基于中醫體質的老年人動脈粥樣硬化性心血管疾病預測模型的開發研究

【摘要】 背景 動脈粥樣硬化性心血管疾?。ˋSCVD）最有效的預防策略是實施基層管理，其核心措施是進行風險評估，現有老年人ASCVD預測模型不能很好地指導中醫基層管理，因此，需將中醫元素融入預測模型的開發，以指導ASCVD中西醫結合基層管理。目的 構建并驗證基于中醫體質的老年人ASCVD預測模型。方法 納入2017年在華苑街社區衛生服務中心、陳塘莊街社區衛生服務中心、向陽路街社區衛生服務中心、大邱莊鎮中心衛生院進行健康查體的1 418名老年人（≥65歲）為研究對象，收集研究對象一般資料，對研究對象進行體質辨識。于2017—2022年隨訪研究對象ASCVD發病情況（臨床結局），隨訪截止于2022-11-30。將研究對象數據按照8∶2隨機拆分為訓練集和驗證集，在訓練集中，采用向前逐步法構建老年人ASCVD常規預測模型（模型1）和老年人ASCVD常規+體質預測模型（模型2）。繪制基于中醫體質的老年人ASCVD預測模型列線圖。繪制校準曲線及進行Hosmer-Lemeshow擬合優度檢驗判定模型的校準度。繪制受試者工作特征（ROC）曲線并計算ROC曲線下面積（AUC）判定模型的區分度。使用AUC、凈重分類改善度（NRI）、綜合判別指數（IDI）、臨床決策曲線（DCA）對模型2與模型1進行比較，評估改善效能。結果 訓練集（n=1 127）與驗證集（n=291）研究對象一般資料比較，差異無統計學意義（Pgt;0.05）。多因素Logistic分析結果顯示，模型１包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史，共計7種預測變量；模型2包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史、體質類型，共計8種預測變量。Hosmer-Lemeshow擬合優度檢驗結果示模型2擬合度良好，Delong檢驗結果顯示，模型2的AUC高于模型1（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359～0.663，Plt;0.001），IDI=0.038（95%CI=0.024～0.051，Plt;0.001），提示添加體質預測變量可提高模型預測的準確度。臨床效用對比結果示，在5%～74%閾值概率下，使用模型2預測嚴重老年人ASCVD事件的凈收益率優于模型1。結論 本研究構建了一個包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史、體質類型８個預測變量的老年人ASCVD預測模型，經檢驗，區分度、校準度表現良好，較傳統常規預測模型表現更為優秀，可以應用于老年人ASCVD個體化風險評估，指導ASCVD中西醫結合基層管理。

【關鍵詞】 冠心病；動脈粥樣硬化；中醫體質類型；老年人；風險預測模型

【中圖分類號】 R 543.5 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0406

Research on the Development of Atherosclerotic Cardiovascular Disease Prediction Model for the Elderly Based on TCM Constitution

GAO Ying1，2，XU Xinyi1，2，LIU Yang1，2，YANG Xiaokun1，2*

1.First Teaching Hospital of Tianjin University of Traditional Chinese Medicine，Tianjin 300381，China

2.National Clinical Medicine Research Center of Chinese Medicine Acupuncture and Moxibustion，Tianjin 300381，China

*Corresponding author：YANG Xiaokun，Chief physician/Doctoral supervisor；E-mail：yxk.666@163.com

【Abstract】 Background The most effective prevention strategy for atherosclerotic cardiovascular disease （ASCVD） is primary management，with the core measure of risk assessment. The existing prediction models for ASCVD for the elderly are not able to guide TCM primary management well. Therefore，it is necessary to integrate TCM elements into the development of prediction models to guide the primary management of ASCVD with combined traditional Chinese and western medicine. Objective To construct and validate the ASCVD prediction model for the elderly based on TCM constitution. Methods A total of 1 418 elderly people who underwent physical examination at Huayuan Street Community Health Service Center，Chentangzhuang Street Community Health Service Center，Xiangyang Road Street Community Health Service Center and Daqiuzhuang Town Central Health Center in 2017 were included as the study subjects. General data of the study subjects were collected and constitution identification was performed. The incidence of ASCVD（clinical outcome）was followed up from 2017 to 2022. The follow-up will end at 2022-11-30 . The data of the subjects were randomly divided into a training set（n=1 127）and validation set（n=291）according to 8∶2. In the training set，the conventional ASCVD prediction model for the elderly（model 1）and the conventional ASCVD+constitution prediction model for the elderly（model 2）were constructed by using the forward stepwise method. The nomogram of ASCVD prediction model for the elderly based on TCM constitution was plotted. The calibration curve was plotted and the Hosmer-Lemeshow goodness of fit test was performed to determine the calibration of the model. The receiver operating characteristic curve was plotted and the area under the curve （AUC） was calculated to determine the discrimination of the model. AUC，Net Reclassification Index（NRI），Integrated Discrimination Improvement（IDI），and Decision Curve Analysis（DCA）were used to compare model 2 with model 1 to evaluate the improvement efficacy of model 2. Results There was no significant difference in the general data between the training set and validation set（Pgt;0.05）. The results of multivariate analysis showed that model 1 included 7 predictors of gender，age，waist circumference，systolic blood pressure，triacylglycerol（TG），BMI，systolic blood pressure×hypertension medication history. model 2 included 8 predictors of gender，age，waist circumference，systolic blood pressure，TG，BMI，systolic blood pressure×hypertension medication history，and constitution type. Hosmer-Lemeshow goodness-of-fit test showed good fit of model 2；Delong test results showed that AUC of model 2 was higher than that of model 1（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359-0.663，Plt;0.001），IDI=0.038（95%CI=0.024-0.051，Plt;0.001），suggesting that the addition of constitution predictors could improve the accuracy of model prediction. The clinical utility comparison results showed that the net benefit of model 2 to predict severe ASCVD events in the elderly was better than model 1 at a threshold probability of 5% to 74%. Conclusion In this study，a ASCVD prediction model for the elderly was constructed including 8 predictor variables of gender，age，waist circumference，systolic blood pressure，TG，BMI，systolic blood pressure×hypertension medication history，and constitution type. After testing，the differentiation and calibration performed well，which was better than the conventional prediction model，and can be applied to the individualized risk assessment of ASCVD in the elderly and guide the primary management of ASCVD with combined traditional Chinese and western medicine.

【Key words】 Coronary disease；Atherosclerosis；Constitutional type（TCM）；Aged；Risk prediction model

動脈粥樣硬化性心血管疾?。╝therosclerotic cardiovascular disease，ASCVD）是我國居民健康的首要威脅［1-2］。目前，ASCVD最有效的預防策略是實施基層管理，其核心措施是進行風險評估，依據評估結果進行危險分層并實施個體化防治方案［3］。臨床預測模型（clinical prediction model，CPM）是進行綜合風險評估與個性化健康管理的重要工具，其可以通過綜合分析多因素變量（如患者一般情況、檢驗指標、治療措施等）的共同作用，準確地預測目標人群的發病風險［4］。在幫助實現高危人群篩查的同時，對影響疾病發生和預后結局的危險因素及其相應的作用強度進行分析，可以為醫療保健人員及患者的決策提供更客觀、直觀的信息［5］，將性能良好的CPM應用臨床實踐可提升疾病防治水平和成本效益。

中醫體質具有整體性、客觀性、差異性、可調性等特點，為疾病防治提供了新的視角與證據，目前已有諸多研究表明中醫體質與ASCVD的發病密切相關［6-8］，提示可從體質角度篩選ASCVD高危人群，助力精準預判疾病的發生、轉變和預后規律。同時體質是可調的，其具有相對穩定性與動態可變性相結合的事物屬性，每一個體在生命過程中，會受到內外環境中諸多因素的影響，體質會隨之發生變化［9］。研究表明，在ASCVD管理中，實施體質綜合干預對改善危險因素水平，降低事件發生率具有顯著療效［10-11］。融入中醫體質的CPM，可針對性地提供個體化體質綜合干預指導，有助于規范基層中醫健康管理，進而提升ASCVD基層管理水平。但目前仍缺乏包含中醫體質元素的老年人ASCVD預測模型?；诖耍狙芯繑M基于《基層心血管病綜合管理實踐指南2020》［12］推薦的ASCVD評估工具China-PAR模型［13］，結合基層臨床實踐，融入中醫體質元素，開發富有中醫特色的老年人ASCVD預測模型，以期為ASCVD基層管理提供優良的風險評估工具，促進ASCVD中西醫基層管理水平的提升。

1 對象與方法

1.1 研究對象

本研究為回顧性隊列研究，研究對象來源于2017年在華苑街社區衛生服務中心、陳塘莊街社區衛生服務中心、向陽路街社區衛生服務中心、大邱莊鎮中心衛生院進行健康查體的老年人，排除體質辨識數據缺失者后，采用簡單隨機抽樣方法于各基層醫療機構分別抽取30%作為本研究的研究對象。納入標準：（1）年齡≥65歲；（2）天津市常住居民（居住時間≥10年），并愿意接受隨訪調查者。排除標準：（1）簽約時患有ASCVD；（2）主要研究指標數據嚴重缺失。最終納入研究對象1 418名，納入流程見圖1。

1.2 基線數據收集

1.2.1 收集研究對象一般資料，包括年齡、性別、腰圍、BMI、收縮壓、高血壓藥物使用情況、糖尿病史、吸煙史（吸煙≥1支/d，且持續時間≥6個月）、ASCVD家族史；收集研究對象實驗室檢查結果，包括血清總膽固醇（TC）、三酰甘油（TG）。

1.2.2 采用天津市社區衛生服務系統中的“中醫體質辨識問卷”對研究對象進行體質辨識，該問卷參考國家中醫藥管理局發布的《老年版中醫體質分類與判定》標準，將體質分為平和質、氣虛質、陽虛質、陰虛質、痰濕質、濕熱質、血瘀質、氣郁質、特稟質9種類型，若判定過程中出現兼夾體質，本研究采用得分最高的體質類型作為其體質類型進行分析。

1.3 隨訪數據采集

采用電話隨訪與社區衛生服務系統查詢相結合的方式。每年天津市家庭醫生團隊會對簽約居民進行1次全面的身體健康狀況評估，并將其健康狀況于居民電子健康檔案中更新。本課題研究人員于2022年2—11月進行電話隨訪，隨訪內容主要為研究對象ASCVD發病情況（臨床結局），并將受訪者自我報告情況與居民電子健康檔案進行交叉核對。隨訪調查后，由調查員將核查通過的信息錄入至本研究的數據庫中，隨訪截止于2022-11-30。本研究臨床結局的診斷標準參照China-PAR研究，ASCVD事件定義為非致死性急性心肌梗死、冠心病死亡以及致死和非致死性腦卒中［13］。非致死性急性心肌梗死：心肌壞死生化標志物的變化，伴有缺血性癥狀、病理性Q波、ST段抬高或壓低或冠狀動脈介入治療。冠心病死亡：包括由心肌梗死或其他冠狀動脈疾病引起的所有致命事件。非致死性或致死性腦卒中：缺血性腦卒中、出血性腦卒中（包括蛛網膜下腔出血）和不能分類的腦卒中，但不包括小卒中和其他原因引起的腦血管病。如隨訪中某一個體兼患心肌梗死或冠心病死亡或腦卒中則僅記為1例ASCVD事件。

1.4 候選預測變量

本研究擬基于China-PAR模型［13］中的預測變量，結合臨床實踐選取常規預測變量，并根據增加中醫體質類型作為新的候選預測變量。常規預測變量：年齡、性別、腰圍、BMI、收縮壓、高血壓藥物用藥史、糖尿病史、吸煙史、ASCVD家族史、TC、TG，共計11個；體質類型計為1個預測變量，包含平和質、氣虛質、陽虛質、陰虛質、痰濕質、濕熱質、血瘀質、氣郁質、特稟質。

1.5 樣本量計算

目前，每個變量所對應的事件發生數（EPV）≥10已經被廣泛采用為最小化過度擬合的參考標準，即訓練集中陽性結局事件的數量應為候選預測變量個數的10倍以上［14］。本研究候選預測變量共計12個，經小樣本預調查得知天津地區老年人ASCVD發生率約為16.00%，考慮10%～20%的樣本流失，根據樣本量計算公式：N=a×10×（1+0.1）/b，a為自變量數目，b為疾病發生率，訓練集所需最少樣本量為900例。本研究訓練集最終納入符合標準的研究對象1 127例，驗證集納入研究對象291例。

1.6 統計學方法

采用SPSS 26.0統計學軟件進行異常值和缺失值的處理，進行數據集拆分（按照8∶2隨機拆分為訓練集和驗證集），分類變量以相對數表示，采用χ2檢驗進行比較。在訓練集中，采用單因素Logistic回歸分析進行預測變量的初篩，將單因素分析中Plt;0.1的變量納入多因素分析，采用向前逐步法，以Plt;0.05為標準分別構建老年人ASCVD常規預測模型（模型1）和老年人ASCVD常規+體質預測模型（模型2）。使用R語言的rms包繪制基于中醫體質的老年人ASCVD預測模型列線圖。繪制校準曲線及進行Hosmer-Lemeshow擬合優度檢驗判定模型的校準度。繪制受試者工作特征（ROC）曲線并計算ROC曲線下面積（AUC）判定模型的區分度。使用AUC、凈重分類改善度（NRI）、綜合判別指數（IDI）、臨床決策曲線（DCA）對模型2與模型1進行比較，評估改善效能。以Plt;0.05為差異有統計學意義。其中AUC的差異使用MedCalc（V20.0.22.0）進行分析處理，NRI、IDI使用R（V4.2.2）進行分析處理。

2 結果

2.1 研究對象一般資料

共有1 418名研究對象納入研究，其中女777例（54.80%），男641例（45.20%）。訓練集與驗證集研究對象性別、年齡、吸煙史、ASCVD家族史、糖尿病史、收縮壓、高血壓用藥史、腰圍、BMI、TC、TG、體質類型、ASCVD事件情況比較，差異無統計學意義（Pgt;0.05），見表1。

2.2 單因素及多因素Logistic回歸分析篩選預測變量

以是否發生ASCVD事件（賦值：是=1，否=0）為因變量，以研究對象性別、年齡、吸煙史、ASCVD家族史、糖尿病史、收縮壓、高血壓用藥史、腰圍、BMI、TC、TG、體質類型為自變量進行單因素Logistic回歸分析，結果顯示性別、年齡、ASCVD家族史、腰圍、收縮壓、TC、TG、BMI、體質類型以及交互項收縮壓×高血壓用藥史可進一步納入多因素Logistic回歸模型分析（Plt;0.1），見表2。

將上述預測變量納入多因素分析，結果顯示模型１包含性別、年齡、腰圍、收縮壓、TC、BMI、收縮壓×高血壓用藥史；模型2包含性別、年齡、腰圍、收縮壓、TC、BMI、收縮壓×高血壓用藥史、體質類型，見表3。

2.3 基于中醫體質的老年人ASCVD預測模型的列線圖繪制及評估

將多因素Logistic回歸分析結果篩選出的變量納入列線圖預測模型，以是否發生ASCVD事件為結局變量，繪制列線圖（圖2）。Hosmer-Lemeshow擬合優度檢驗結果示模型2擬合度良好［訓練集（χ2=7.602，df=8，P=0.473）、驗證集（χ2=3.756，df=8，P=0.878）］，模型2列線圖預測發生ASCVD事件的校準曲線見圖3。繪制模型2預測老年人發生ASCVD事件的ROC曲線評估模型2的區分度，訓練集的AUC為0.818（95%CI=0.787～0.848）；驗證集的AUC為0.794（95%CI=0.761～0.826），提示模型2的區分能力良好，見圖4。

2.4 基于中醫體質的老年人ASCVD預測模型與傳統模型的比較

似然比檢驗結果示，模型2的Nagelkerke R2gt;模型1（0.342與0.277），提示加入體質預測變量后，可以提升模型的擬合效果；Delong檢驗結果顯示，模型2的AUC高于模型1，差異有統計學意義（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359～0.663，Plt;0.001），IDI=0.038（95%CI=0.024～0.051，Plt;0.001），提示添加體質預測變量可提高模型預測的準確度，見表4、圖4。繪制臨床決策曲線，進一步針對兩個模型進行臨床效用的對比，結果提示在5%～74%閾值概率下，使用模型2預測嚴重老年人ASCVD事件的凈收益率優于模型1，見圖5。

3 討論

目前，ASCVD最有效的預防策略是實施基層管理，CPM是進行綜合風險評估與個性化健康管理的重要工具，中醫體質是ASCVD可調控的危險因素，是構建CPM的良好預測變量。本研究將中醫體質元素融入CPM的構建，開發了適用于老年人的ASCVD中西醫結合預測模型，經區分度、校準度評價該模型可實現老年人ASCVD發病的個體化精準預測，模型性能較常規預測模型更佳，可用于指導ASCVD中西醫結合基層管理。

CPM主要包括診斷預測模型（估算某人現在患有某病的概率）和預后預測模型（估算某人以后會患有某病或者發生某種結局的概率）。CPM的構建包含確定數據來源、選擇預測變量、制訂建模策略、評價模型性能等環節［5］。居民電子健康檔案中記載的研究對象特征、預測因子和臨床結局有更加廣泛的數據分布，貼合臨床實踐［15］，依托其建立CPM傾向于具有更好的外推性［16］。我國電子健康檔案已建設推廣近20年，且在隨訪中不斷更新，有著較長的隨訪時間和充足的樣本量，可為預測模型的開發提供較理想的優質數據。本研究所構建的CPM欲應用于老年人ASCVD基層管理，故選取貼合臨床實踐的天津市社區衛生服務系統中的居民電子健康檔案作為研究的數據來源。

預測變量即風險預測指標，是CPM的基礎組成部分，需要具有實用性、臨床相關性和適度準確性［17］，合適的預測變量是構建良好性能CPM的必要條件［4］。在進行預測變量選定時，首先需要全面檢索相關文獻以獲取疾病相關因素，目前相關研究通常選用疾病的危險因素作為預測變量［18］；然后充分考慮其臨床實踐的可實施性、可獲取性、檢測成本，確保其測量簡便經濟穩定可靠［19］；隨后進行統計學檢驗，結合其臨床意義，經相關專家充分討論后確定需納入的預測變量。我國ASCVD風險預測的研究自20世紀80年代逐步開始［20］，現已開發出多種ASCVD評估工具，其中影響力較廣泛CPM是基于我國大規模前瞻性隊列的China-PAR模型［13］，該模型可用于我國國人10年和終生ASCVD發病風險預測，已被納入《基層心血管病綜合管理實踐指南2020》［12］。然而，該模型僅包含了西醫常規預測變量，不能很好地指導中醫健康管理?，F已有大量研究證實了中醫體質類型與ASCVD的發病及預后密切相關［21］。故本研究擬基于China-PAR模型中的預測變量，結合臨床實踐選取常規預測變量，并根據增加中醫體質類型作為新的候選預測變量。

目前CPM的最佳建模方法尚未達成統一共識，傳統上統計模型主要可分為回歸模型、分類模型和神經網絡模型幾類［22］，在醫學領域中應用最廣泛的是回歸模型（如Logistic回歸模型、Cox回歸模型），美國的Framingham模型［23］、我國的China-PAR模型［13］皆屬于回歸模型；目前機器學習方法逐漸成為研究熱點，包括分類模型、神經網絡模型以及其他在建模過程中做出更少假設的方法［16］，例如近幾年開發的心血管疾病機器學習預測模型［24］、老年人中風機器學習預測模型［25］等。通常情況下，在候選預測變量數量有限（候選預測變量≤25個）、樣本量足夠大（樣本量≥候選預測因子個數的20倍以上）時，非機器學習與機器學習的準確性相當，然而機器學習算法所構建的CPM可能存在結果解釋性差的問題；隨著研究的深入，研究趨向于納入更多的預測因子，例如組學研究領域可產生相當復雜的數據，候選預測因子數量龐大（通常gt;10 000個），此時機器學習模型在準確性上更具備優勢，與此同時對樣本數量要求更高［16］。本研究選取的候選預測因子不超過25個，故采用Logistic回歸模型建模。

在開發預測模型時需要對其性能進行量化評價并進行驗證，主要是從區分度、校準度兩個方面進行評價，如想探討新加預測變量是否可以改善模型的性能，還需進行預測增量值的評價［26］。預測增量值評價的指標有似然函數檢驗、AUC、NRI等［27］。對于二分類結局的模型，如新模型與舊模型為嵌套關系（如本研究新模型僅比舊模型多出一個新的預測變量即體質類型），則可通過似然比檢驗來評價模型的改進，證明哪個模型有更好的擬合［28-29］。

AUC是模型區分度總體衡量指標，通過比較新舊模型的AUC可以幫助判斷新預測變量的預測能力，評價新模型是否具備更好的區分能力［30］。NRI屬于風險重分類指標，其主要原理為根據有臨床意義的閾值將概率進行危險分層，顯示與舊模型相比，新模型正確分類提高的比例，即判斷新模型是否能將被評估者重新分類到更合適的風險類別，是否可以提高預測的準確性［31］。故本研究在進行模型評估時，通過繪制ROC曲線，計算AUC對模型區分度進行評價和驗證；采用Hosmer-Lemeshow擬合優度檢驗并繪制校準圖形評價和驗證模型的校準度；通過似然比檢驗、比較新舊模型的AUC、計算NRI評價體質預測變量的增量值。經檢驗模型表現良好，體質預測變量的加入可提高模型性能。

本研究也存在一些局限性：（1）本研究為回顧性研究，基線資料來源為天津市社區衛生服務系統中的居民電子健康檔案中記錄的2017年健康體檢資料，回溯數據的過程，存在數據缺失的問題，為補充信息在最后的隨訪調查中進行了基線資料的核查與補充，可能存在回憶偏倚；（2）模型的驗證基于內部數據驗證，僅可驗證模型的可重復性，其外推性尚未得到驗證；（3）由于樣本量限制，未進行性別分層，建立性別特異性模型。未來期望可以加大樣本量，開展前瞻性研究，獲取時間或空間不同的數據來源，對模型進行外部驗證；此外，還可以進行模型的影響研究，評價模型應用到ASCVD中西醫結合基層管理的效果。

綜上所述，本研究構建了基于中醫體質的老年人ASCVD預測模型，經檢驗，區分度、校準度表現良好，較常規預測模型表現更為優秀，可以應用于老年人ASCVD個體化風險評估，進行危險分層，指導ASCVD中西醫結合基層管理。

作者貢獻：高穎負責文章的構思與設計、研究資料的收集與整理、數據統計分析、論文撰寫；許欣宜、劉洋負責研究資料的整理及論文的修訂；楊曉琨負責論文最終版修訂、對文章整體負責，監督管理。

本文無利益沖突。

參考文獻

GBD Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries in 204 countries and territories，1990-2019：a systematic analysis for the Global Burden of Disease Study 2019［J］. Lancet，2020，396（10258）：1204-1222. DOI：10.1016/S0140-6736（20）30925-9.

向祥龍，王琦琦，李俊琦，等. 2009—2019年中國心腦血管疾病死亡率趨勢分析［J］. 中國預防醫學雜志，2021，22（11）：811-818. DOI：10.16506/j.1009-6639.2021.11.001.

中華醫學會全科醫學分會慢病管理專業學組. 中國成人動脈粥樣硬化性心血管疾病基層管理路徑專家共識（建議稿）［J］. 中國全科醫學，2017，20（3）：251-261. DOI：10.3969/j.issn.1007-9572.2017.03.001.

RANSTAM J，COOK J A，COLLINS G S. Clinical prediction models［J］. Br J Surg，2016，103（13）：1886. DOI：10.1002/bjs.10242.

谷鴻秋，周支瑞，章仲恒，等. 臨床預測模型：基本概念、應用場景及研究思路［J］. 中國循證心血管醫學雜志，2018，

10（12）：1454-1456，1462. DOI：10.3969/j.issn.1674-4055.

2018.12.04.

白明華，王濟，鄭燕飛，等. 基于108015例樣本數據的中國人群中醫體質類型分布特征分析［J］. 北京中醫藥大學學報，2020，43（6）：498-507. DOI：10.3969/j.issn.1006-2157.

2020.06.010.

謝琴，何華琴. 不同中醫體質人群心血管病危險因素調查分析［J］. 中醫藥管理雜志，2021，29（5）：48-49. DOI：10.16690/j.cnki.1007-9203.2021.05.020.

王思佳，張哲. 基于冠狀動脈粥樣硬化性心臟病與中醫體質的相關性探討防治策略［J］. 實用中醫內科雜志，2022，36（5）：70-72. DOI：10.13729/j.issn.1671-7813.Z20211288.

王琦. 中醫體質學在大健康問題中的應對與優勢［J］. 北京中醫藥大學學報，2021，44（3）：197-202. DOI：10.3969/j.issn.1006-2157.2021.03.001.

劉冬桂，王曉蕾，楊麗花，等. 中醫體質綜合干預在高尿酸血癥患者心血管疾病預防中的應用價值［J］. 中國當代醫藥，2019，26（22）：41-44. DOI：10.3969/j.issn.1674-4721.

2019.22.012.

黃鉅明. “辨質論治”結合慢病管理干預動脈粥樣硬化的臨床療效分析［D］. 廣州：廣州中醫藥大學，2016.

北京高血壓防治協會，北京糖尿病防治協會，北京慢性病防治與健康教育研究會，等. 基層心血管病綜合管理實踐指南2020［J］. 中國醫學前沿雜志（電子版），2020，12（8）：1-73. DOI：10.12037/YXQY.2020.08-01.

YANG X L，LI J X，HU D S，et al. Predicting the 10-year risks of atherosclerotic cardiovascular disease in Chinese population：the china-PAR project （prediction for ASCVD risk in China）［J］. Circulation，2016，134（19）：1430-1440. DOI：10.1161/CIRCULATIONAHA.116.022367.

RILEY R D，ENSOR J，SNELL K I E，et al. Calculating the sample size required for developing a clinical prediction model［J］. BMJ，2020，368：m441. DOI：10.1136/bmj.m441.

楊松，馬龍騰，張菁菁. 中國臨床醫學真實世界研究施行規范［J］. 解放軍醫學雜志，2018，43（1）：1-6. DOI：10.11855/j.issn.0577-7402.2018.01.01.

STEYERBERG E W. Clinical prediction models：a practical approach to development，validation，and updating［M］. Switzerland： Springer Nature，2019：37-57. DOI：10.1007/978-3-030-16399-0.

HEMANN B A，BIMSON W F，TAYLOR A J. The Framingham Risk Score：an appraisal of its benefits and limitations［J］. Am Heart Hosp J，2007，5（2）：91-96. DOI：10.1111/j.1541-9215.2007.06350.x.

韓澤森，來利紅. 冠狀動脈粥樣硬化性心臟病臨床預測模型研究現狀概述［J］. 心血管病學進展，2020，41（6）：638-641.

WOLFF R F，MOONS K G M，RILEY R D，et al. PROBAST：a tool to assess the risk of bias and applicability of prediction model studies［J］. Ann Intern Med，2019，170（1）：51-58. DOI：10.7326/M18-1376.

吳錫桂，賴聲漢，高紅，等. 首都鋼鐵公司988名男性工人冠心病危險因素的多元分析［J］. 中華心血管病雜志，1983，11（1）：28-32.

LIANG X，WANG Q，JIANG Z Q，et al. Clinical research linking Traditional Chinese Medicine constitution types with diseases：a literature review of 1639 observational studies［J］. Chung I Tsa Chih Ying Wen Pan，2020，40（4）：690-702. DOI：10.19852/j.cnki.jtcm.2020.04.019.

FRANKLIN J. The elements of statistical learning：data mining，inference and prediction［J］. Math Intell，2005，27（2）：83-85. DOI：10.1007/BF02985802.

MAHMOOD S S，LEVY D，VASAN R S，et al. The Framingham Heart Study and the epidemiology of cardiovascular disease：a historical perspective［J］. Lancet，2014，383（9921）：999-1008. DOI：10.1016/S0140-6736（13）61752-3.

QUESADA J A，LOPEZ-PINEDA A，GIL-GUILLéN V F，et al.

Machine learning to predict cardiovascular risk［J］. Int J Clin Pract，2019，73（10）：e13389. DOI：10.1111/ijcp.13389.

WU Y F，FANG Y. Stroke prediction with machine learning methods among older Chinese［J］. Int J Environ Res Public Heath，2020，17（6）：1828. DOI：10.3390/ijerph17061828.

DEBRAY T P，DAMEN J A，SNELL K I，et al. A guide to systematic review and meta-analysis of prediction model performance［J］. BMJ，2017，356：i6460. DOI：10.1136/bmj.i6460.

MOONS K G，KENGNE A P，WOODWARD M，et al. Risk prediction models：I. Development，internal validation，and assessing the incremental value of a new （bio）marker［J］. Heart，2012，98（9）：683-690. DOI：10.1136/heartjnl-2011-301246.

STEYERBERG E W，PENCINA M J，LINGSMA H F，et al. Assessing the incremental value of diagnostic and prognostic markers：a review and illustration［J］. Eur J Clin Invest，2012，42（2）：216-228. DOI：10.1111/j.1365-2362.2011.02562.x.

文玲子，王俊峰，谷鴻秋. 臨床預測模型：新預測因子的預測增量值［J］. 中國循證心血管醫學雜志，2020，12（6）：655-659. DOI：10.3969/j.issn.1674-4055.2020.06.04.

COOK N R. Quantifying the added value of new biomarkers：how and how not［J］. Diagn Progn Res，2018，2：14. DOI：10.1186/s41512-018-0037-2.

PICKERING J W，ENDRE Z H. New metrics for assessing diagnostic potential of candidate biomarkers［J］. Clin J Am Soc Nephrol，2012，7（8）：1355-1364. DOI：10.2215/CJN.09590911.

（收稿日期：2023-04-13；修回日期：2023-08-27）

（本文編輯：鄒琳）

基金項目：2022年天津市家庭醫生團隊能力建設實踐課題（JYZ202201）

引用本文：高穎，許欣宜，劉洋，等. 基于中醫體質的老年人動脈粥樣硬化性心血管疾病預測模型的開發研究［J］. 中國全科醫學，2024，27（15）：1878-1885. DOI：10.12114/j.issn.1007-9572.2023.0406. ［www.chinagp.net］

GAO Y，XU X Y，LIU Y，et al. Research on the development of atherosclerotic cardiovascular disease prediction model for the elderly based on TCM constitution［J］. Chinese General Practice，2024，27（15）：1878-1885.

? Chinese General Practice Publishing House Co.，Ltd. This is an open access article under the CC BY-NC-ND 4.0 license.

*通信作者：楊曉琨，主任醫師/博士生導師；E-mail：yxk.666@163.com