主動脈夾層患者院內死亡的Bayes判別分析研究

張煒宗，馬翔，袁紅*，孫金棟，胡海強，史明娟，於華敏，何海英，葉利

本研究價值：

目前國內外對于主動脈夾層患者院內死亡風險的預測模型較少，本文通過Bayes判別方程的方法初步建立預測模型，對指導臨床工作和提高患者預后具有重要作用。本文選取的指標簡單易獲得，且患者樣本量大，并在建立方程的過程中采取隨機分組自身驗證的方法，進一步提高了方程的準確性。

本研究不足：

存活組和死亡組之間人數差異較大，可能會影響分析結果。缺少長期預后信息，因此得出的Bayes判別方程對患者長期預后的預測能力有待考察。

主動脈夾層（AD）是指主動脈腔內血液從主動脈內膜撕裂口進入主動脈中膜，并沿主動脈長軸方向擴展，造成主動脈分離為真假兩腔的一種病理改變［1］。AD年發(fā)病率為29/100萬～35/100萬，且近年來有明顯的上升趨勢［1-2］。AD的臨床特點為急性起病，突發(fā)劇烈疼痛、休克、臟器缺血等臨床癥狀，是心血管疾病的災難性急危重癥，若不及時治療，48 h內病死率可高達50%［3］。但目前對于AD患者院內死亡風險的評估多數依賴臨床醫(yī)師的經驗判斷、各項輔助檢查結果的判讀、多學科綜合分析等，存在一定的主觀性。因此，本研究對553例AD患者的臨床資料進行回顧性分析，分析AD患者院內死亡的相關差異指標，以期建立一種快速簡便的方程來預測AD患者院內死亡的可能性，為臨床制定有效的治療方案提供參考。

1 資料與方法

1.1 納入與排除標準 納入標準：（1）臨床確診為AD的患者（主要依據臨床癥狀、臨床體征、超聲心動圖、多層螺旋CT血管成像）；（2）病歷資料完整者。排除標準：（1）主動脈潰瘍、主動脈壁間血腫、主動脈不典型夾層者；（2）因各種原因無法完成多層螺旋CT血管成像者。

1.2 一般資料 采用統一標準收集2010年1月—2015年12月在余杭區(qū)第一人民醫(yī)院（228例）、新疆醫(yī)科大學第一附屬醫(yī)院（325例）就診的553例AD患者的臨床資料（一般情況、基礎體征、檢查指標）。

一般情況包括性別、年齡、民族、發(fā)病時間、DeBakey分型、入院后手術情況、吸煙史（即入院前半年連續(xù)吸煙超過1個月）；基礎體征包括收縮壓、舒張壓；臨床指標包括白細胞計數（WBC）、中性粒細胞計數（NE）、嗜酸粒細胞計數（EA）、嗜堿粒細胞計數（BA）、中性粒細胞百分數（NE%）、淋巴細胞百分數（LY%）、嗜酸粒細胞百分數（EA%）、嗜堿粒細胞百分數（BA%）、血小板計數（PLT）、血小板壓積（PCT）、尿素氮、肌酐、估算腎小球濾過率（eGFR）、尿酸、隨機血糖、糖化血清蛋白、總膽紅素、直接膽紅素、間接膽紅素、總蛋白、球蛋白、國際標準化比率（INR）、纖維蛋白原。

患者一般情況通過詢問患者或親屬獲得；發(fā)病時間定義為首次出現癥狀（如胸痛）至到醫(yī)院就診的時間，通過詢問患者或患者親屬獲得；eGFR的計算采用2013年腎臟疾病改善全球預后組織（KDIGO）推薦的CKDEPI2009公式［4］，公式中包含了年齡、性別、肌酐；所有實驗室指標為患者首次醫(yī)療接觸所采集的指標。

1.3 方法 本研究為回顧性病例對照研究，回顧性分析患者的臨床資料。首先，將全部患者根據院內是否存活分為存活組（n=470）和死亡組（n=83），通過單因素分析篩選差異變量。再由計算機軟件隨機挑選患者作為樣本集，選取變量引入Bayes判別分析中，建立Bayes判別方程（變量選擇根據單因素分析結果和既往文獻報道）。最后，利用剩余患者作為檢驗集，將其資料代入已建立的Bayes判別方程驗證其準確性。

在院內確診為AD的患者，由于各種原因出院、轉診等情況視為院內存活。

1.4 統計學方法 采用SPSS 22.0統計學軟件進行統計描述與推斷。連續(xù)性變量先進行Kolmogorov-Smirnov正態(tài)性檢驗，符合正態(tài)分布的計量資料以（±s）表示，兩組間比較采用兩獨立樣本t檢驗；不符合正態(tài)分布的計量資料以M（P25，P75）表示，兩組間比較采用非參數檢驗；計數資料以相對數表示，組間比較采用χ2檢驗；等級資料比較采用秩和檢驗。雙側檢驗水準α=0.05。

2 結果

2.1 患者一般情況 AD患者平均年齡（51.5±12.3）歲；男女比例為3.89∶1；院內病死率為15.0%（83/553）；存活組男女比例為4.16∶1，死亡組男女比例為2.77∶1。

2.2 死亡組與存活組臨床資料比較 兩組患者發(fā)病時間、DeBakey分型、入院后手術情況、吸煙史、收縮壓、舒 張 壓、WBC、NE、EA、BA、NE%、LY%、EA%、BA%、PLT、PCT、尿素氮、肌酐、eGFR、尿酸、隨機血糖、糖化血清蛋白、總膽紅素、直接膽紅素、間接膽紅素、總蛋白、球蛋白、INR、纖維蛋白原比較，差異有統計學意義（P＜0.05）。兩組患者性別、年齡、民族比較，差異無統計學意義（P＞0.05，見表1）。

2.3 預測模型的建立 采用SPSS 22.0統計學軟件隨機選擇AD患者作為樣本集（n=291），其中存活組245例，死亡組46例。選取變量〔變量選擇根據單因素分析結果和既往文獻報道結果［5-6］，包括發(fā)病時間（賦值：≤ 24 h=1，2～7 d=2，8～30 d=3，＞30 d=4）、DeBakey分型（賦值：Ⅰ型=1，Ⅱ型=2，Ⅲ型=3）、尿素氮（賦值：實測值）、隨機血糖（賦值：實測值）、糖化血清蛋白（賦值：實測值）、間接膽紅素（賦值：實測值）、INR（賦值：實測值）、纖維蛋白原（賦值：實測值）〕引入Bayes判別分析中，建立Bayes判別方程。采用“進入法”納入變量，其中進入F值=3.84，移除F值=2.71，得到最終納入方程的變量為：發(fā)病時間（a1）、DeBakey分型（a2）、尿素氮（a3）、隨機血糖（a4）、糖化血清蛋白（a5）、間接膽紅素（a6）、INR（a7）、纖維蛋白原（a8），分類函數系數見表2。得到Bayes判別方程：Q1=1.174×a1+6.813×a2+0.323×a3+0.213×a4+10.522×a5+0.171×a6+25.656×a7+1.014×a8-39.843；Q2=-13.336×a1+27.131×a2-1.928×a 3-5.030×a 4+35.574×a 5-0.658×a6+287.333×a7-3.509×a8-1 707.601。即將患者上述參數（a1～a8）分別代入方程 Q1、Q2，當Q1＞Q2時，認為該患者應歸為存活組，提示該患者病情相對較輕，預后可能較好；當Q1＜Q2時，認為該患者應歸為死亡組，提示該患者病情相對較重，預后可能較差。典則判別函數圖見圖1。

將樣本集患者數據回代入已建立的Bayes判別方程進行自身檢驗，得到符合率為98.63%，誤判率為1.37%（P=0.001）。利用剩余未被選擇的患者作為檢驗集（n=262，其中存活組225例，死亡組37例），將檢驗集患者數據回代入已建立的Bayes判別方程，得到符合率為98.85%，誤判率為1.15%（P=0.003）；將全部患者數據代入已建立的Bayes判別方程進行檢驗，得到符合率為98.73%，誤判率為1.27%（P＜0.001，見表3）。

3 討論

表2 樣本集分類函數系數Table 2 Classification function coefficients of the sample set

表3 Bayes判別方程檢驗結果Table 3 Test results of Bayes formulas

圖1 典則判別函數圖Figure 1 Bayes discriminant function graph

在我國，隨著高血壓、創(chuàng)傷等AD危險因素的增多、人口老齡化進程的加劇、臨床檢查手段的不斷改進，AD發(fā)病率逐年升高［2］。AD是心血管系統的急危重癥之一，具有發(fā)病急、癥狀多樣、病死率高等特點。若不采取治療，48 h內病死率高達50%［3］，但即使采取了藥物或手術治療，AD患者的院內病死率仍高達9.2%～17.7%［2，5-6］。因此，臨床中需要一種簡單快捷、可靠易獲取的預測工具，幫助醫(yī)生早期識別院內死亡的高?；颊?。

表1 存活組與死亡組患者臨床資料比較Table 1 Comparison of clinical data between survival group and death group

目前，部分AD患者院內死亡的危險因素多有報道，包括年齡、性別、高血壓史、急性腎損傷、主動脈直徑、真假腔血栓化等［5-10］。但是，這些結果的獲得高度依賴CT設備和醫(yī)師經驗，存在一定的主觀性和人為誤差，未能使結論量化。同時，關于AD患者院內死亡危險因素的研究結論多不一致，且并未嘗試建立評分體系，建立預測方程的相關研究更少。

本文通過初步單因素分析篩選及結合既往文獻報道［5-6］，同時為了達到最高的符合率和較低的誤判率，最終選取了發(fā)病時間、DeBakey分型、尿素氮、隨機血糖、糖化血清蛋白、間接膽紅素、INR、纖維蛋白原8個差異變量嘗試建立Bayes判別方程。發(fā)病時間和DeBakey分型是AD患者重要的臨床特征。發(fā)病時間的長短顯著影響AD患者的病死率，自然病程中，未經治療的AD患者自發(fā)病起每小時病死率約1%，3 d后病死率可達50%［11］。根據主動脈夾層國際注冊研究（IRAD）報道，Type A型AD（即DeBakeyⅠ型和Ⅱ型）患者的院內病死率（34.9%）顯著高于Type B型AD（即DeBakeyⅢ型）患者（14.9%）［12］。國內一項納入了1 812例AD患者的大型研究也得出了類似的結果，Type A型AD患者（34.2%）顯著高于Type B型AD患者（6.7%）［2］。尿素氮可以在一定程度上反應患者的腎功能情況，當AD患者主動脈內膜撕裂范圍延伸至腎動脈，則可影響腎臟供血，導致急性腎損傷，從而引起尿素氮升高，相關研究也證實急性腎損傷可增加AD患者院內病死率，降低其30 d存活率，延長其住院天數［8，13-14］。INR、纖維蛋白原在一定程度上反映了凝血功能及纖溶系統功能情況，有研究認為AD患者在病程中凝血功能會出現較大變化，從而影響患者的治療和院內結局［15-17］。上述8個變量分別反映了AD患者的臨床分型、發(fā)病緩急、肝腎功能、凝血功能、應激狀態(tài)等方面的情況，具有較好的代表性和全面性。

為了建立準確可靠的判別方程，本研究采用計算機軟件隨機將患者分為樣本集和檢驗集。利用樣本集建立Bayes判別方程，然后將樣本集數據回代入已建立的Bayes判別方程進行自身驗證。由于自身檢驗法常低估誤判率，從而夸大判別效果，因此進一步采用檢驗集數據對Bayes判別方程進行前瞻性誤判概率的估計，這樣得到的誤判率較為客觀。最后，將全部患者數據代入Bayes判別方程得到總體的符合率和誤判率。最終，上述3種情況得到的符合率和誤判率結果相近，且均有統計學差異，故認為建立的Bayes判別方程較準確可靠。

由于本研究中部分患者短時間內死亡，未能全部檢測D-二聚體［18］、C反應蛋白［19］這些已證實的危險因素，導致數據缺失較多。由于存活組和死亡組患者例數相差較大，所得判別方程可能尚不具廣泛代表性。由于所得判別方程較復雜使得臨床易用性較差，后期可整合入醫(yī)院電子病歷系統或手機軟件，自動抓取相關數據計算結果，以期提高易用性。最后，有待更大樣本量的進一步研究和驗證，以期更好、更全面地建立判別方程。

綜上所述，經實踐檢驗證明Bayes判別方程在臨床應用上具有一定的可靠性，可以為AD患者院內死亡的預測提供一定的參考。發(fā)病時間、DeBakey分型、尿素氮、隨機血糖、糖化血清蛋白、間接膽紅素、INR、纖維蛋白原可作為預測AD患者院內死亡的重要參數，臨床可加強對AD患者上述指標的監(jiān)測，以期早期發(fā)現高?；颊?，提高患者生存率，改善其預后。

作者貢獻：張煒宗、馬翔進行文章的構思與設計；袁紅、孫金棟負責研究的實施與可行性分析；張煒宗負責數據收集與整理、統計學處理、結果分析與解釋，撰寫及修訂論文；胡海強、史明娟、於華敏、何海英、葉利負責文章的質量控制及審校；張煒宗、馬翔、袁紅對文章整體負責。

本文無利益沖突。