非瓣膜性房顫的危險因素分析及預測模型建立

陸程燦，董志強，王佳寧，劉亞慧，趙劍鋒

1.南京醫科大學附屬江寧醫院藥學部，江蘇南京 211100；2.江蘇衛生健康職業學院江寧臨床醫學院，江蘇南京 211800

心房顫動（簡稱房顫）是最常見的一種室上性快速性心律失常，常伴有不協調的心房電激活，進而導致心房收縮無效[1]。非瓣膜性房顫（nonvalvular atrial fibrillation, NVAF）由瓣膜病之外的因素引起房顫，在所有類型中的發病率占比最高，成為國內外房顫研究關注的重點[2]。房顫具有較高的發病率和病死率，我國年齡校正后的房顫患病率為1.6%[3]。房顫不僅會引起患者心慌、心悸等不適，還會引發多種嚴重并發癥，造成患者認知功能障礙，顯著降低生活質量，給全球社會健康和衛生經濟帶來巨大負擔[4]。目前研究已證實多個因素與房顫發生相關，其中包括不可干預的因素，如年齡、性別、身高、基因，可干預的因素，如肥胖、阻塞性呼吸睡眠暫停、高脂血癥、吸煙、飲酒、高血壓、心力衰竭、糖尿病和心臟瓣膜病，以及一些實驗室檢查指標，如肌鈣蛋白、血漿腦鈉肽、生長分化因子、肌酐、C反應蛋白和D-二聚體[5-6]。然而，由于研究對象、時間、地點的不同，得到的結論也有所差異，需要更多不同地域的研究并進行分析匯總。因此，本研究通過對2022 年11 月—2023 年4 月期間于南京醫科大學附屬江寧醫院心血管內科住院治療的南京地區320 例心血管疾病患者進行流行病學研究，旨在篩選非瓣膜性房顫相關危險因素并建立預測模型，提高醫生對患者的臨床管理水平。現報道如下。

1 對象與方法

1.1 研究對象

選擇于本院心內科住院治療的南京地區320 例心血管疾病患者為研究對象，將非瓣膜性房顫患者和其他非房顫的心血管疾病患者各160 例分別作為房顫組和對照組，所有參與者均經心電圖檢查，并由2 位資深醫師獨立確認。本研究得到了醫院醫學倫理委員會的批準。患者及家屬知情同意本研究。

1.2 納入與排除標準

納入標準：心悸、乏力、頭暈、呼吸困難、胸痛、焦慮、存在心血管危險因素或心臟生物標志物的異常變化的心血管疾病患者，房顫的診斷通過心電檢查得到證實。

排除標準：嚴重心臟瓣膜病、急性冠脈綜合征、左心室射血分數＜20%的心力衰竭、主動脈夾層者；肺栓塞者；惡性腫瘤者；自身免疫性疾病者；嚴重感染性疾病者；近期外科手術史和嚴重肝腎功能不全者。

1.3 方法

收集入組患者的計量資料和分類變量，包括人口統計學信息[性別、年齡、體質量、體質指數（body mass index, BMI）、收縮壓、舒張壓和糖化血紅蛋白]、心功能指標（射血分數、左房內徑、左室舒張末期內徑、心率和D-二聚體）、肝腎功能指標（總膽汁酸、總膽紅素、白蛋白、球蛋白、谷丙轉氨酶、谷草轉氨酶、尿素、肌酐、尿酸和肌酐清除率）、個人史及基礎疾病情況（吸煙史、飲酒史、心功能不全、冠心病和高脂血癥）。

1.4 觀察指標

房顫的心電圖特征包括不規則的R-R 間期（當房室傳導未受損時）、無明顯的重復P 波和不規則的心房激活。體表心電圖記錄到有癥狀或無癥狀房顫。建立臨床房顫診斷所需的房顫描記的最短持續時間至少為30 s，或完整的12 導聯心電圖[7]。

1.5 統計方法

采用SPSS 26.0 統計學軟件分析數據。符合正態分布的計量資料用(±s)表示，采用t檢驗；偏態分布的計量資料用M（P25，P75）表示，采用Mann-WhitneyU檢驗；計數資料用例數（n）和率（%）表示，采用χ2檢驗。將上述分析中具有顯著性差異的變量納入Logistic 回歸分析篩選房顫發生的相關危險因素，同時計算比值比（odds ratio, OR）和95%置信區間（confidence interval, CI）。依托最適的危險因素組合建立預測模型，并使用受試者工作特征曲線（receiver operating characteristic curve, ROC）評估模型的診斷效能，根據Youden 指數選擇合適的敏感度和特異性。P＜0.05 為差異有統計學意義。

2 結果

2.1 兩組患者一般資料比較

與對照組相比，房顫組的年齡、體質量、BMI、收縮壓、舒張壓和糖化血紅蛋白較高，男、心功能不全和有吸煙史的人群發生房顫概率更高，差異有統計學意義（P＜0.05）。部分兩組心功能指標（射血分數、左房內徑、心率和D-二聚體）和肝腎功能指標（白蛋白、尿素、肌酐和尿酸）比較，差異有統計學意義（P＜0.05）。見表1。

表1 兩組患者一般資料比較

2.2 多因素Logistic 分析及ROC 曲線繪制

將表1 中具有顯著性差異的變量（P＜0.05）納入Logistic 回歸分析，采用向前逐步選擇法（Wald）篩選房顫發生的相關危險因素，結果顯示：體質量、收縮壓、糖化血紅蛋白、左房內徑和D-二聚體是房顫發生的相關危險因素（OR＞1，P＜0.05），而白蛋白是房顫發生的保護因素（OR＜1，P＜0.05），見表2。方差膨脹因子（variance inflation factor,VIF）＜5 說明各因素之間不存在多重共線性。預測模型的似然比檢驗P＜0.001，擬合優度Hosmer-Lemesho 檢驗P＞0.05，證明模型建立成功。預測房顫發生的模型方程為：Y=-10.851+0.053×X體質量+0.028×X收縮壓+0.695×X糖化血紅蛋白+2.230×X左房內徑+1.017×XD-二聚體-0.228×X白蛋白。

表2 房顫組和對照組的Logistic 分析結果

選擇上述危險因素組合建立預測模型，并以預測概率為狀態變量繪制的ROC 曲線，檢測危險因素集對于房顫發生的預測效能。兩組的ROC 曲線下面積（area under curve, AUC）、敏感度和特異性分別為0.895、80.0%和85.3%，見圖1。

圖1 房顫組和對照組的ROC 曲線分析

3 討論

中國已經處于老齡化社會，據聯合國統計，預估到2050 年，我國65 歲以上人口數量將由2019 年的1.76 億上升至3.4 億[8]。伴隨人口老齡化及心血管疾病人數的增加，預計在未來幾十年內房顫患者會大幅增加[9]。由于心房顫動復雜的發生機制，居高不下的發病率、復發率與致殘率，積極尋找參與房顫發生的影響因素，采取有效的房顫管理策略意義重大。

近年來多項流行病學研究表明肥胖與房顫之間存在密切且獨立的關系[10]。一項5 000 多人的孟德爾隨機分析顯示，高BMI 相關的遺傳變異與房顫的高發病率相關[11]。有關研究發現，通過控制干預肥胖能夠有效降低房顫發生頻率及腦卒中發生率，為患者自身健康提供有效保證[12]。高血壓是房顫發生的公認危險因素[13]。研究表明，收縮壓≥130 mmHg 和收縮壓120～129 mmHg 發生房顫的風險分別增加了2.6 倍和1.8 倍[14]。有關研究發現，對存在心血管疾病高風險的高血壓患者，強化降壓治療相比于標準降壓治療，新發房顫的風險可降低26%[15]。糖尿病能夠介導心房結構重塑、電重塑和自主神經張力改變，最終導致房顫發生[16]。糖化血紅蛋白用于反映糖尿病患者血糖控制水平，有研究表明血漿中糖化血紅蛋白水平可作為糖尿病患者發生房顫的預測指標[17]。在一項全國性的隊列研究中，年輕的糖尿病患者的房顫風險增加了2倍以上，糖尿病與房顫的發生獨立相關[18]。心衰與房顫彼此促進，形成惡性循環[19]。左房擴大是房顫發生的強預測因子，隨著左房內徑增大，房顫發生和進展的風險也隨之增加[20]。本研究顯示年齡、肥胖、高血壓、糖尿病、心功能不全、左房內徑增加與房顫的發生密切相關，與上述研究結果一致。然而，研究中簡單關聯分析發現的性別、吸煙史、心功能指標（心率、射血分數和D-二聚體）和腎功能指標（尿素、肌酐和尿酸）在經過多因素logistic 回歸篩選后并未留存在最終模型中，可能是存在著混雜變量、中介變量或交互效應的影響，在多因素回歸下暴露因素對結局的影響更加真實[21]。此外，本研究創新性地發現了白蛋白與房顫發生率呈負相關，提示臨床工作中應重視血清白蛋白的常規檢測，以預測房顫的發生風險及其他不良結局的發生，這與近期相關研究的觀點一致[22-23]。此外，一項針對基于四川地區房顫患者的病例對照研究發現，基于左房內徑、白蛋白水平和三尖瓣關閉建立預測模型的準確率為80%[24]；本研究得到的AUC、敏感度和特異性分別為0.895、80.0%和85.3%，在一定程度上提升了模型的診斷效能。

綜上所述，房顫患者存在一組獨特的危險因素組合（體質量、收縮壓、糖化血紅蛋白、左房內徑、D-二聚體和白蛋白），且具有較好的預測價值，模型的應用可以為房顫的篩查和管理提供一定信息。然而，本研究樣本量較少，且結果未在其他臨床中心群體中進行驗證，后續需要進行更深入地探索。