《Frontiers in Cardiovascular Medicine》:Association of NT-proBNP/LVEF with angiographic coronary disease burden in acute myocardial infarction: a retrospective study with machine learning analyses
编辑推荐:
背景: N末端前脑利钠肽(NT-proBNP)和左心室射血分数(LVEF)分别反映心室壁应力与收缩功能这两个互补维度。NT-proBNP/LVEF比值是否与急性心肌梗死(AMI)患者的冠状动脉造影病变负担持续相关,以及其预测贡献在传统方法与机器学习方法中是否稳
背景: N末端前脑利钠肽(NT-proBNP)和左心室射血分数(LVEF)分别反映心室壁应力与收缩功能这两个互补维度。NT-proBNP/LVEF比值是否与急性心肌梗死(AMI)患者的冠状动脉造影病变负担持续相关,以及其预测贡献在传统方法与机器学习方法中是否稳健,目前仍不明确。
方法: 这项单中心回顾性研究纳入了375例接受冠状动脉造影的AMI患者。主要结局为连续Gensini评分,同时以临床锚定的解剖学结局(包括多支血管病变和高负担冠状动脉解剖)作为敏感性结局。研究人员采用多变量中位数回归评估对数转换的NT-proBNP/LVEF与Gensini评分之间的关联。使用受试者工作特征曲线下面积(AUC)及配对DeLong检验评估NT-proBNP/LVEF与单独NT-proBNP的直接区分能力;此外,通过连续净重分类改善指数(NRI)和综合判别改善指数(IDI)评估在NT-proBNP基础上加入LVEF所增加的增量信息。六种多变量模型——逻辑回归、最小绝对收缩和选择算子(LASSO)逻辑回归、随机森林、支持向量机(SVM)、极端梯度提升(XGBoost)和CatBoost——采用防泄漏的重复五折交叉验证(重复5次)进行内部验证。同时评估了校准、决策曲线分析以及基于Shapley加性解释(SHAP)的模型解释。
结果: 较高的NT-proBNP/LVEF与更大的冠状动脉造影病变负担持续相关。在完全调整模型中,NT-proBNP/LVEF每翻倍与中位数Gensini评分增加12.20分相关(95%置信区间[CI],9.33–15.07;P?0.001)。高负担解剖(每翻倍比值比[OR]为1.69;95% CI,1.44–1.97)和多支血管病变(每翻倍OR为1.58;95% CI,1.36–1.84)也观察到类似关联。对于次要高Gensini负担结局,NT-proBNP/LVEF与NT-proBNP显示出相当的区分能力(AUC,0.783 vs. 0.780;ΔAUC?=?0.004;P?=?0.362)。在NT-proBNP基础上加入LVEF未通过NRI或IDI显示明确的增量改善。在六种多变量模型中,SVM在数值上产生最高的AUC(0.763;95% CI,0.715–0.811),但经多重比较校正后,任何配对AUC差异均不再显著。XGBoost和CatBoost的SHAP重要性排序高度一致(Spearman ρ?=?0.978),NT-proBNP/LVEF在两种模型中均排名第一。
结论: 在AMI患者中,较高的NT-proBNP/LVEF与更大的冠状动脉造影病变负担在连续Gensini评分和临床锚定的解剖学结局中均持续相关。该比值以简洁的方式整合了心室壁应力与收缩功能信息,并在所考察的两种提升算法中显示出稳定的预测重要性。其区分性能与单独NT-proBNP相当而非更优,支持其作为冠状动脉病变负担的便捷辅助标志物的潜在作用,而非替代既有的临床评估。
论文解读
一、研究背景与目的
急性心肌梗死(AMI)仍是心血管发病和死亡的主要原因,但患者在冠状动脉解剖、心肌损伤程度、心室功能及后续临床病程方面存在显著异质性。冠状动脉造影可直接刻画冠状动脉病变特征,而造影病变负担与临床风险和治疗决策密切相关。因此,在AMI患者早期评估中,能够反映解剖负担的常规可用标志物可能提供补充信息。
N末端前脑利钠肽(NT-proBNP)在心肌壁应力增加时释放,受心室充盈压、神经体液激活、心肌损伤和肾功能影响,在急性冠脉综合征中具有确证的预后价值。左心室射血分数(LVEF)则是心肌梗死后最广泛使用的左心室收缩功能指标,但单独使用时并不完整。临床上,NT-proBNP显著升高与LVEF降低常并存,但二者变化未必平行。将两项指标联合考虑,可能比任一单独指标捕捉更广泛的心脏应激与功能损害谱系。
NT-proBNP/LVEF比值提供了一种整合这两项常规测量指标的简便方式。较高的比值可能反映心室应激增加与收缩功能受损并存,这种表型可能伴随更广泛的心肌缺血和更大的冠状动脉病变负担。Gensini评分通过纳入管腔狭窄程度和受累冠状动脉节段的解剖重要性,提供了造影病变的定量测量。既往研究已将NT-proBNP与造影病变严重程度、冠状动脉疾病范围和复杂性联系起来,但NT-proBNP/LVEF与造影冠状动脉病变负担的关联尚未得到充分表征。
在方法学上,将造影评分在样本衍生阈值处二分化虽便于预测分析,但会丢弃连续分布中的信息,且结论可能依赖于所选截断值。因此,研究人员以连续Gensini评分作为主要负担测量,并以多支血管病变和显著左主干病变等临床可识别的解剖表型作为补充。另一关键问题是,将NT-proBNP与LVEF组合为比值是否提供超出NT-proBNP本身的信息,抑或仅是对其预测信号的重新包装。此外,机器学习方法虽能捕捉非线性关系和交互作用,但更高的算法复杂性并不必然转化为优于传统回归的性能,尤其在中等规模数据集中。基于上述考虑,本研究旨在确定NT-proBNP/LVEF是否与AMI患者的造影冠状动脉病变负担持续相关,评估该比值相对于单独NT-proBNP的增量信息,并考察其在传统与机器学习模型中的预测贡献稳定性。
二、研究设计与关键技术方法
本研究为单中心回顾性研究,纳入2026年1月8日至5月28日期间于临沂市人民医院心内科住院并接受冠状动脉造影的AMI患者。原始数据集含379条住院记录,经人工核验去除4条重复记录后,最终分析队列为375例独特患者,其中ST段抬高型心肌梗死(STEMI)161例、非ST段抬高型心肌梗死(NSTEMI)214例。
研究采用的主要技术方法包括:以中位数回归评估对数转换NT-proBNP/LVEF与连续Gensini评分的主要关联,并逐步调整协变量;以多变量逻辑回归分析多支血管病变和高负担解剖等临床锚定结局;通过受试者工作特征曲线下面积(AUC)和配对DeLong检验比较NT-proBNP/LVEF与单独NT-proBNP的区分能力,并计算连续净重分类改善指数(NRI)和综合判别改善指数(IDI);采用似然比检验比较比值模型与NT-proBNP和LVEF分别建模的模型拟合;六种预测模型(逻辑回归、LASSO逻辑回归、随机森林、SVM、XGBoost、CatBoost)在防泄漏的重复五折交叉验证框架下进行内部验证;缺失数据在重采样框架内采用链式方程多重插补(MICE)处理;通过校准图、校准截距和斜率评估校准性能;以决策曲线分析(DCA)评估临床净获益;采用Shapley加性解释(SHAP)对XGBoost和CatBoost进行模型解释。
三、研究结果
3.1 研究人群与基线特征
最终分析队列包含375例AMI患者,其中204例(54.4%)符合高负担解剖定义,171例为低负担解剖。与低负担组相比,高负担组患者年龄更大(63.3±11.3 vs. 58.2±12.7岁,P<0.001),血红蛋白水平更低(135.8±18.3 vs. 139.5±16.5,P=0.039),血糖、脂蛋白(a)和纤维蛋白原水平更高,甘油三酯水平更低(均P<0.05)。估算肾小球滤过率(eGFR)更低(92.0±18.7 vs. 98.7±15.5,P<0.001),左心室舒张末期内径(LVEDD)更大(48.3±4.9 vs. 47.2±3.3,P=0.011)。高负担组的NT-proBNP显著升高[1,978.0(872.0–3,437.0)vs. 678.0(298.4–1,437.5),P<0.001],NT-proBNP/LVEF亦显著升高[37.2(17.0–66.2)vs. 12.0(5.6–27.6),P<0.001],标准化均数差(SMD)分别为0.795和0.745。性别、体质指数(BMI)、高血压、STEMI比例、低密度脂蛋白胆固醇(LDL-C)、肌钙蛋白T和LVEF在两组间无显著差异。
3.2 NT-proBNP/LVEF与连续Gensini评分的关联
以连续Gensini评分为主要结局的中位数回归显示,log(NT-proBNP/LVEF)呈强阳性关联。未调整回归系数β=17.84(95% CI,13.85–21.83;P<0.001);调整年龄和性别后β=18.77(95% CI,14.76–22.77;P<0.001);进一步调整高血压和LDL-C后β=17.26(95% CI,13.35–21.17;P<0.001)。在完全调整模型(含年龄、性别、高血压、LDL-C、BMI、STEMI表现和eGFR)中,log(NT-proBNP/LVEF)仍与更高Gensini评分相关(β=17.60;95% CI,13.46–21.74;P<0.001)。在临床可解释尺度上,NT-proBNP/LVEF每翻倍对应中位数Gensini评分增加12.20分(95% CI,9.33–15.07)。预先指定的年龄分层分析显示,<65岁(β=13.62;95% CI,6.35–20.89)、65–74岁(β=17.04;95% CI,8.96–25.12)和≥75岁(β=21.90;95% CI,5.02–38.78)患者中关联均为正向,且无年龄交互作用(交互P=0.344)。
3.3 临床锚定解剖学敏感性分析
在375例患者中,196例有多支血管病变,204例符合高负担解剖定义,26例有显著左主干疾病。完全调整后,较高NT-proBNP/LVEF仍与高负担解剖相关(OR=2.13;95% CI,1.69–2.67;P<0.001)和多支血管病变相关(OR=1.94;95% CI,1.56–2.41;P<0.001)。按每翻倍表达,相应OR分别为1.69(95% CI,1.44–1.97)和1.58(95% CI,1.36–1.84)。这些结果与连续Gensini分析一致,且不依赖单一二分化阈值。
3.4 增量价值与模型公式化
对于次要高Gensini负担结局(Gensini评分>95.5),NT-proBNP/LVEF与单独NT-proBNP的区分能力相似:AUC分别为0.783和0.780,差异小且不显著(ΔAUC=0.004;95% CI,?0.004至0.011;配对DeLong P=0.362)。调整模型中,NT-proBNP的AUC为0.778,NT-proBNP/LVEF为0.784,NT-proBNP和LVEF分别建模为0.786。在NT-proBNP基础上加入LVEF产生的连续NRI为0.306(95% CI,?0.057至0.531),IDI为0.008(95% CI,约?0.0001至0.044),均未提供明确的增量判别证据。受限的log(NT-proBNP/LVEF)公式与分别估计log(NT-proBNP)和log(LVEF)的模型相比,偏差从342.648降至341.773,但似然比检验不显著(统计量=0.874;1自由度;P=0.350)。因此,更简洁的比值公式未显示明显的拟合损失,同时保持了与单独NT-proBNP相当的判别能力。
3.5 六种多变量模型的重复交叉验证性能
六种多变量模型在相同的重复5×5外层交叉验证框架下评估。总体判别能力为中等水平。SVM产生数值上最高的AUC为0.763(95% CI,0.715–0.811),同时具有最高的精确率-召回率曲线下面积(PR-AUC,0.799)和最低的Brier评分(0.199)。逻辑回归AUC为0.753(95% CI,0.704–0.802),XGBoost为0.751(95% CI,0.702–0.801),LASSO逻辑回归为0.751(95% CI,0.702–0.800),CatBoost为0.740(95% CI,0.690–0.790),随机森林为0.733(95% CI,0.682–0.784)。经Benjamini-Hochberg校正后,任何配对AUC差异均不再显著。例如,XGBoost的AUC超过CatBoost 0.012,但差异不显著(DeLong P=0.160;ΔAUC的bootstrap 95% CI,?0.004至0.029)。SVM也未显示相对于逻辑回归、XGBoost或LASSO的统计稳健优势。在完整病例队列(n=259;145例高负担解剖)中,模型判别与主要分析基本一致,AUC范围为0.737至0.769。
3.6 校准与临床净获益
Bootstrap校准分析显示,六种多变量模型的截距均接近0:逻辑回归为?0.010(95% CI,?0.261至0.230),LASSO为?0.004(?0.213至0.232),随机森林为0.007(?0.224至0.245),SVM为0.013(?0.204至0.229),XGBoost为0.005(?0.261至0.243),CatBoost为?0.024(?0.265至0.228)。校准斜率分别为0.820(95% CI,0.622–1.083)、1.055(0.793–1.375)、1.093(0.815–1.423)、1.077(0.821–1.399)、0.850(0.647–1.113)和0.762(0.573–0.974)。CatBoost是唯一校准斜率95% CI排除1的模型,提示预测概率略偏极端。结局患病率为54.4%时,零模型Brier评分为0.248;Brier技能评分分别为逻辑回归0.186、LASSO 0.184、随机森林0.163、SVM 0.198、XGBoost 0.185和CatBoost 0.165。决策曲线分析显示,在预设阈值概率范围0.20–0.60的部分区间内,若干多变量模型比NT-proBNP单独基准和全治疗/全不治疗策略提供更大净获益,但模型排名随阈值变化,无单一模型在整个范围内占优。
3.7 XGBoost与CatBoost的SHAP解释一致性
SHAP分析显示,在预设的基于比值的特征集中,log(NT-proBNP/LVEF)在XGBoost和CatBoost两种模型中均以平均绝对SHAP值排名第一。肌钙蛋白T、血糖、eGFR和LVEDD也属于最具影响力的特征。两种模型的特征重要性排序高度一致(Spearman ρ=0.978,P<0.001),五个最高排名特征中有四个重叠(Jaccard指数=0.667)。这种跨算法一致性表明,主要预测信息来源在两种提升方法中保持稳定。但需注意,NT-proBNP/LVEF在预设比值特征集中的首位排名不应被解释为该比值优于单独NT-proBNP,因为直接增量价值分析未显示这种优越性。
四、讨论与结论总结
讨论部分指出,本研究的核心发现是NT-proBNP/LVEF在AMI患者中与造影冠状动脉病变负担呈稳定、内部一致的关联。研究首先以连续Gensini评分为结局,再以多支血管病变和高负担解剖作为临床锚定敏感性结局,避免了单一二分阈值依赖。该关联在完全调整后仍持续,每翻倍对应中位数Gensini评分约增加12分。这种跨定量和解剖学结局的一致性将NT-proBNP/LVEF的解释扩展到队列特异性高风险截断值之外。
该关联具有生物学合理性:NT-proBNP反映心室壁应力、充盈压和神经体液激活,LVEF反映整体左心室收缩性能,二者相关但不可互换。比值捕捉了心脏状态的两个互补维度,较高值可能反映心室应激增加与收缩功能受损并存。既往研究分别将NT-proBNP与造影病变严重程度和冠状动脉复杂性联系起来,但对其与LVEF的比值进行系统评估的研究有限。
比值与成分公式的直接比较提供了重要信息:分别估计NT-proBNP和LVEF的模型未显著改善拟合,说明比值公式在无明确拟合损失的情况下提供了更简洁的表征。然而,简洁性并不意味判别优越性——NT-proBNP/LVEF与单独NT-proBNP的AUC几乎相同,加入LVEF未显示明确的NRI或IDI增量获益。该比值的潜在价值可能更多在于将心脏应激与功能两个互补方面整合为单一临床可解释表型,而非提高AUC。
机器学习分析提供了互补视角。六种算法的AUC集中在较窄范围内,SVM虽数值最高,但校正多重比较后无模型保持显著优势。这表明在该数据集中,算法复杂性增加并未自动转化为更好的判别能力。校准和决策曲线分析进一步支持这一结论:多数模型校准良好,但无单一算法持续占优。SHAP分析显示两种提升算法识别出高度相似的预测信息分布,NT-proBNP/LVEF在预设特征集中排名第一,但SHAP重要性反映的是模型预测贡献而非因果关系或生物标志物优越性。
研究结论翻译如下:在AMI患者中,较高的NT-proBNP/LVEF在连续Gensini评分和临床锚定解剖学结局中均与更大的造影冠状动脉病变负担持续相关。该比值以简洁方式整合了心室壁应力与收缩功能信息,与分别建模NT-proBNP和LVEF相比未显示明显信息损失。尽管其判别能力与单独NT-proBNP相当而非更优,但NT-proBNP/LVEF在所考察的两种提升算法中显示出稳定的特征重要性,可作为AMI中冠状动脉病变负担的便捷辅助标志物。在更广泛的临床应用前需进行外部验证。