病；近期有創傷史或手術史；精神疾病、認知功能障礙者；妊娠期或哺乳期婦女。另外，選取同期于我院進行健康體檢的志愿者46名作為對照組。本研究已獲得我院醫學倫理委員會審核批準。

1.2 方法

1.2.1 基礎資料收集 記錄病人的基礎資料，包括性別、年齡、體質指數(body mass index，BMI)、吸煙指數[吸煙支數×吸煙時間(年)]、家族史、高血壓史、糖尿病史。

1.2.2 冠狀動脈造影 所有病人首先選擇橈動脈穿刺入路，其次為股動脈，采用標準Judikins 法常規進行冠狀動脈造影，由2名不參與本研究但經驗豐富的心內科醫師判讀結果。取病變最嚴重處的血管內徑與距該病變最近的近端未病變血管節段內徑的比例表示狹窄程度，至少1 支冠狀動脈主要分支血管內徑的狹窄程度≥50%，即可診斷為冠心病。

1.2.3 冠狀動脈狹窄程度評估 冠狀動脈狹窄程度采用Gensini 評分評價，將不同狹窄部位與不同的權重系數相乘，狹窄部位：第2對角支×0.5，第1 對角支、后降支、回旋支遠段、左前降支遠段、左室后降支、后側支、右冠狀動脈全段均×1，左前降支中段×1.5，回旋支近段、左前降支近段×2.5，左主干×5；狹窄程度：完全閉塞計32 分，狹窄91%～99%計16 分，狹窄76%～90%計8 分，狹窄51%～75%計4 分，狹窄25%～50%計2 分，狹窄程度<25 %計1 分；所有分支狹窄部位和狹窄程度所得分數之和即為Gensini評分。

1.2.4 實驗室指標檢測 采集研究組和對照組空腹靜脈血2.7 mL置于0.109 mol/L枸櫞酸鈉抗凝管中，充分混勻，1 500×g離心10 min，分離血漿，采用HISCL-5000 全自動化學發光儀及原裝配套試劑(日本Sysmex 公司)，嚴格按照說明書，以化學發光酶免疫法檢測TAT、PIC、t-PAIC及TM。采用7600-120全自動生化分析儀(日本日立)及配套試劑，采用甘油磷酸氧化酶法測定三酰甘油(triglyceride，TG)，采用膽固醇氧化酶法測定總膽固醇(total cholesterol，TC)，采用直接法測定低密度脂蛋白膽固醇(low density lipoprotein cholesterol，LDL-C)和高密度脂蛋白膽固醇(high density lipoprotein cholesterol，HDL-C)。

2 結 果

2.1 研究組與對照組臨床資料比較 研究組與對照組病人性別、年齡、BMI、家族史、高血壓史、糖尿病史比較差異均無統計學意義(P>0.05)。與對照組相比，研究組吸煙指數、TG、TC、LDL-C、TAT、PIC、t-PAIC、TM均升高，HDL-C降低，差異均有統計學意義(P<0.05)。詳見表1。

表1 研究組與對照組臨床資料比較

2.2 不同冠狀動脈狹窄程度病人臨床資料比較 218例病人Gensini 評分在4.5～67.0分，按照3分位法將≤24分作為輕度狹窄組，24.1～46.0分作為中度狹窄組，≥46.1分作為重度狹窄組。3組病人性別、年齡、BMI、吸煙指數、家族史、高血壓史、糖尿病史、TG以及LDL-C比較差異均無統計學意義(P>0.05)。中度狹窄組、重度狹窄組TC、TAT、PIC、t-PAIC、TM及Gensini 評分高于輕度狹窄組，HDL-C低于輕度狹窄組，重度狹窄組TC、TAT、PIC、t-PAIC、TM及Gensini 評分高于中度狹窄組，HDL-C低于中度狹窄組，差異均有統計學意義(P<0.05)。詳見表2。

表2 不同冠狀動脈狹窄程度病人臨床資料比較

2.3 TAT、PIC、t-PAIC、TM與Gensini評分的相關性 冠心病病人TAT、PIC、t-PAIC、TM與Gensini 評分均呈正相關(r值分別為0.777，0.537，0.833，0.789，P均<0.01)。詳見圖1～圖4。

圖1 TAT與Gensini評分的相關性

圖2 PIC與Gensini評分的相關性

圖3 t-PAIC與Gensini評分的相關性

圖4 TM與Gensini評分的相關性

2.4 TAT、PIC、t-PAIC、TM對冠心病的診斷效能 TAT診斷冠心病的AUC為0.781[95%CI(0.697，0.864)]，取最佳截斷值3.00 ng/mL時，敏感度為84.86%，特異性為65.22%。PIC診斷冠心病的AUC為0.765[95%CI(0.675，0.855)]，取最佳截斷值0.99 μg/mL時，敏感度為82.57%，特異性為71.74%。t-PAIC診斷冠心病的AUC為0.769[95%CI(0.677，0.861)]，取最佳截斷值為9.35 ng/mL時，敏感度為84.40%，特異性為71.74%。TM診斷冠心病的AUC為0.778[95%CI(0.692，0.864)]，取最佳截斷值8.83 U/mL時，敏感度為79.82%，特異性為67.39%。詳見圖5。

圖5 TAT、PIC、t-PAIC、TM對冠心病的診斷效能

2.5 二元Logistic回歸模型分析冠心病的危險因素 將研究對象是否發生冠心病(是=1，否=0)作為因變量。將研究組和對照組差異有統計學意義的因素作為自變量，吸煙指數、TG、TC、HDL-C、LDL-C、TAT、PIC、t-PAIC、TM均為連續數值型變量，取其實測值，納入二元Logistic回歸模型，結果顯示，吸煙指數、LDL-C、TC、TAT、PIC、t-PAIC、TM是冠心病發病的危險因素(P<0.05)。詳見表3。

表3 二元Logistic回歸模型分析冠心病的危險因素

2.6 SVM模型建立及預測效果評價 懲罰系數C=0.859，核函數參數σ=16時，SVM模型對冠心病的辨識率最高。Logistic回歸模型AUC為0.891，SVM模型AUC為0.902，差異無統計學意義(P>0.05)。Logistic回歸模型準確度90.15%，SVM模型準確度92.05%，差異無統計學意義(P>0.05)。詳見表4、圖6。

表4 Logistic回歸模型和SVM模型的預測效果

圖6 Logistic回歸模型和SVM模型診斷冠心病的ROC曲線

3 討 論

冠心病的發生機制與血栓形成關系密切，而血栓形成過程極為復雜，凝血和纖溶系統失衡以及血管內皮損傷均發揮重要作用[8]。目前，涵蓋凝血、纖溶系統的凝血酶原時間、凝血酶時間、活化部分凝血活酶時間、凝血因子、抗凝血酶、D-二聚體、纖維蛋白原、纖維蛋白降解產物等是實驗室常規的凝血檢測項目，然而這些指標都是血栓形成后的晚期被動檢測項目，對血栓前狀態監測的敏感性不高，因此，血栓前標志物TAT、PIC、t-PAIC及TM逐漸被推廣使用。

解承娟等[9]研究發現，腦血栓病人TAT、PIC、t-PAIC、TM水平明顯高于正常人群，且對腦血栓具有不同程度的診斷價值。周坤等[10]研究發現，惡性腫瘤病人中血栓組TAT、PIC、t-PAIC、TM明顯高于無血栓組，這些指標與惡性腫瘤病人靜脈血栓的形成有關，且具有一定的早期預測價值。本研究發現，冠心病病人中TAT、PIC、t-PAIC、TM水平升高，4種血栓前標志物對冠心病有一定的預測價值，與上述報道具有一致性。而劉艷紅等[11]研究發現，冠心病組血漿TM、t-PAIC水平比健康對照組明顯升高，兩組TAT、PIC水平比較差異均無統計學意義，但4種指標預測冠心病的準確率卻較高，這與本研究結果不完全一致，可能跟樣本量、檢測方法存在差異有關。體內凝血酶原被激活成凝血酶后，TAT與抗凝血酶迅速以共價鍵結合，生成無活性的不可逆復合物，進而使凝血酶失活，因此，TAT作為凝血途徑潛在活化的敏感指標，能直接反映機體凝血酶的活化。α2纖溶酶抑制物由肝臟產生且是纖溶酶最重要的抑制因子，其與血液中的纖溶酶以等比例迅速結合形成PIC，進而對纖溶酶的纖溶作用進行抑制，因此PIC成為反映纖溶系統最終階段的纖溶酶指標。組織型纖溶酶原激活劑由血管內皮細胞產生并釋放到血液中，當其以等比例迅速與生理性抑制因子纖溶酶原激活物抑制劑-1結合后可形成t-PAIC，其水平異常升高會導致纖溶系統失調進而使血栓形成，t-PAIC既是纖溶系統也是血管內皮細胞損傷的分子標志物。作為一種跨膜糖蛋白，TM主要于血管內皮細胞表達，通過與凝血酶結合進而使凝血酶活化纖溶抑制劑、蛋白C被激活，進而對凝血和纖維蛋白溶解發揮抑制作用。研究表明，TM在正常狀態下水平極低，而在內皮細胞損傷或病變時則會異常分泌并釋放入血，因此常被用作血管內皮細胞損傷的標志物[12]。

另外，本研究根據Gensini 評分結果將病人分為不同冠狀動脈狹窄組，結果證實，冠心病病人TAT、PIC、t-PAIC、TM水平隨著冠狀動脈狹窄程度加重而升高，且與Gensini 評分呈正相關，該結果與劉文武等[13]報道相符。分析原因，各種因素導致冠心病病人血管內皮細胞受損，凝血和纖維蛋白溶解系統被異常激活，進而使這4種指標生成增加，而形成的復合物及纖維蛋白異常沉積可進一步促進冠狀動脈病變的發生發展。

盡管臨床上將生物標志物單獨或聯合使用對疾病的診斷具有一定的價值，但建立聯合多種生物標志物的篩查診斷模型能進一步提高診斷的準確性。Logistic回歸模型是最常用的一種機器學習算法，但需滿足變量符合正態分布、變量之間不存在交互作用、相互獨立等諸多條件，因而其應用受到一定程度的限制。SVM數學模型是基于結構風險最小化原理和統計學習理論的VC維理論，保證結果找到的極值解是全局最優，實現對樣本的泛化能力，在小樣本、高維度數據以及非線性問題的處理中更具優勢。Bao等[14]聯合10 項血清指標建立的SVM 模型預測肺癌的準確率達90.3%，AUC達0.901，明顯高于Fisher線性判別模型。李廣涵等[15]通過基于彈性成像、彩色多普勒超聲及常規超聲參數建立多模態超聲模型發現，SVM 和Logistic模型對腎臟疾病的診斷效能相似。本研究建立的Logistic回歸模型和SVM模型對冠心病的預測效果無明顯差異，可能由于本研究僅涉及數據層面，而無文字描述、醫療圖像等信息。

綜上所述，TAT、PIC、t-PAIC、TM對冠心病具有一定的診斷價值，基于4種指標建立的Logistic回歸模型和SVM模型對冠心病的預測效果更好。本研究存在的局限性：納入對象為確診的冠心病病人和健康體檢者，存在樣本隨機性不足和選擇性偏倚；未將本研究涉及的所有項目納入模型進行分析，可能造成研究結果的偏倚；模型的穩定性仍需在多中心、大樣本中進行驗證。今后將通過改善以上條件進而建立更加完善的冠心病篩查模型。