冠狀動脈支架植入術后支架內再狹窄的危險因素及預測模型的構建

Risk Factors and Prediction Model of Intrastent Restenosis after Coronary Stent Implantation

WEI Ke WANG He LUO Minghua CHEN Yushan GUAN Huaimin

1.Tianjin Hospital， Tianjin University， Tianjin 300000， China; 2.Heart Center， The First Affiliated Hospital of Henan University of Chinese Medicine/National Regional （TCM） National Cardiovascular Clinic Center， Zhengzhou 450000， Henan， China

Corresponding Author "GUAN Huaimin， E-mail： guanhuaimin2004@aliyun.com

Keywords""coronary heart disease; in-stent restenosis; risk factors; machine learning; prediction model

摘要""目的：分析冠狀動脈支架植入術后支架內再狹窄（ISR）發生的危險因素，并構建冠狀動脈ISR風險預測模型，旨在識別經皮冠狀動脈介入（PCI）術后ISR高風險病人。方法：選取2015年1月—2016年12月于河南中醫藥大學第一附屬醫院行冠狀動脈支架植入并于術后12～18個月進行冠狀動脈造影復查的576例病人，根據冠狀動脈造影結果將其分為無ISR組（525例）與ISR組（51例），分析兩組病人病史資料、血液生化指標、冠狀動脈病變特征和支架情況，采用多因素"Logistic 回歸分析PCI術后ISR的危險因素，并基于Logistic回歸模型、隨機森林和支持向量機算法構建PCI術后ISR預測模型。結果：高血壓（OR=2.177）、糖尿?。∣R=2.122）、吸煙（OR=2.505）、纖維蛋白原（OR=1.624）、支架個數（OR=1.839）和支架長度（OR=1.063）為PCI術后ISR的獨立危險因素?；贚ogistic回歸算法、隨機森林和支持向量計算法構建的冠狀動脈ISR預測模型的受試者工作特征曲線面積（AUC）分別為0.83，0.81和0.78。結論：吸煙、糖尿病、高血壓、血漿纖維蛋白原、支架個數和支架長度為PCI術后ISR的獨立危險因素?；贚ogistic回歸、隨機森林和支持向量計算法構建PCI術后ISR風險預測模型具有可行性，有助于醫生識別PCI術后ISR高風險病人。

關鍵詞""冠心??；支架內再狹窄；危險因素；機器學習；預測模型

doi：10.12102/j.issn.1672-1349.2025.07.016

隨著國民生活方式的轉變以及人口老齡化進程的加速，我國心血管病危險因素流行趨勢明顯，導致以心血管疾病為代表的慢性病發病率持續增加，發病年齡不斷前移^［1］。近10年，我國冠心病經皮冠狀動脈介入治療（percutaneous coronary intervention，PCI）例數也保持15%～20%的年均增長率^［2］，與此同時，術后冠狀動脈支架內再狹窄（in-stent restenosis，ISR）也成為了臨床關注的重點。目前研究認為，ISR的發生是由于生物、機械、技術和病人自身因素等多因素協同作用形成內膜增生。由于ISR各影響因素間的關系非相互獨立，部分心血管病危險因素間呈正相關^［3］。與傳統的回歸模型相比，機器學習算法模型可以分析危險因素之間的交互作用，對于非線性的臨床數據處理有著先天優勢^［4］。機器學習算法是人工智能的核心，而數據是機器學習算法的第一要素。通過醫療大數據驅動的機器學習模型有助于醫生早期識別高風險病人，在疾病還未發生之時，對危險因素進行強化干預，防患于未然，這也與中醫“未病先防、既病防變、瘥后防復”的“治未病”理論體系相契合^［5］。

1 資料與方法

1.1 研究對象

選取2015年1月－2016年12月在河南中醫藥大學第一附屬醫院行冠狀動脈支架植入術，并于術后12～18個月進行冠狀動脈造影復查的576例病人作為研究對象，根據冠狀動脈造影結果分為ISR組和無ISR組。本研究獲得醫院倫理委員會批準。

1.2 臨床資料收集

1.2.1 病史資料收集

記錄病人的性別、年齡、現病史、高血壓史、糖尿病病史、高脂血癥病史、既往心肌梗死、既往腦卒中、吸煙史、冠心病家族史及臨床診斷。

1.2.2 血液生化指標

包括乳酸脫氫酶（LDH）、尿素氮（BUN）、肌酐（Cr）、尿酸（UA）、凝血酶原時間（PT）、活化部分凝血酶原時間（APTT）、國際標準化比值（INR）、凝血酶時間（TT）、纖維蛋白原（FIB）、血糖、總膽固醇（TC）、三酰甘油（TG）、高密度脂蛋白膽固醇（HDL-C）、低密度脂蛋白膽固醇（LDL-C）、載脂蛋白A1（ApoA1）和載脂蛋白B（ApoB）。

1.2.3 靶血管及植入支架特征

記錄術中造影所見靶血管數量、靶血管分布、支架置入位置、支架置入數量、支架置入直徑、支架置入長度和復查造影時支架內狹窄情況。

1.3 數據預處理

對于病人的高血壓病、糖尿病、高脂血癥、冠心病家族史、既往心肌梗死史等變量進行賦值：無＝0，有＝1。填補候選變量的缺失值時，對連續變量使用中位數進行填補。同時對數據集進行分層抽樣，70%作為訓練集，30%作為測試集。

1.4 統計學處理

采用SPSS 21.0統計軟件和Rstudio對數據進行統計學分析。服從正態分布的定量資料以均數±標準差（x±s）表示，兩組間比較采用獨立樣本t檢驗。不符合正態分布以中位數和四分位數［M（Q₁，Q₃）］表示，組間比較采用非參數秩和檢驗。定性資料以例數或百分比（%）表示，組間比較采用χ^２檢驗。采用多因素Logistic回歸分析ISR的影響因素。以P＜0.05為差異有統計學意義。

1.5 機器學習模型的構建與評估

通過從PCI術后病人的電子病歷中提取到病人臨床資料、血液生化指標、冠狀動脈病變特征和支架情況，應用Rstudio軟件中相應的程序包構建3種經典的機器學習模型（Logistic回歸、支持向量機和隨機森林），并根據受試者工作特征（ROC）曲線評價機器學習模型預測的準確性。

2 結果

2.1 兩組一般資料比較

入選病例共576例，其中無ISR組525例（91.1%），ISR組51例（8.9%）。兩組糖尿病病史、高血壓病史和吸煙占比比較，差異有統計學意義（P＜0.05），而年齡、性別、高脂血癥、冠心病家族史、既往心肌梗死史、既往腦卒中和臨床分型比較，差異均無統計學意義（P＞0.05）。詳見表1。

2.2 兩組實驗室檢查指標比較

兩組血漿FIB水平比較差異有統計學意義（P＜0.05），其他實驗室檢查指標比較差異均無統計學意義（P＞0.05）。詳見表2。

2.3 兩組病人靶血管特征及PCI情況比較

兩組植入支架個數、支架長度比較，差異均有統計學意義（P＜0.05）。而兩組靶血管分布、靶血管病變數、靶血管部位和支架直徑比較，差異均無統計學意義（P＞0.05）。詳見表3。

2.4 PCI術后ISR的多因素Logistic回歸分析

以是否發生ISR為因變量，以高血壓、糖尿病、吸煙、FIB、支架個數和支架長度為自變量，進行多因素Logistic回歸分析，結果顯示，高血壓（OR＝2.177）、糖尿?。∣R＝2.122）、吸煙（OR＝2.505）、FIB（OR＝1.624）、支架個數（OR＝1.839）和支架長度（OR＝1.063）為PCI術后ISR的獨立危險因素（P＜0.05）。詳見表4。

2.5 ISR預測模型性能比較

得到的模型Hosmer-Lemeshow擬合度檢驗顯示，χ²＝4.71，P＝0.79，提示Logistic回歸模型擬合度良好?；贚ogistic回歸算法、隨機森林和支持向量機算法構建的冠狀動脈ISR預測模型的受試者工作特征曲線面積（AUC）分別為0.83，0.81和0.78。表明基于機器學習算法的ISR預測模型可以較好地識別出PCI術后ISR的高風險病人。詳見表5、圖1。

3 討論

目前研究尚未完全闡明ISR的病理生理機制，盡管藥物洗脫支架的應用，使ISR率下降到12%左右^［6］，但是隨著冠狀動脈支架植入病人基數逐年遞增，仍有大量冠心病病人面臨PCI術后出現ISR問題。盡管藥物洗脫支架能夠抑制平滑肌細胞的增殖，但也導致了以內皮化不全為特點的血管愈合延遲。在支架藥物釋放完畢后，支架梁與聚合物涂層的持續刺激導致了局部炎癥反應，可能在支架部位出現血管內膜增生和血栓形成，增加了晚期和極晚期支架內血栓形成風險，即“晚期追趕現象”^［7］。完整有效的內膜屏障是維持血管穩態的關鍵，而支架植入的過程可造成內皮結構和功能損傷，內皮細胞的自穩態功能消失，致使內膜的屏障作用下降，促進了粥樣動脈硬化斑塊的形成^［8］?？偟膩碚f，冠狀動脈ISR主要病理生理機制是由于生物、機械、技術和病人自身因素等多因素協同作用形成新生動脈粥樣斑塊及纖維組織增生所致。

既往大量研究表明，糖尿病是PCI術后ISR的獨立危險因素^［9-10］，糖尿病病人PCI術后ISR風險增高可能是由于胰島素抵抗加速了血管內皮功能的受損，釋放促生長因子和促凝因子，誘導血小板聚集，加重了PCI術后內皮的損傷和炎癥反應，從而使冠狀動脈內膜增生活躍，導致ISR的發生^［11］。

高血壓作為心血管疾病的主要危險因素，也是最常見的慢性病之一。血壓長期控制不理想時，增加對血管內皮的剪切力和內膜的過度牽拉，加重血管內皮功能受損，對脂蛋白的通透性增加，造成脂質蓄積，炎癥反應啟動和泡沫細胞堆積，導致動脈粥樣硬化的形成^［12］。Tocci等^［13］通過回顧性分析了796例接受過PCI治療的病人病歷資料，發現無高血壓組病人PCI術后ISR的風險將下降近24%。因此，高血壓病人PCI術后積極控制血壓，可以有效預防冠狀動脈ISR的發生。

吸煙是心血管疾病的主要危險因素，也是可改變的危險因素之一。尼古丁不僅可以引起血管內皮功能紊亂，誘發內皮細胞增殖和炎癥反應，促進脂質的過氧化反應，加速動脈粥樣硬化進程，還可以促進血小板聚集，減弱血漿FIB溶解能力，使血液處于高凝狀態，促進血栓的形成^［14］。研究表明，戒煙可使冠心病遠期死亡風險降低36%^［15］，冠心病病人積極戒煙，是改善PCI預后的措施之一。

FIB水平過高是心血管疾病獨立危險因素^［16-17］。FIB作為炎癥反應和血栓形成的重要因子之一，既參與炎癥過程，也參與了血栓形成過程。當其水平過度升高時，可促進血小板聚集，降低血液速度改變局部血流狀態、增加血液黏滯性使血液處于高凝狀態，促進血栓形成^［18］。同時，FIB可以通過調節炎性細胞黏附以及遷移作用來介導炎癥反應，促進平滑肌細胞和炎性細胞的增殖，引起內膜增生。

除了病人自身因素外，PCI術中操作及支架植入對血管的牽拉均會引起冠狀動脈機械性刺激和損傷，促進平滑肌細胞和炎性細胞的增殖、遷移，導致內膜增生。既往已有多個中心研究發現植入支架個數、支架植入后最小管腔直徑、支架直徑和支架長度等因素與PCI術后ISR密切相關^［19-20］，在確保完全覆蓋病變的前提下，盡可能避免選擇過長的支架，可以減少ISR的發生。

本研究通過3種經典機器學習算法（Logistic回歸、隨機森林和支持向量機）基于PCI病人的臨床病史資料、血液生化指標、靶血管特征及支架數據構建了ISR風險預測模型。機器學習是指計算機在沒有先驗知識的情況下，通過對樣本數據反復訓練學習，從數據中提取特征來構建分類模型^［21］。鑒于本研究為單中心、回顧性研究，樣本數據量不夠充足，導致模型對于樣本數據的學習過程不夠充分，隨著國家心血管大數據不斷積累，基于機器學習算法的風險預測模型可以進一步提高分類的準確性。

綜上所述，本研究發現吸煙、糖尿病、高血壓、FIB水平、植入支架數量和支架長度與PCI術后ISR的發生密切相關，從疾病預防的角度，基于PCI術后病人的臨床數據，構建了ISR風險預測模型，有助于醫生對高危個體制定近期、遠期的治療方案。同時，預測模型可以讓冠心病病人更清楚自己PCI術后的預后情況，進而增強自我健康管理意識，改變不良的生活習慣，使PCI術后獲得更好預后。

參考文獻：

［1］ 胡盛壽，高潤霖，劉力生，等.《中國心血管病報告2018》概要［J］.中國循環雜志，2019，34（3）：209-220.

［2］ 《藥物涂層球囊臨床應用中國專家共識》專家組.藥物涂層球囊臨床應用中國專家共識［J］.中國介入心臟病學雜志，2016，24（2）：61-67.

［3］ KRITTANAWONG C，BOMBACK A S，BABER U，et al.Future direction for using artificial intelligence to predict and manage hypertension［J］.Current Hypertension Reports，2018，20（9）：75.

［4］ GOLDSTEIN B A，NAVAR A M，CARTER R E.Moving beyond regression techniques in cardiovascular risk prediction：applying machine learning to address analytic challenges［J］.European Heart Journal，2017，38（23）：1805-1814.

［5］ 夏淑潔，楊朝陽，李燦東.智能化中醫“治未病”健康管理模式探析［J］.中華中醫藥雜志，2019，34（11）：5007-5010.

［6］ 陸元喜，李浪.支架內再狹窄的治療進展［J］.中國循環雜志，2016，31（5）：515-517.

［7］ NAGANUMA T，FUJINO Y，TAHARA S，et al.Extremely late catch-up phenomenon after first-generation sirolimus-eluting stent in the left main stem insights from optical coherence tomography［J］.JACC：Cardiovascular Interventions，2015，8（14）：e237-e239.

［8］ 羅明華，王賀，關懷敏.支架內新生動脈粥樣硬化研究進展［J］.中國循環雜志，2014，29（10）：848-851.

［9］ WEST N E，RUYGROK P N，DISCO C M，et al.Clinical and angiographic predictors of restenosis after stent deployment in diabetic patients［J］.Circulation，2004，109（7）：867-873.

［10］ IIJIMA R，NDREPEPA G，MEHILLI J，et al.Impact of diabetes mellitus on long-term outcomes in the drug-eluting stent era［J］.American Heart Journal，2007，154（4）：688-693.

［11］ NISHIO K，FUKUI T，TSUNODA F，et al.Insulin resistance as a predictor for restenosis after coronary stenting［J］.International Journal of Cardiology，2005，103（2）：128-134.

［12］ AL-MASHHADI R H，AL-MASHHADI A L，NASR Z P，et al.Local pressure drives low-density lipoprotein accumulation and coronary atherosclerosis in hypertensive minipigs［J］.Journal of the American College of Cardiology，2021，77（5）：575-589.

［13］ TOCCI G，BARBATO E，COLUCCIA R，et al.Blood pressure levels at the time of percutaneous coronary revascularization and risk of coronary in-stent restenosis［J］.American Journal of Hypertension，2016，29（4）：509-518.

［14］ STEELE L，PALMER J，LLOYD A，et al.The impact of smoking on mortality after acute ST-segment elevation myocardial infarction treated with primary percutaneous coronary intervention：a retrospective cohort outcome study at 3 years［J］.Journal of Thrombosis and Thrombolysis，2019，47（4）：520-526.

［15］ RIGOTTI N A，CLAIR C.Managing tobacco use：the neglected cardiovascular disease risk factor［J］.European Heart Journal，2013，34（42）：3259-3267.

［16］ NDREPEPA G，BRAUN S，KING L，et al.Relation of fibrinogen level with cardiovascular events in patients with coronary artery disease［J］.The American Journal of Cardiology，2013，111（6）：804-810.

［17］ ANG L，BIN THANI K，ILAPAKURTI M，et al.Elevated plasma fibrinogen rather than residual platelet reactivity after clopidogrel pre-treatment is associated with an increased ischemic risk during elective percutaneous coronary intervention［J］.Journal of the American College of Cardiology，2013，61（1）：23-34.

［18］ JASTER M，HORSTKOTTE D，WILLICH T，et al.The amount of fibrinogen-positive platelets predicts the occurrence of in-stent restenosis［J］.Atherosclerosis，2008，197（1）：190-196.

［19］ ZBINDEN R，VON FELTEN S，WEIN B，et al.Impact of stent diameter and length on in-stent restenosis after DES vs BMS implantation in patients needing large coronary stents--a clinical and health-economic evaluation［J］.Cardiovascular Therapeutics，2017，35（1）：19-25.

［20］ PLITT A，CLAESSEN B E，SARTORI S，et al.Impact of stent diameter on outcomes following percutaneous coronary intervention with second-generation drug-eluting stents：results from a large single-center registry［J］.Catheterization and Cardiovascular Interventions，2020，96（3）：558-564.

［21］ GANDHI S，MOSLEH W，SHEN J，et al.Automation，machine learning，and artificial intelligence in echocardiography：a brave new world［J］.Echocardiography，2018，35（9）：1402-1418.

（收稿日期：2024-08-08）

（本文編輯"郭懷印）