擴張型心肌病病人惡性心律失常風險 預測模型的構建及驗證

摘要目的：基于多項臨床指標構建并驗證擴張型心肌病病人惡性心律失常風險預測模型，以期為臨床早期識別和干預高危病人提供支持。方法：共納入610例擴張型心肌病病人，其中訓練集476例，驗證集134例，根據是否發生惡性心律失常分為惡性心律失常組與非惡性心律失常組。通過Logistic回歸分析探究其影響因素，據此構建預測模型，并構建列線圖。結果：476例訓練集擴張型心肌病病人中，109例 （22.9%） 發生惡性心律失常。Logistic回歸分析結果顯示，年齡、左心室射血分數（EF）、血糖、血鉀和腎小球濾過率（eGFR）是擴張型心肌病病人發生惡性心律失常的影響因素 （Plt;0.05） 。據此構建的預測模型內部驗證結果顯示，校準度良好，受試者工作特征（ROC）曲線下面積（AUC）為 0.800[95%CI（0.793，0.863） ]，具有較強的預測性能。外部驗證結果顯示，AUC為0.760L 95% CI（O.707，0.813）]，顯示出良好的預測能力。決策曲線分析（DCA）結果表明，模型在高危病人預測中具備較高的臨床實用性。結論：本研究構建的擴張型心肌病病人惡性心律失常風險預測模型整合多項臨床指標，能夠為臨床提供個體化的風險評估工具，對高危病人的早期識別和護理干預具有重要價值。未來應進一步通過多中心研究驗證其廣泛適用性，以優化模型的臨床應用潛力。

關鍵詞擴張型心肌?。粣盒孕穆墒С?；風險預測模型；列線圖；護理 doi：10.12102/j.issn.2095-8668.2025.16.026

擴張型心肌?。╠ilatedcardiomyopathy，DCM）是一種心肌病變，其主要特征是心臟肌肉的擴張和功能障礙，最終導致心臟功能的減弱[1-2]。DCM的發病機制多樣，涉及遺傳易感性、病毒感染、毒性物質攝入（如酒精和藥物）等多種因素[3-4]。臨床表現多為心臟擴大、心力衰竭、呼吸困難及乏力[5]。心臟超聲、心電圖、核磁共振等檢查可用于診斷和評估DCM的嚴重程度。DCM可導致各種嚴重并發癥，如心律失常、血栓形成、心源性猝死等，嚴重影響病人的生存率和生活質量[6]。惡性心律失常（MA）是一種嚴重的電生理異常，可引發心搏驟?；蜮溃Ｒ娦问桨ㄊ倚孕膭舆^速（VT）和心室顫動（VF）[7]。針對此類病人，主要治療措施是使用植入式心律轉復除顫器進行心臟再同步起搏除顫，但是除了積極有效的臨床干預還需要及時有效的護理措施[8。本研究以DCM病人為研究對象，探討DCM病人發生惡性心律失常的相關影響因素，并嘗試利用這些相關因素構建預測模型，旨在為早期識別DCM病人發生惡性心律失常做出預警，并進行針對性的十預，以及時對惡性心律失常進行早期診斷和早期治療，從而能夠在一定程度上改善病人的預后，并提供早期的臨床指導。

1 資料與方法

1.1一般資料

本研究選取2018年1月—2022年12月在華中科技大學同濟醫學院附屬同濟醫院心血管內科確診的610例DCM病人為研究對象，其中訓練集476例。根據住院期間是否發生惡性心律失常分為發生組和未發生組。納入標準：1）符合中國DCM診斷和治療指南[9]中的診斷標準；2）符合惡性心律失常診斷標準[10]，包括持續性室性心動過速、頻發多形室速、持續性室速、心室撲動以及心室顫動和發生血流動力學障礙的室速；3）臨床數據資料完整。排除標準：1）繼發于心肌缺血、高血壓、瓣膜病、先天性心臟病或甲狀腺功能亢進的心臟擴大[1];2）臨床資料不完整者。本研究已通過華中科技大學同濟醫學院附屬同濟醫院倫理審查委員會審查（編號：TJ-IRB20220102），所有病人均知情同意。

1.2 調查方法

1）一般資料：包括病人的年齡、體質指數（BMI、體溫、脈搏、呼吸、收縮壓（SBP）舒張壓（DBP）和平均動脈壓（MAP）等。2）心臟功能指標：包括左心室射血分數（EF）和左心室大小。3）實驗室檢查：血常規、血生化、肝腎功能和心功能指標等，具體包括白細胞（WBC）、紅細胞（RBC）、血紅蛋白（Hb）、血小板（PLT）凝血酶原時間（PT）、活化部分凝血活酶時間（APTT）、國際標準化比率（INR）、D-二聚體（D-dimer）、紅細胞沉降率（ESR）、三酰甘油、總膽固醇（TC）、低密度脂蛋白（LDL）、高密度脂蛋白（HDL）高敏肌鈣蛋白、B型腦鈉肽（BNP）、血糖、丙氨酸氨基轉移酶（ALT）天門冬氨酸氨基轉移酶（AST）、血肌酐、腎小球濾過率（eGFR）、血鉀（K）和血鎂（Mg）。

1.3資料收集方法

通過醫院信息系統回顧性收集病人臨床病歷資料，包括人口信息學特征、實驗室檢查和惡性心律失常等情況。由2名研究者獨立進行雙人核對，并確保數據準確、真實。

1.4 統計學方法

采用SPSS23.0軟件進行統計學分析。符合正態分布的定量資料采用均數±標準差 表示；組間比較采用t檢驗或秩和檢驗；非正態分布的定量資料采用中位數及四分位數 [M（P₂₅，P₇₅） 表示，采用MannWhitney U 檢驗。定性資料使用例數和百分比 （%） 進行描述，并采用 χ² 檢驗或Fisher精確概率檢驗進行組間比較。采用R軟件的rms包構建列線圖模型并進行可視化分析。依據各項臨床指標構建的列線圖預測模型得到對應評分，從而得出總分對應的疾病發生率。采用Bootstrap重復抽樣法對模型進行內部驗證。采用校準曲線和決策曲線分析（DCA）評估模型的準確性。以 Plt;0.05 表示差異有統計學意義。

2 結果

2.1DCM病人發生惡性心律失常的單因素分析

共納人476例DCM病人作為訓練集，依據住院期間是否發生惡性心律失常分為發生組（ ?_n=109， 和未發生組（ ?n=367） ，惡性心律失常發生率為 22.9% 。單因素分析結果顯示，年齡、EF、AST、血鉀、血糖和eGFR是DCM病人發生惡性心律失常的影響因素 （Plt;0.05） 。見表1。

表1DCM病人發生惡性心律失常的單因素分析

（續表）

2.2DCM病人發生惡性心律失常的多因素Logistic 回歸分析

以是否發生惡性心律失常為因變量（是 =1 ，否 O），將單因素分析中差異有統計學意義的變量作為自變量（均原值輸入），進一步進行多因素Logistic回歸分析。Logistic回歸分析結果顯示，年齡、EF、血糖、血鉀和eGFR是DCM病人發生惡性心律失常的影響因素 （Plt;0.05） ，見表2。

表2DCM病人發生惡性心律失常的多因素Logistic回歸分析

2.3DCM病人發生惡性心律失常風險預測模型的 構建

基于多因素Logistic回歸分析結果構建DCM病人發生惡性心律失常的列線圖風險預測模型，見圖1。

該模型整合了年齡、EF、血糖、血鉀、eGFR5個變量，能夠為DCM病人生成個體化的惡性心律失常發生風險評分，并估算其發生惡性心律失常的可能性。

圖1DCM病人惡性心律失常風險預測列線圖

2.4DCM病人惡性心律失常風險預測模型的驗證

2.4.1 內部驗證

Bootstrap重抽樣法結果顯示，該模型具有較好的校準性和預測能力。校準曲線顯示，模型的預測結果與實際觀察值之間有較高的一致性，見圖2。DCA結果顯示，該模型在多個決策閾值下均顯示出良好的凈收益，尤其是在高危病人的風險預測中具備較高的臨床實用性，見圖3。此外，訓練集上的受試者工作特征（ROC）曲線分析顯示，模型的ROC曲線下面積（AUC）為 0.800[95%CI（0.793，0.863）] 1，見圖4。表明列線圖風險預測模型可以作為臨床醫生用于早期識別和干預DCM病人惡性心律失常風險的有效工具。

圖2訓練集的校準曲線

圖3訓練集的決策曲線

圖4訓練集的ROC曲線

2.4.2 外部驗證

為了進一步評估構建模型的泛化能力和預測穩健性，除了進行內部驗證外，本研究還引入了另一部分獨立數據進行外部驗證。驗證集選取2023年1月一12月本研究中心其他院區收治的符合DCM診斷標準的134例DCM病人，該樣本集與訓練數據集具有相似的特征分布，但來源不同，以確保驗證結果的可靠性和廣泛適用性。外部驗證的ROC曲線分析結果顯示，模型的AUC為 ，其預測準確率可達 83.33% ，進一步證實了其在獨立數據集中的預測性能，表明本研究所構建的模型在不同數據集下均具有較高的診斷效能，見圖5。校準曲線結果顯示，預測值與實際值之間的擬合良好，驗證了模型在不同數據集下的穩健性，見圖6。為進一步確認模型在不同風險值下的效用，還進行了DCA分析，結果顯示該模型在不同決策閾值下依然具有較高的凈收益，尤其在高危病人的風險預測中表現突出，見圖7。表明列線圖預測模型不僅在訓練數據集上有效，在獨立的外部驗證數據上也能夠實現較高的臨床應用價值。

圖5驗證集的ROC曲線

圖6驗證集的校準曲線

圖7驗證集的決策曲線

3 討論

本研究構建并驗證了一個DCM病人發生惡性心律失常風險的預測模型，并確認了多個臨床指標，如年齡、EF、血鉀、血糖和eGFR等對惡性心律失常風險的影響。這些結果不僅為臨床醫生提供了早期識別高風險病人的依據，也為制定個性化的護理方案提供了新的視角。

3.1DCM病人發生惡性心律失常的影響因素

隨著年齡的增加，心臟電生理的穩定性逐漸下降。老年人心臟的自主神經調節、離子通道功能以及心臟結構的變化（如心室肥厚和心臟纖維化）是導致惡性心律失常的重要因素。此外，老年病人常伴隨高血壓、糖尿病等并發癥，這些合并癥進一步增加了惡性心律失常的發生風險。因此，年齡作為惡性心律失常的重要預測因素，不僅反映了心臟功能的自然衰退，還暗示了病人在電生理及心臟結構上存在潛在的風險。EF是評估心臟泵血功能的重要指標。EF下降反映了心肌收縮力的減弱，并可能導致心臟的電生理特性變化。EF下降常伴隨心臟重塑，增加了室性心律失常的發生風險。EF降低不僅使心臟對負荷的耐受性變差，還使心肌細胞的電生理穩定性降低，易引發惡性心律失常。糖尿病及血糖波動是惡性心律失常的重要危險因素之一。血糖波動可能通過改變心臟的自主神經功能、引起氧化應激、促進心肌纖維化等機制增加惡性心律失常的發生風險。特別是高血糖和低血糖都可能干擾心臟的電生理穩定性，改變心肌細胞的離子通道功能，進而誘發惡性心律失常。低血鉀已被廣泛證明是惡性心律失常的危險因素，尤其在使用利尿劑等藥物治療的病人中更為常見。鉀離子是維持心臟電生理穩定的重要離子，低鉀會導致心臟的動作電位延長，增加室性早搏的發生率，最終導致室性心動過速或心室顫動等惡性心律失常。腎功能不全是DCM病人中惡性心律失常的另一危險因素。腎功能衰退常伴隨電解質紊亂（如低鉀、低鈉等）和酸堿平衡失調，這些都會影響心臟的電生理特性。腎功能的下降不僅會導致代謝廢物的積累，還會通過影響電解質和神經內分泌系統增加心律失常的發生風險。

3.2針對DCM病人發生惡性心律失常影響因素的護理策略

對于DCM病人，惡性心律失常的發生增加了其病死率[12]。因此，早期預防和及時干預至關重要。本研究建立的預測模型能為護理人員有效識別高危病人提供工具，并根據其特定的風險因素實施個性化的護理干預，進一步提升臨床管理的精準度。

3.2.1基于年齡的護理策略

研究表明，隨著病人年齡的增加，惡性心律失常的風險顯著升高[13]。老年病人通常伴隨多種合并癥，這使得其對心臟功能的變化更加敏感[14]。因此，護理工作應重點關注老年病人，進行更為密集的監護，包括定期測量血壓、心率、心電圖等，并監控病人的用藥依從性。此外，應加強病人教育，幫助老年病人及其家屬識別心律失常的早期癥狀，如心悸、暈厥等，確保能及時就醫。

3.2.2基于EF降低的護理策略

EF的降低是DCM病人發生惡性心律失常的獨立風險因素。對于EF顯著下降的病人，護理干預應側重于嚴密監測心功能和心臟負荷[15]。護理人員應定期進行心電監測，尤其是在夜間或病人活動后。與此同時，加強對病人液體攝人量和利尿劑使用的管理，避免心臟負荷的過度增加。此外，對于EF低的病人，適當的運動康復計劃也是護理干預的重要組成部分，應與病人的心臟功能狀態相匹配，以避免誘發心律失常。

3.2.3 電解質管理的護理策略

本研究結果顯示，低血鉀水平是DCM病人發生惡性心律失常的危險因素，這與既往研究結果[16]一致。護理干預應優先關注病人的電解質水平，特別是使用利尿劑的病人，因為利尿劑會導致鉀流失。護理人員應定期監測病人的血鉀水平，并根據監測結果進行補鉀治療。對于低鉀的病人，除了藥物補鉀外，還應建議病人增加富含鉀的飲食，如香蕉、橙汁等[17]。持續監測電解質水平可以有效預防因低鉀引起的心臟電生理紊亂，從而減少惡性心律失常的發生率。

3.2.4血糖控制的護理策略

本研究結果顯示，血糖波動與惡性心律失常的風險密切相關。高血糖和低血糖都可能導致心臟的自主神經調節異常，進而誘發心律失常[18]。因此，護理人員應密切監測病人的血糖水平，尤其是合并糖尿病的病人。在護理干預中，糖尿病管理團隊可以與心臟科醫生合作，制定個性化的胰島素調節方案，確保病人血糖水平穩定，避免低血糖或高血糖導致的心律失常風險。護理人員還應教育病人進行自我血糖監測，并根據不同的活動狀態或藥物調整血糖控制策略。

3.2.5 腎功能下降的護理策略

本研究結果顯示，腎功能下降是DCM病人發生惡性心律失常的危險因素。護理人員在管理此類病人時應密切監測eGFR，并在腎功能進一步惡化時及時調整病人的液體管理和藥物治療[19]。腎功能不全的病人常常需要精確的液體平衡管理，以避免液體超負荷或電解質失衡引發的心律失常。護理干預應包括與腎臟科協作，確保病人接受適當的透析治療或藥物調整，并定期監測腎功能指標。護理人員還應教育病人及其家屬注意體液變化的早期癥狀，如水腫、尿量減少等，以便及時干預。

3.3DCM病人發生惡性心律失常風險預測模型在護理中的應用價值

本研究構建的DCM病人惡性心律失常風險預測模型不僅為臨床醫生提供了量化風險評估的工具，也為護理人員提供了指導個性化護理干預的基礎。通過模型的應用，護理人員可以識別出高風險病人，并根據模型的預測結果調整護理計劃。個性化的護理干預策略可以包括更頻繁地監測、針對性的教育以及更緊密的多學科合作，以確保病人得到最佳的護理管理。此外，在臨床護理中應用預測模型還可以提升護理團隊的工作效率，將有限的護理資源合理分配給最需要密切監測和干預的病人。未來，隨著技術的進步，護士還可以借助智能設備和遠程監測系統，對高風險病人進行實時監控，及時發現心律失常的先兆，提供更為精準的護理干預。

3.4 研究展望

在風險預測模型的構建中，本研究整合了年齡、EF、血糖、血鉀和eGFR5個變量，取得了較好的預測效果。然而，現有研究中已提出了多個關于心臟疾病特別是DCM的預測模型[20]。這些模型通常結合臨床指標、基因數據以及生物標志物進行預測。若通過基因組數據與心臟影像學特征結合能夠更精確地預測心臟疾病的發生與進展。盡管本研究構建的模型預測性能良好，但與其他多變量預測模型對比，特別是結合基因、影像學數據的預測模型比較，未來可能須進一步提升模型的預測性能和泛化能力。本研究構建的預測模型強調了傳統臨床指標在風險預測中的作用，尤其是血糖、血鉀和eGFR等常規檢查項目，這使得其在臨床中具有較強的實用性和可操作性。然而，現有模型往往忽略了病理生理機制的深層分析。因此，在今后的研究中建議結合更多生物標志物和臨床影像學指標，進一步提高預測準確性。

4小結

本研究構建了一個有效的預測模型，為DCM病人惡性心律失常風險評估提供了量化工具，同時為護理人員制定精準干預策略提供了重要參考，具有廣泛的臨床應用潛力。通過基于風險預測模型的個性化護理管理可以在一定程度上改善DCM病人的預后，降低其死亡率。但本研究仍存在一些局限性：本研究為單中心回顧性研究，數據來自單一中心，且為回顧性研究，可能存在選擇偏倚；且未對病人進行長期隨訪，因此無法評估模型在長期風險預測中的表現。盡管本研究涉及610例病人，但考慮到DCM及惡性心律失常的復雜性，樣本量仍然相對較小。未來研究應納入更大樣本量，以驗證模型的適用性。盡管本研究使用了內部驗證方法，但外部驗證不足。外部驗證能夠確保模型在不同人群和環境中的穩定性和適用性，因此未來需要更多的外部數據驗證?？傊?，盡管本研究在惡性心律失常風險預測方面取得了初步進展，但仍需進一步優化和驗證。通過克服上述不足，未來的預測模型有望在臨床和護理實踐中發揮更大的作用，幫助早期識別高風險病人并實施精準干預，從而改善DCM病人的長期預后。

參考文獻：

[1]HEYMANSS，LAKDAWALANK，TSCHOPEC，etal.Dilatedcardiomyopathy：causes，mechanisms，and current and futuretreatment approaches[J].TheLancet，2023，402（10406）：998-1011.

[2]FANGQM，KANA，LISH，etal.Predictivevalueof leftatrialstrainforleftventricularreverseremodelingindilatedcardiomyopathy[J].International Journal of Cardiology，2O25，423：133020.

[3]MERLO M，CANNATA A，GOBBO M，et al.Evolving conceptsindilated cardiomyopathy[J].European Journal of Heart Failure，2018，20（2）：228-239.

[4]HARDINGD，CHONG MHA，LAHOTIN，etal.Dilatedcardiomyopathy and chronic cardiac inflammation：pathogenesis，diagnosisand therapy[J].Journal of Internal Medicine，2O23，293（1）：23-47.

[5]JAPPAG，GULATIA，COOKSA，etal.The diagnosis andevaluation of dilated cardiomyopathy[J].Journal of the AmericanCollege of Cardiology，2016，67（25）：2996-3010.

[6]GIGLIM，STOLFOD，MERLOM，etal.Pathophysiologyofdilated cardiomyopathy：from mechanisms to precision medicine[J].Nature Reviews Cardiology，2025，22（3）：183-198.

[7]HERRMANN J.Adverse cardiac effects of cancer therapies：cardiotoxicityand arrhythmia[J].NatureReviews Cardiology，2020，17（8）：474-502.

[8]DITTMAN B K.Percutaneous biventricular mechanical heartsupport in cardiogenic shock：a nursing case report[J].Critical CareNurse，2019，39（2）：15-28.

[9]中華醫學會心血管病學分會，中國心肌炎心肌病協作組.中國擴張型心肌病診斷和治療指南[J].臨床心血管病雜志，2018，34（5）：421-434.

[10] 張澍，黃德嘉.中國心律失常診療指南與進展[M].北京：人民衛生出版社，2018：282.

[11] REICHARTD，MAGNUSSENC，ZELLERT，etal.Dilatedcardiomyopathy：from epidemiologic to genetic phenotypes[J].Journal ofInternal Medicine，2019，286（4）：362-372.

[12] 董忻悅，張賢，沈志云，等.擴張型心肌病護理實踐規范[J].中國分子心臟病學雜志，2023，23（2）：5239-5249.

[13] 張宇，黃聰，羅憶群.擴張型心肌病心力衰竭病人發生心房顫動的預測模型構建[J].中西醫結合心腦血管病雜志，2023，21（16）：3032-3036.

[14] 耿紅亮，張正偉，鄭鵬帥，等.擴張型心肌病短期預后的影響因素[J].河南醫學研究，2023，32（7）：1229-1233.

[15] 張夢宇，張航.射血分數改善的心力衰竭患者臨床特征及預后分析[J].醫學研究與戰創傷救治，2024，37（4）：381-387.

[16] 陳愿，趙子明，崔留義，等.冠心病不穩定型心絞痛PCI術后并發惡性心律失常的風險預測列線圖模型研究[J].中國循證心血管醫學雜志，2023，15（3）：293-296.

[17] 王海華，王紅，鮑云非.1例高血鉀合并糖尿病腎病素食患者的飲食護理[J].現代臨床護理，2019，18（11）：82-84.

[18] 趙婕，王芳，郭靜，等.STEMI患者惡性室性心律失常與血脂、血糖、同型半胱氨酸代謝的關系[J].臨床醫學研究與實踐，2022，7（3）：11-13.

[19]KREUZJ，BALTAO，LINHARTM，etal.An impaired renalfunction and advanced heart failure represent independentpredictors of the incidence of malignant ventricular arrhythmiasinpatients with animplantable cardioverter/defibrillator forprimaryprevention[J].Europace，2010，12（10）：1439-1445.

［20]孔穎，王一凡，黃瑞婷，等.基于多種機器學習方法識別擴張性心肌病的新型生物標志物[J].醫用生物力學，2024，39（S1）：78（收稿日期：2025-02-20；修回日期：2025-07-25）（本文編輯 趙奕雯）