自主神經張力指標對老年慢性心力衰竭病人預后的評估價值

盛英杰,韓 英,裴麗峰,王 沖

慢性心力衰竭(chronic heart failure,CHF)是心功能不全的綜合征,是由各種心臟疾病所導致[1],通常情況下,CHF是指心肌收縮力下降,導致器官、組織供血不足,不能滿足機體代謝的需要,同時還會表現為肺循環(huán)和(或)體循環(huán)淤血[2],嚴重威脅病人的生命健康,影響病人的生活質量。近年來,隨著生活方式和飲食習慣的改變,CHF的發(fā)生率明顯增高[3],病死率極高。據報道,我國CHF住院病人占心血管病病人的20%,病死病人卻占心血管病病人的40%[4]。國外有研究報道,CHF病人出院后6個月的病死率為13%～21%,預后很差[5]。隨著醫(yī)療技術的發(fā)展,CHF病人的死亡率和復發(fā)率在一定程度上有所降低,治療效果大大提高,但是病人的癥狀仍沒有得到有效控制和改善[6]。識別影響CHF預后的危險因素并制定合理的治療和護理方案,是降低病人死亡率、改善預后的關鍵,也是醫(yī)學界重點關注和亟待解決的問題[7]。心率變異性(heart rate variability,HRV)被認為是心血管疾病死亡率的一個重要預測因素,是評價自主神經張力的主要指標[8]。研究表明,較低自主神經張力指標的缺血或非缺血原因引起的心力衰竭病人死亡率升高[9]。本研究探討自主神經張力指標對老年CHF病人預后的評估價值?，F報道如下。

1 資料與方法

1.1 一般資料 選擇2017年6月—2019年6月于我院心內科就診的224例CHF病人作為研究對象,根據病人的臨床結局,將病人分為存活組(172例)和死亡組(52例)。存活組,男93例,女79例,年齡65～77(69.37±6.35)歲;死亡組,男30例,女22例,年齡67～82(75.69±7.12)歲。納入標準:①按照《內科學》第8版CHF診斷標準進行診斷,確診為老年CHF[10];②有讀寫能力,認知正常;③年齡≥65歲;④病人簽署知情同意書,且自愿配合參與調查;⑤能夠積極配合口服地高辛、血管緊張素轉換酶抑制劑(ACEI)、利尿劑等藥物;⑥病人臨床資料完整。排除標準:①病情嚴重,合并嚴重肺源性心臟病、急性腦血管病、嚴重糖尿病、嚴重甲狀腺功能異常并發(fā)癥等引起的心力衰竭;②1個月內急性心力衰竭反復發(fā)作,多次入院的病人;③有服用利尿劑、β受體阻滯劑、ACEI、地高辛禁忌證;④對本研究依從性較差者。本研究經我院醫(yī)學倫理學委員會批準,病人及家屬均簽署知情同意書。

1.2 方法

1.2.1 一般資料收集 病人入院后,仔細詢問病人的年齡、是否患有基礎心臟病(冠心病、擴張型心肌病、瓣膜性心臟病)、合并癥(高血壓、糖尿病、慢性腎功能不全)、吸煙史、飲酒史,記錄病人的性別、心率,測量病人的身高(m)和體重(kg),計算體質指數(body mass index,BMI),通過心臟彩超檢查左心室射血分數(left ventricular ejection function,LVEF),進行6 min步行試驗(6-minute walk test,6MWT)并記錄結果,檢查N末端腦鈉肽前體(N-terminal pro-brain natriuretic peptide,NT-proBNP)、血鈉、超敏C反應蛋白(high sensitivity C-reactive protein,hs-CRP)水平,記錄病人治療過程中利尿劑、ACEI、β受體阻滯劑、地高辛的使用情況等。

1.2.2 自主神經張力指標的檢測 所有病人均采用12通道動態(tài)心電圖儀(北京美高儀公司生產)進行24 h動態(tài)心電圖檢查,檢出24 h竇性心率進行HRV分析。HRV時域指標包括:①每5 min RR間期平均值的標準差(SDANN);②全部RR間期的標準差(SDNN);③相鄰心動周期差>50 ms的次數占所有竇性心動周期的百分比(PNN50);④全部相鄰RR間期之差的均方根值(RMSSD)。

1.3 隨訪 通過住院、門診、電話等方式收集所有入選病人定期隨訪的相關資料,隨訪截至2020年6月。每2個月對病人進行1次隨訪,本研究隨訪時間為1年,記錄了所有病人至少5次的隨訪情況。記錄病人的臨床結局。

1.4 XGboost模型的構建 對影響病人預后的變量賦值,采用XGboost 0.72 版、Python 3.6構建XGboost模型。隨機將數據按照2∶8的比例劃分成訓練集和測試集,將訓練集的數據送入XGboost模型中訓練最佳參數,XGboost模型的調參以葉子節(jié)點權值的調整及樹模型深度的調整為主,通過交叉驗證對XGboost決策樹的數量進行預先選定,其次采用GridSearchCV對其余超參數進行最佳參數的調整,最終獲得最佳的XGboost預測模型。

1.5 統(tǒng)計學處理 采用SPSS 19.0軟件對數據進行單因素方差分析,作圖工具采用GraphPad Prism 5.0,采用t檢驗比較兩組間的差異,采用χ2檢驗或Fisher確切概率法比較多個率或構成比之間的差異。采用Logistic回歸分析影響病人預后的因素,采用受試者工作特征(receiver operating characteristic,ROC)曲線分析多因素Logistic回歸分析模型和XGboost模型對病人治療效果的預測價值,采用校準曲線評價XGboost模型的準確度,采用臨床決策曲線評價XGboost模型的有效性。以P<0.05為差異有統(tǒng)計學意義。

2 結 果

2.1 兩組臨床資料比較 兩組年齡、BMI、吸煙史、LVEF、6MWT、NT-proBNP、血鈉比較,差異均有統(tǒng)計學意義(P<0.05),其他一般資料比較差異無統(tǒng)計學意義(P>0.05)。詳見表1。

表1 兩組臨床資料比較

2.2 兩組自主神經張力指標比較 與存活組相比,死亡組SDNN、SDANN、PNN50、RMSSD明顯降低,差異均有統(tǒng)計學意義(P<0.05)。詳見表2。

表2 兩組自主神經張力指標比較(±s)

2.3 病人預后影響因素的多因素Logistics回歸分析 以上述結果中兩組間比較差異有統(tǒng)計學意義的指標為自變量,以病人的臨床結局(存活=0,死亡=1)為因變量進行多因素Logistic回歸分析,結果顯示,年齡、BMI、吸煙史、LVEF、6MWT、NT-proBNP、血鈉、自主神經張力指標(SDNN、SDANN、PNN50、RMSSD)均是影響病人預后的獨立危險因素。詳見表3。

表3 多因素Logistic回歸分析影響病人預后的因素

2.4 XGboost模型的構建 通過GridSearchCV及迭代算法獲取了模型的最優(yōu)參數,最終參數調整為min_child_weight=1,max_depth=3,gamma=1,subsample=1,colsample_bytree=0.6。XGboost模型中各影響因素按重要度排序如圖1所示,LVEF的重要度評分為40分,NT-proBNP為39分,SDANN為36分,RMSSD為33分,6MWT為32分,SDNN為30分,PNN50為29分,血鈉為26分,BMI為25分,吸煙史為23分,年齡為20分。

圖1 XGboost模型中影響因素順位排序圖

2.5 兩種模型預測效能比較 為了評價多因素Logistic回歸分析模型和XGboost模型對病人臨床結局的預測效能,本研究采用ROC曲線分析多因素Logistic回歸分析模型和XGboost模型的ROC曲線下面積、靈敏度、特異度及約登指數,結果顯示,XGboost模型預測病人治療效果的曲線下面積為0.835[95%CI(0.782,0.885),P<0.01],較多因素Logistic回歸分析模型的0.795[95%CI(0.726,0.812),P<0.01]提升了4個百分點,且靈敏度、特異度、約登指數均明顯高于多因素Logistic回歸分析模型。詳見表4、圖2。

圖2 多因素Logistic回歸分析模型和XGboost模型的ROC曲線

表4 兩種模型預測效能比較

2.6 XGboost模型的準確度和有效性的評價 采用校準曲線和臨床決策曲線分別對XGboost模型的準確度和有效性進行評價,結果顯示,當事件發(fā)生率為27%、55%、79% 時,模型預測和觀察值完全一致,當事件發(fā)生率<27%時,預測低估風險;當事件發(fā)生率>27%且<55%時,預測高估風險;當事件發(fā)生率>55%且<79%時,預測低估風險;當事件發(fā)生率>79%且≤100%時,預測高估風險。整體上看XGboost模型的準確度較好。臨床決策曲線可以看出,XGboost模型的凈獲益值較高,有效性較好。詳見圖3。

圖3 XGboost模型的準確度和有效性評價

3 討 論

CHF是由于心肌損傷造成的心功能受損,不能正常發(fā)揮泵血、充盈等功能,導致機體器官、組織供血不足[11]。CHF具有較高的發(fā)病率、復發(fā)率和致死率,嚴重威脅病人的生命健康。據報道,CHF在65歲以上的老年人群中發(fā)病率最高[12]。相關調查顯示,CHF在普通人群中的發(fā)病率為1%,但是在老年人群中的發(fā)病率高達10%[13]。近年來,老年CHF的發(fā)病率隨著我國老齡化趨勢的日益加重而逐漸上升,為危及老年人生命健康的主要疾病類型[14]。CHF疾病的發(fā)生與發(fā)展是一個循序漸進的過程,具有進行性、不可逆轉性等特點,隨著病程的延長,臨床癥狀越來越明顯,病情不斷加重,嚴重時可危及生命。因此,對CHF病人進行及時有效的治療至關重要。但是在臨床治療的過程中發(fā)現,老年CHF病人的預后水平差,治療后易復發(fā)甚至導致死亡[15]。臨床研究發(fā)現,老年CHF病人出院1年后復發(fā)率高達60.10%,出院后5年內病死率高達59.40%[16]。老年CHF病人治療后的復發(fā)率、病死率較高,預后水平差,分析影響老年CHF病人預后的相關因素是優(yōu)化治療方案、提升病人預后水平的關鍵,也是目前亟待解決的問題。

LVEF指標可反映人體左心室排血功能及左心室收縮功能的受損程度[17]。NT-proBNP為人體內心臟神經激素,人體左心室舒張末期壓力隨著NT-proBNP的升高而升高,有研究表明,NT-proBNP對CHF的評價具有很強的敏感性,為反映左心室功能不全的敏感指標[18]。6MWT可用于評價CHF病人的運動耐力,重復性好,具有較強的實用性、客觀性[19]。低鈉血癥是CHF過程中常見的并發(fā)癥,在急性失代償的心力衰竭病人中的發(fā)生率高達21%,被認為是嚴重CHF的表現[20]。有研究指出,吸煙與心臟泵血能力下降存在關聯,會加重心力衰竭[21]。有研究表明,LVEF、NT-proBNP、6MWT、血鈉、年齡、BMI、吸煙均嚴重影響CHF病人的預后,在CHF存活組病人和死亡組病人間差異顯著[22]。本研究中,存活組和死亡組LVEF、NT-proBNP、6MWT、血鈉、年齡、BMI、吸煙史比較差異均有統(tǒng)計學意義。

HRV是評價自主神經張力的主要指標,且被認為是心血管疾病死亡率的一個重要預測因素,HRV主要包括時域分析指標和頻域分析指標,在時域分析指標中,SDANN反映交感神經張力的變化,SDNN主要反映交感和副交感神經總活性變化,RMSSD及PNN50是副交感神經張力的敏感指標,主要反映HRV的變化[23]。有研究表明,自主神經張力指標SDNN、SDANN、PNN50、RMSSD嚴重影響老年CHF病人的預后,在CHF存活組和死亡組病人間差異顯著[24]。本研究結果顯示,兩組自主神經張力指標SDNN、SDANN、PNN50、RMSSD比較差異均有統(tǒng)計學意義(P<0.05)。有研究表明,CHF病人的LVEF、NT-proBNP、6MWT、血鈉、年齡、BMI、吸煙、自主神經張力指標均是CHF病人預后的獨立影響因素[25]。本研究采用多因素Logistic回歸分析影響CHF病人預后的因素,結果顯示,年齡、BMI、吸煙史、LVEF、6MWT、NT-proBNP、血鈉、SDNN、SDANN、PNN50、RMSSD均是影響CHF病人預后的因素。有研究表明,XGboost模型對疾病治療后的復發(fā)風險具有較高的預測價值,且預測效果顯著優(yōu)于多因素Logistic回歸分析模型[26]。本研究構建XGboost模型分析影響病人治療效果的風險因素,通過ROC曲線分析比較多因素Logistic回歸分析模型和XGboost模型預測對病人預后的預測價值,并評價XGboost模型的準確度和有效性,結果顯示,XGboost模型預測病人治療效果的曲線下面積、靈敏度、特異度、約登指數均明顯高于多因素Logistic回歸分析模型,且具有較高的準確度和有效性。

綜上所述,年齡、BMI、心功能指標、血鈉水平、吸煙史、自主神經張力指標均是老年CHF病人預后的獨立影響因素,自主神經張力指標對病人的預后具有較高的預測價值。

: