基于臨床與頭顱CT特征構建的積分模型預測高血壓患者顱內微出血灶的程度

［摘要］ 目的：探討基于臨床與頭顱CT特征的積分模型預測高血壓患者顱內微出血灶（CMBs）程度的價值。方法：回顧性分析170例高血壓患者的臨床、頭顱CT及MRI資料。根據MRI結果，分為CMBs ≤ 5個組和＞5個組。按7∶3比例隨機分為訓練集120例和驗證集50例。應用單因素及二元logistic回歸分析比較訓練集CMBs ＞5個組與 ≤ 5個組的臨床及頭顱CT特征，并篩選組間差異有統計學意義的因素建立logistic回歸模型，進一步加權賦分得到積分模型。繪制ROC曲線評估模型預測效能。采用DeLong檢驗比較logistic回歸模型與積分模型的AUC。同時將積分模型劃分為3個積分段。結果：logistic回歸分析顯示，高血壓病程、同型半胱氨酸水平、腔隙性腦梗死（LI）分級和腦白質疏松（LA）分級是鑒別CMBs ≤5個與＞5個的獨立因素。積分模型包括高血壓病程 ≥ 10年（2分）、同型半胱氨酸水平升高（2分）、LI 2～3級（4分）、LA 2～3級（2分），其AUC為0.857（95%CI 0.782～0.914），敏感度與特異度分別為78.3%、79.7%，截斷值為3分。將積分模型劃分為3個積分段：0～1分，2～3分，4～10分。隨著積分增加，訓練集、驗證集各積分段CMBs＞5個的發生率逐步增高。結論：基于臨床與頭顱CT特征構建的積分模型對預測高血壓患者CMBs程度具有較高價值，可為臨床診療提供依據。

［關鍵詞］ 高血壓；顱內微出血灶；體層攝影術，X線計算機；積分模型

A scoring model based on clinical and brain CT features for predicting cerebral microbleeds degree in hypertension

WANG Xinbin QIU Yonggang DONG Hao LOU Cuncheng HU Yicheng ZHANG Jing CHEN Dihong XU Jianxia YU Risheng

1Department of Radiology，First People’s Hospital of Xiaoshan District，Hangzhou 311200，China；2Department of Radiology，Second Hospital Affiliated of Medicine School of Zhejiang University，Hangzhou 310009，China；3Department of Radiology，Second Hospital Affiliated of Zhejiang Chinese Medical University，Hangzhou 310005，China.

［Abstract］ Objective：To explore the value of a scoring model based on clinical and brain CT features to predict the degree of cerebral microbleeds （CMBs） in hypertensive patients. Methods：Clinical，brain CT and MRI data of 170 hypertensive patients were retrospectively analyzed. According to the CMBs count on MRI images，170 cases were divided into two groups，a group of CMBs ≤ 5 and a group of CMBs ＞5. They were randomly divided into training cohort （120 cases） and validation cohort （50 cases） at a 7∶3 ratio. Univariate and binary logistic regression were used to analyze clinical and brain CT features between the group of CMBs ≤ 5 and the group of CBMs gt;5 in the training cohort，and the features with statistical differences were screened to build a logistic regression model. A weighted scoring system was then used to develop a scoring model. The predictive efficacy of the model was assessed using ROC curves. DeLong test was used to compare the AUC of the logistic regression model and the scoring model. Finally，the scoring model was classified into three integral intervals. Results：Logistic regression analysis showed that hypertension duration，homocysteine，lacunar cerebral infarction （LI） grade，and cerebral leukoaraiosis （LA） grade were independent factors in identifying the group of CMBs ≤ 5 and CMBs ＞5. The scoring model included hypertension duration ≥ 10 years （2 points），elevated homocysteine （2 points），LI grade 2—3 （4 points），and LA grade 2—3 （2 points），and the ROC curve had the AUC of 0.857（95%CI 0.782—0.914），the sensitivity of 78.3%，the specificity of 79.7%，the cutoff value of 3 points. The scoring model was divided into three integral intervals，0—1，2—3，and 4—10 points. The incidence of CMBs ＞5 in each integral interval of the training cohort and validation cohort gradually increased with increasing score. Conclusions：The scoring model based on the clinical and brain CT features has a high value for predicting the CMBs degree in hypertensive patients，and can provide a basis for clinical diagnosis and treatment.

［Key words］ Hypertension；Cerebral microbleeds；Tomography，X-ray computed；Scoring model

顱內微出血灶（cerebral microbleeds，CMBs）是腦實質內直徑2～5 mm的類圓形出血性病灶［1］。目前，國內外部分指南針對不同CMBs程度患者的抗凝及溶栓方案存在差異［2-4］。CMBs ≤5個的抗凝人群，可給予常規抗血小板藥物治療；CMBs＞5個的抗凝人群，建議使用新型口服抗凝劑替代抗血小板藥物［2-3］。CMBs ≤5個的急性缺血性卒中患者，可行常規靜脈溶栓治療；而CMBs＞5個的急性缺血性卒中患者，建議謹慎溶栓或適當減少溶栓藥物劑量［2-3］。CMBs發生的最常見原因為高血壓病，而高血壓患者也是急性缺血性卒中、心房顫動的好發人群［5-6］。因此，準確判斷高血壓患者的CMBs程度具有重要意義。

MRI是目前唯一能明確診斷CMBs的影像學手段［7］。然而，因延誤溶栓時間窗，目前指南不常規推薦急性缺血性卒中患者溶栓治療前行頭顱MRI檢查［8］。另外，部分患者因存在禁忌證或費用昂貴等而無法接受MRI檢查。頭顱CT作為急性缺血性卒中患者溶栓前的常規檢查，價格適宜且獲取圖像迅速［8］。因此，通過頭顱CT預測高血壓患者CMBs程度，對抗凝或溶栓方案的制訂具有一定價值，目前國內尚未見相關預測模型的報道。因此，本研究基于臨床與頭顱CT特征構建的預測高血壓患者CMBs程度的積分模型，具有一定創新性，可為臨床診療提供依據。

1" 資料與方法

1.1" 一般資料

回顧性分析2016年8月至2023年9月杭州市蕭山區第一人民醫院收治的170例高血壓患者，男90例，女80例；年齡39～89歲，平均（64.84±12.45）歲。

納入標準：①均行頭顱MRI檢查和頭顱CT平掃，且2項檢查時間間隔＜2周；②記錄高血壓病程、高血壓分級、既往病史［腦梗死、糖尿病、冠狀動脈粥樣硬化性心臟病（冠心病）、吸煙及飲酒史］；③實驗室檢查：血常規、生化全套（含同型半胱氨酸水平）。排除標準：①腦挫裂傷及蛛網膜下腔出血病史；②顱腦手術病史；③根據波士頓標準高度懷疑腦血管淀粉樣變性患者［9］；④阿爾茨海默病及甲狀旁腺疾病患者；⑤頭顱MRI或CT圖像質量不佳者。按7∶3比例隨機分為訓練集（120例）和驗證集（50例）。

本研究獲得杭州市蕭山區第一人民醫院倫理審查委員會批準（批號：倫審2023第104號）。

1.2" 儀器與方法

CT檢查使用聯影16排及Philips Brilliance 64排螺旋CT掃描儀。掃描參數：120 kV，250 mA，層厚、層距均為5 mm，視野250 mm×250 mm。MRI檢查使用Siemens Aera 1.5 T及GE Signa Voyager 1.5 T MRI掃描儀。掃描參數：橫斷面T1WI，TR 500 ms，TE 8 ms，層厚5 mm，視野230 mm×230 mm；橫斷面T2WI，TR 4 000 ms，TE 99 ms，層厚5 mm，視野230 mm×230 mm；橫斷面SWI，TR 40 ms，TE 25 ms，層厚2 mm，無間隔，翻轉角30°，視野230 mm×230 mm，矩陣256×256。SWI圖像經計算機后處理重建獲得相位圖及MinIP圖。

1.3" 圖像分析

MRI圖像由2位具有5年以上工作經驗的放射科醫師采用盲法分析，討論并達成一致意見。CMBs在SWI序列上表現為直徑2～5 mm的類圓形或卵圓形低信號區，同時結合相位圖排除鈣化灶。記錄CMBs的數目并分為CMBs ≤5個組和＞5個組。

CT圖像由2位資深放射科醫師采用盲法分析，討論并達成一致意見。評估腔隙性腦梗死（lacunar infarct，LI）、腦白質疏松（leukoaraiosis，LA）及腦萎縮情況。LI為基底節區、丘腦、小腦或腦干區直徑3～15 mm的圓形或卵圓形的低密度灶。記錄LI數目，并參照Li等［10］的方式進行分級：無LI為0級；1～5個為1級；6～10個為2級；＞10個為3級。LA的CT分級參照Blennow分級［11］：①LA的范圍等級，白質區密度無減低為0級；側腦室枕角和額角邊緣白質密度減低為1級；側腦室枕角和額角周圍白質密度減低，部分延伸至半卵圓中心為2級；位于整個側腦室周圍和半卵圓中心的白質密度減低為3級。②LA強度分級，無為0級，輕度為1級，中度為2級，重度為3級。LA的級別為范圍等級與強度等級的平均值。腦萎縮評分為額角至中線的距離與相應水平一側額葉寬度的比值［12］。

1.4" 統計學分析

使用SPSS 23.0及Medcalc 19.0軟件分析數據。計數資料組間比較采用χ2檢驗或Fisher確切概率法。符合正態分布的計量資料以x±s表示，組間比較采用獨立t檢驗或Mann-Whitney U檢驗。2組間差異有統計學意義的變量行二元logistic回歸分析。根據回歸模型篩選的特征構建積分模型，參照Ben等［13］的計算公式（模型總積分=β/βmin×2，β為各變量的回歸系數，βmin為最小回歸系數）四舍五入計算各獨立因素的加權得分，每個獨立因素得分相加為模型總積分。采用ROC曲線評價模型的診斷效能，采用Hosmer-lemeshow檢驗評估模型校準度。應用DeLong檢驗比較積分模型與logistic回歸模型的AUC。為方便臨床應用，將積分模型分為3個積分段。以P＜0.05為差異有統計學意義。

2" 結果

2.1" 臨床資料和影像特征分析

170例中，CMBs＞5個66例，≤5個104例。其中訓練集120例（CMBs＞5個46例， ≤5個74例），驗證集50例（CMBs＞5個20例， ≤5個30例）。

訓練集中，CMBs＞5個組與 ≤5個組之間的性別、年齡、腦梗死史、冠心病史、糖尿病史、抗凝藥物使用史、吸煙史、飲酒史、血小板水平、腦萎縮評分差異均無統計學意義（均P＞0.05）；高血壓病程、高血壓分級、同型半胱氨酸水平升高、LI分級、LA分級差異均有統計學意義（均P＜0.05）（表1；圖1，2）。

2.2" logistic回歸模型構建與效能評估

訓練集中CMBs＞5個和≤5個組之間單因素分析顯示差異有統計學意義的5個變量的方差膨脹因子（VIF）均＜2，表明各變量之間不存在多重共線性。logistic回歸分析顯示，CMBs＞5個組與CMBs ≤5個組高血壓病程、同型半胱氨酸水平升高、LI分級、LA分級差異均有統計學意義（均P＜0.05）（表2）。Hosmer-lemeshow檢驗顯示該模型校準能力較好（P=0.559），該模型AUC為0.855（95%CI 0.787～0.924，P＜0.001）（圖3），其鑒別CMBs＞5個組與CMBs ≤5個組的敏感度、特異度分別為78.3%、81.1%。

2.3" 積分模型構建和效能評價

基于logistic回歸模型各變量的回歸系數β值構建積分模型，高血壓病程（≥10年）、同型半胱氨酸水平升高（≥15 μmol/L）、LI分級（2～3級）、LA分級（2～3級）得分分別為2、2、4和2分，反之則為0分，模型積分0～10分。Hosmer-lemeshow檢驗表明該模型校準能力較好（P=0.264），其AUC為0.857（95%CI 0.782～0.914，P＜0.001）（圖3），應用約登指數確定最佳閾值為3分，其敏感度、特異度分別為78.3%、79.7%。積分模型與logistic回歸模型之間AUC差異無統計學意義（Z=0.205，P=0.837）。

將積分模型分為0～1、2～3、4～10分3個積分段，隨積分增加，訓練集及驗證集各積分段CMBs＞5個的發生率逐漸升高（表3）。

3" 討論

本研究基于高血壓患者臨床及頭顱CT特征成功篩選出4個獨立因素：高血壓病程、同型半胱氨酸水平、LI分級和LA分級，進一步構建的積分模型對CMBs ≤5個與＞5個具有較強的鑒別能力，方便臨床應用。

Henskens等［14］發現高血壓病程與CMBs的嚴重程度存在相關性，其機制為持續的血管高壓導致顱內小血管內膜損傷。因此，高血壓病程越長，CMBs數目越多，這與本研究結論一致。且本研究發現同型半胱氨酸與心腦血管疾病密切相關。高同型半胱氨酸水平會破壞內皮細胞功能和結構的完整性，促進動脈粥樣硬化的發作，增加小血管出血的風險［15］。既往研究報道，高同型半胱氨酸水平與CMBs的程度相關［16］。

既往研究通過胸部CT計算主動脈弓鈣化積分預測高血壓患者CMBs的程度，其預測CMBs＞5個的AUC為0.876，略高于本研究（AUC=0.857）［17］。但主動脈弓鈣化積分測算復雜，臨床實用性不高。積分模型由于使用方便，在其他部位病變的鑒別及預測中多有報道［18］。Li等［10］構建的基于頭顱CT預測腦卒中患者CMBs＞10個的積分模型中，篩選出LI、LA及腦萎縮評分3個CT變量，并取得較好的預測效果（AUC=0.902）。本研究篩選的影像學變量與Li等［10］篩選的變量部分一致，提示LI、LA與CMBs密切相關，三者均反映顱內微血管的破壞程度。本研究評估腦萎縮變量的方式與Li等不同，因此結局可能存在差異。本研究的預測效果與Li等存在一定差距，可能存在以下原因：數據量偏少，結果存在一定偏倚；將高血壓人群作為單獨的納入人群，增強了模型預測的難度；CMBs程度的分類方式不同。本研究構建的logistic回歸模型與積分模型的AUC差異無統計學意義（Z=0.205，P=0.837），表明兩模型高度擬合。進一步研究發現，在訓練集與驗證集中，隨積分增加，CMBs＞5個的發生率逐步升高，提示該模型的性能良好。

本研究存在的不足：高血壓病程、LI及LA均采用簡單的二分類進行研究，模型精準度有待進一步提高，后續將采用定量變量或等級變量方式行進一步研究；數據量較少，且為單中心研究，后續將納入更大樣本量數據，并行多中心研究。

綜上所述，高血壓病程、同型半胱氨酸水平、LI分級和LA分級是預測CMBs程度（CMBs＞5個）的獨立危險因素，基于以上特征構建的臨床與頭顱CT積分模型方便臨床應用，可為高血壓患者抗凝或溶栓方案的制訂提供依據。

［參考文獻］

［1］ HALLER S，VERNOOIJ M W，KUIJER J，et al. Cerebral microbleeds：imaging and clinical significance［J］. Radiology，2018，287（1）：11-28.

［2］ WILSON D，WERRING D J. Antithrombotic therapy in patients with cerebral microbleeds［J］. Curr Opin Neurol，2017，30（1）：38-47.

［3］ CHEN Z，DING Y，JI X，et al. Advance of antithrombotic treatment in patients with cerebral microbleed［J］. J Thromb Thrombolysis，2021，51（2）：530-535.

［4］ 中華醫學會神經病學分會，中華醫學會神經病學分會腦血管病學組. 中國腦小血管病診治共識［J］. 中華神經科雜志，2015，48（10）：838-844.

［5］ 劉璇，尹榕，冷慧層，等. 內皮細胞炎癥標志物與腦微出血［J］. 國際腦血管病雜志，2020，28（9）：697-700.

［6］ 岳博成，侯旗旗，韓全樂，等. 高血壓人群罹患心房顫動對于新發心肌梗死發病風險的影響研究［J］. 中國全科醫學，2023，26（14）：1739-1744.

［7］ 李棟學，王濤，王榮品. 定量磁化率成像在腦血管病微出血檢出與鑒別中的價值［J］. 中國中西醫結合影像學雜志，2022，20（2）：133-136.

［8］ POWERS W J，RABINSTEIN A A，ACKERSON T，et al. Guidelines for the early management of patients with acute ischemic stroke：2019 update to the 2018 guidelines for the early management of acute ischemic stroke：a guideline for healthcare professionals from the American Heart Association/American Stroke Association［J］. Stroke，2019，50（12）：e344-e418.

［9］ WAGNER A，GROETSCH C，WILFLING S，et al. Index event of Cerebral Amyloid Angiopathy （CAA） determines long-term prognosis and recurrent events （retrospective analysis and clinical follow-up）［J］. Neurol Res Pract，2021，3（1）：51.

［10］ LI Y，GAO H，ZHANG D，et al. Clinical prediction model for screening acute ischemic stroke patients with more than 10 cerebral microbleeds［J］. Front Neurol，2022，13：833952.

［11］ BLENNOW K，WALLIN A，UHLEMANN C，et al. White-

matter lesions on CT in Alzheimer patients：relation to clinical symptomatology and vascular factors［J］. Acta Neurol Scand，1991，83（3）：187-193.

［12］ SATO S，DELCOURT C，HEELEY E，et al. Significance of cerebral small-vessel disease in acute intracerebral hemorrhage［J］. Stroke，2016，47（3）：701-707.

［13］ BEN A H，KOUBAA M，HAMMAMI F，et al. Performance of an easy and simple new scoring model in predicting multidrug-resistant enterobacteriaceae in community-acquired urinary tract" infections［J］. Open Forum Infect Dis，2019，6（4）：ofz103.

［14］ HENSKENS L H，VAN OOSTENBRUGGE R J，KROON A A，et al. Brain microbleeds are associated with ambulatory blood pressure levels in a hypertensive population［J］. Hypertension，2008，51（1）：62-68.

［15］ NI R，CHU L，XU D，et al. Risk factors of cerebral microbleeds in young and middle-aged patients with hypertension［J］. Neurol Res，2018，40（5）：413-418.

［16］ LIANG C，WANG J，FENG M，et al. White matter changes，duration of hypertension，and age are associated with cerebral microbleeds in patients with different stages of hypertension［J］. Quant Imaging Med Surg，2022，12（1）：119-130.

［17］ 汪鑫斌，樓存誠，邱勇剛，等. 主動脈弓鈣化積分對高血壓病患者顱內微出血灶的預測價值［J］. 浙江醫學，2021，43（14）：1564-1567.

［18］ 趙才勇，陳超，嚴志強，等. 基于臨床因素及CT特征構建鑒別腎細胞癌亞型的積分系統［J］. 臨床放射學雜志，2022，41（11）：2077-2082.

（收稿日期" 2024-01-09）