基于LASSO回歸的冠心病患者發生心力衰竭的風險預測模型構建

[摘要]目的分析冠心病患者發生心力衰竭的危險因素，構建并驗證冠心病（coronaryheartdisease，CHD）患者發生心力衰竭的列線圖預測模型。方法回顧性分析2022年1月至12月于沈陽醫學院附屬第二醫院住院治療的453例CHD患者的臨床資料，其中CHD合并心力衰竭患者278例，未合并心力衰竭患者175例，將患者按7∶3分為訓練組（318例）和驗證組（135例），應用R軟件進行LASSO回歸篩選危險因素，Logistic回歸建立預測模型并構建列線圖，采用校準曲線和受試者操作特征曲線（receiveroperatingcharacteristiccurve，ROC曲線）評價模型的校準度和區分度。結果LASSO回歸分析最終從22個變量中篩選出5個危險因素，Logistic回歸結果顯示年齡、吸煙、有心肌梗死病史、紐約心臟病協會（NewYorkHeartAssociation，NYHA）心功能分級Ⅳ級、左室射血分數（leftventricularejectionfraction，LVEF）均是CHD患者發生心力衰竭的獨立危險因素（P<0.05）。模型公式：Z=–2.927+0.045×年齡+0.886×吸煙+0.808×心肌梗死病史–2.829×NYHA心功能分級Ⅳ級+0.037×LVFF。對該模型進行內部驗證，曲線下面積為0.727（95%CI：0.588～0.752），敏感度為40.4%，特異性為84.3%，約登指數為0.247。校準曲線預測值與實際值一致性較高，Brier評分0.106。結論基于LASSO回歸構建的CHD患者發生心力衰竭的風險預測模型具有較好的區分度和預測效能，可作為醫務人員對患者進行風險預測的評估工具。

[關鍵詞]冠心病；心力衰竭；列線圖；風險預測；LASSO回歸

[中圖分類號]R541.4；R541.6[文獻標識碼]A[DOI]10.3969/j.issn.1673-9701.2024.28.001

ConstructionofriskpredictionmodelofheartfailureinpatientswithcoronaryheartdiseasebasedonLASSOregression

XUYikang1，MAJingru1，YANGYang1，LIULei2，ZHANGZhifeng2，SUNSiqi2，LIManman2，ZHANKaiwen2

1.DepartmentofCardiology，theSecondAffiliatedHospitalofShenyangMedicalCollege，Shenyang110000，Liaoning，China;2.SchoolofNursing，LiaoningUniversityofTraditionalChineseMedicine，Shenyang110000，Liaoning，China

[Abstract]ObjectiveToanalyzetheriskfactorsofheartfailureinpatientswithcoronaryheartdisease（CHD），andtoconstructandverifyanomogrampredictionmodelfortheriskofheartfailureinpatientswithCHD.MethodsTheclinicaldataof453patientswith&nbsp;CHDwhowerehospitalizedintheSecondAffiliatedHospitalofShenyangMedicalCollegefromJanuarytoDecember2022wereretrospectivelyanalyzed，including278patientswithCHDcombinedwithheartfailureand175patientswithoutheartfailure.Thepatientsweredividedintotraininggroup（318cases）andvalidationgroup（135cases）accordingtotheratioof7：3.RsoftwarewasappliedtoperformLASSOregressiontoscreentheriskfactors，andLogisticregressiontoestablishapredictionmodelandconstructanomogram.Thecalibrationcurveandreceiveroperatingcharacteristic（ROC）curvewereusedtoevaluatethecalibrationanddiscriminationofthemodel.ResultsLASSOregressionanalysisultimatelyscreenedfiveriskfactorsfrom22variables，andLogisticregressionresultsshowedthatage，smoking，historyofmyocardialinfarction，NewYorkHeartAssociation（NYHA）cardiacfunctionclassⅣ，andleftventricularejectionfraction（LVEF）wereallindependentriskfactorsforheartfailureinCHDpatients（P<0.05）.ThemodelformulawasZ=–2.927+0.045×age+0.886×smoking+0.808×historyofmyocardialinfarction–2.829×NYHAcardiacfunctionclassⅣ+0.037×LVFF.Internalvalidationofthemodelshowedthatareaunderthecurvewas0.727（95%CI：0.588-0.752），thesensitivitywas40.4%，thespecificitywas84.3%，andtheYoudenindexwas0.247.Accordingtothecalibrationcurve，thepredictedvalueofthecalibrationcurvewashighlyconsistentwiththeactualvalue，andtheBrierscorewas0.106.ConclusionTheriskpredictionmodelforheartfailureinpatientswithCHDbasedonLASSOregressionhasgooddiscriminationandpredictionefficiency，whichcanbeusedasanevaluationtoolformedicalstafftopredicttheriskofpatients.

[Keywords]Coronaryheartdisease;Heartfailure;Nomograms;Riskprediction;LASSOregression

全球疾病負擔報告顯示2019年全球約有冠心病（coronaryheartdisease，CHD）患者1.97億[1]。《中國心血管健康與疾病報告2021》顯示，中國CHD患病率持續升高，CHD患病人數約1139萬人[2]。研究顯示中國48.3%的心力衰竭由CHD引發[3]。基于國家“防重于治”的理念，將防控關口前移，早期識別發生心力衰竭的高危人群，及時探求危險因素，制定個體化防治策略，可降低心力衰竭發病率、延緩疾病進展及延長患者壽命[4]。LASSO回歸以其處理多重共線性數據的優勢，近年來在危險因素篩選中應用較為廣泛[5]。本研究使用LASSO回歸方法篩選CHD患者發生心力衰竭的危險因素，采用Logistic回歸構建風險預測模型并以列線圖形式展現，為早期識別高危人群、制定心力衰竭精準預防措施、延緩CHD患者發生心力衰竭的進程提供科學依據。

1資料與方法

1.1研究對象

回顧性分析2022年1月至12月于沈陽醫學院附屬第二醫院住院治療的CHD患者的臨床資料。納入標準：①年齡>18歲；②符合歐洲心臟病學會指南的冠心病臨床診斷標準[6]。排除標準：①伴有嚴重肝腎功能衰竭、肺功能衰竭、心臟瓣膜疾病、重癥感染、免疫系統疾病及惡性腫瘤者；②臨床資料不完整者。心力衰竭診斷參照《中國心力衰竭診斷和治療指南2024》[7]。本研究經沈陽醫學院附屬第二醫院醫學倫理委員會審核批準（倫理審批號：2023-沈醫二院倫理-04Y26Jyede3u9fRSDrRUtNWTYI7SsQTn9qZ+m5LTVzs3E=1）。

1.2資料收集

通過查閱患者的電子病歷，收集社會人口學資料、疾病相關資料及各種實驗室檢查指標。人口學資料包括年齡、性別、體質量指數（bodymassindex，BMI）、吸煙及飲酒史、既往藥物應用情況；疾病資料包括高血壓、糖尿病、心肌梗死、房顫/房撲、腦卒中、慢性腎功能不全、外周動脈疾病、血脂異常、紐約心臟病協會（NewYorkHeartAssociation，NYHA）心功能分級；實驗室資料包括心鈉素、尿酸、左室射血分數（leftventricularejectionfraction，LVEF）、左室舒張末期內徑、空腹血糖、血肌酐、血紅蛋白、血鈉、血鉀、三酰甘油、總膽固醇、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、超敏C反應蛋白。

1.3統計學方法

數據采用雙人雙錄入至Epidata3.0數據庫，運用R語言軟件（4.0.5版本）對數據進行統計分析。符合正態分布的計量資料以均數±標準差（）表示，比較采用t檢驗，不符合正態分布的計量資料以中位數（四分位數間距）[M（Q1，Q3）]表示，比較采用Mann-WhitneyU檢驗。計數資料以例數（百分率）[n（%）]表示，比較采用χ2檢驗。P<0.05為差異有統計學意義。采用LASSO回歸篩選危險因素，Logistic回歸建立預測模型，列線圖對結果進行可視化呈現。采用受試者操作特征曲線（receiveroperatingcharacteristiccurve，ROC曲線）評價模型的預測效能，繪制校準曲線進行模型一致性檢驗。曲線下面積（areaunderthecurve，AUC）為0.5～0.7，表示模型預測性能一般；AUC為0.7～0.9，表示模型預測性能良好；AUC>0.9，表示模型預測性能非常好[8]。校準概率以Brier評分表示，Brier評分越接近0，表示模型校準度越好[9]。

2結果

2.1患者的一般情況

本研究共納入453例CHD患者，合并心力衰竭者278例，占比61.4%，未合并心力衰竭者175例，占比38.6%。年齡25～97歲，平均（68.50±12.75）歲；男303例，女150例。將453份數據資料按照7∶3分為訓練組（318例）和驗證組（135例）。訓練組和驗證組患者的一般特征和臨床資料比較差異均無統計學意義（P>0.05），見表1。

2.2CHD患者發生心力衰竭的危險因素篩選

對CHD發生心力衰竭和未發生心力衰竭患者的臨床資料進行LASSO回歸分析，最終從22個變量中篩選出5個危險因素，分別為年齡、吸煙、心肌梗死、NYHA心功能分級、LVEF，均為非零系數。使用10倍交叉的方法，驗證擬合不同變量組合下的模型，依據lambda.1se變量篩選準則，log（λ）=0.050模型性能優良且模型精簡，見圖1、圖2。

2.3基于Logistic回歸的風險預測模型構建

使用訓練組數據進行模型構建，以是否發生心力衰竭為因變量（未發生=0，并發=1），將LASSO回歸篩選出的變量作為自變量納入Logistic回歸模型進行分析。自變量賦值情況：年齡（賦值：實測值）、吸煙（賦值：是=1，否=0）、心肌梗死（賦值：是=1，否=0）、NYEF心功能分級（賦值：實測值）、LVEF（賦值：實測值）。結果顯示年齡、吸煙、有心肌梗死病史、NYHA心功能分級Ⅳ級、LVEF均是CHD

患者發生心力衰竭的獨立危險因素（P<0.05），見表2。模型公式：Z=–2.927+0.045×年齡+0.886×吸煙+0.808×心肌梗死病史–2.829×NYHA心功能分級Ⅳ級+0.037×LVFF。

2.4模型驗證

使用驗證組數據進行模型驗證，結果顯示AUC為0.727（95%CI：0.588～0.752），敏感度為40.4%，特異性為84.3%，約登指數為0.247，表示該模型具有中等區分度，見圖3。校準曲線接近于理想曲線，Brier評分0.106，提示校準曲線預測值與實際值一致性較高，模型預測能力較好，見圖4。

2.5列線圖建立

構建可視化列線圖，5個危險因素分別對應列線圖橫軸上的具體分值，將這些因素對應的分值相加，即得到總分。總分越高，CHD患者發生心力衰竭的危險就越大，見圖5。

3討論

本研究結果顯示，年齡越高、吸煙、有心肌梗死病史、NYHA心功能分級高、LVEF低均是CHD患者發生心力衰竭的危險因素。分析原因：①年齡：個體的心臟功能隨著年齡增長而逐漸衰退，CHD患者雖然經過專業治療，但其心臟功能恢復緩慢，心力衰竭發生風險也隨之增高，因此高齡是CHD患者發生心力衰竭的獨立危險因素[10-11]；②吸煙：流行病學調查發現，有吸煙史的患者發生心肌梗死的年齡段比無吸煙史者早約10年[12]。究其原因：吸煙產生的炎癥反應及氧化應激可引起患者左室舒張功能障礙、心室質量增加等心臟功能和結構變化；且煙霧中的苯并芘、尼古丁、一氧化碳等可導致血管內皮損傷，促進動脈粥樣硬化，也會引發心臟收縮功能失常，從而增加心力衰竭的發生風險[13]；③心肌梗死：研究發現急性心肌梗死入院患者心力衰竭發病率為14%～36%[14]；國外研究發現心肌梗死后30d至5.7年心力衰竭發生率為13.1%～37.5%[15-16]。心肌梗死發生后，心肌細胞壞死、數量減少，從而導致心臟重構，而心臟重構是心肌梗死后心力衰竭發生的病理基礎。心肌梗死后的壞死細胞引發機體損傷，從而發生炎癥反應，加重組織受損。同時，心肌梗死后心排血量降低可激活交感神經系統，加重心臟負荷和心臟重構，最終引發心力衰竭[17]；④NYHA心功能分級：研究發現心功能分級與低氧誘導因子-1α（hypoxia-induciblefactor-1α，HIF-1α）呈正相關，且心功能越差，HIF-1α水平越高，而心力衰竭患者的血清HIF-1α明顯升高[18]。NYHA分級越高，冠狀動脈病變越發嚴重和復雜，是心力衰竭的診斷依據；⑤LVEF：LVEF是判斷心臟收縮功能的重要指標，LVEF越低說明心臟收縮能力越弱，也是臨床判斷心力衰竭的常用參數。

本研究結果顯示，構建的模型具有較好的區分度和校準度。該模型內部驗證所得AUC為0.727，敏感度為40.4%，特異性為84.3%，約登指數為0.247，表示該模型具有中等區分度。校準曲線接近于理想曲線，提示預測值與實際值一致性較高，模型預測能力較好。

列線圖已被廣泛應用于各類疾病及其并發癥的預測研究，其可通過整合預測的危險因素，進行單一患者疾病及并發癥發生概率估計，不僅提供個性化的預測模型，還給予可視化呈現。在臨床工作中，可應用該模型對CHD患者進行評估，以期早期發現心力衰竭的高危人群，早期進行干預，減少患者的不良結局。

綜上，本研究基于LASSO回歸構建的CHD患者發生心力衰竭的風險預測模型具有較好的區分度和預測效能，可作為醫務人員對CHD患者發生心力衰竭風險預測的評估工具。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

• SAFIRIS，KARAMZADN，SINGHK，etal.Burdenofischemicheartdiseaseanditsattributableriskfactorsin204countriesandterritories，1990-2019[J].EurJPrevCardiol，2022，29（2）：420–431.
• 中國心血管健康與疾病報告編寫組.中國心血管健康與疾病報告2021概要[J].中國循環雜志，2022，37（6）：553–578.
• 國家心血管病醫療質量控制中心專家委員會心力衰竭專家工作組.2020中國心力衰竭醫療質量控制報告[J].中國循環雜志，2021，36（3）：221–238.
• 中國心衰中心聯盟，蘇州工業園區心血管健康研究院，中國心血管健康聯盟.中國心衰中心工作報告（2021）——心力衰竭患者的診療現況[J].中國介入心臟病學雜志，2022，30（5）：328–336.
• BODINIERB，FILIPPIS，N?STTH，etal.Automatedcalibrationforstabilityselectioninpenalisedregressionandgraphicalmodels[J].JRStatSocSerCApplStat，2023，72（5）：1375–1393.