论文部分内容阅读
第一部分超声心外膜脂肪及心肌分层应变参数诊断冠心病患者冠状动脉病变程度的价值目的:分析超声心动图测量的心外膜脂肪组织（EAT）厚度、心肌整体（GLS）及节段（TLS）纵向分层应变参数对冠心病（CAD）患者冠状动脉病变程度的诊断价值。方法:纳入2020年9月~2022年11月于兰州大学第一医院心脏中心行冠状动脉造影确诊为CAD的患者187例,借助Gensini积分评估病变冠状动脉的狭窄程度,将参与者分为轻度（Gensini积分≤24分）47例、中度（25≤Gensini积分≤53分）53例及重度组（Gensini积分≥54分）87例。所有入组患者先行超声心动图检查后,进一步再行冠状动脉造影检查。分别测量常规超声心动图参数及收缩末期EAT厚度;利用心肌分层应变技术获取左心室心内膜下、中层、心外膜下心肌整体纵向应变（GLSendo、GLSmyo、GLSepi）及各节段心肌纵向应变（TLSendo、TLSmyo、TLSepi）。结果:1.轻度、中度及重度病变组CAD患者的EAT依次呈梯度增厚,GLSendo、GLSmyo、GLSepi及TLSendo、TLSmyo、TLSepi依次呈梯度下降（P＜0.05）。2.多因素logistic回归分析结果显示,EAT、GLSendo、TLSendo为CAD患者冠状动脉重度病变的独立影响因素（P＜0.05）。3.EAT、GLSendo、TLSendo预测CAD患者冠状动脉重度病变的受试者工作特征曲线下面积（AUC）分别为0.714（0.641~0.787）、0.819（0.757~0.881）、0.788（0.724~0.852）,截断值分别为7.175mm、-16.635、-18.115,敏感度分别为74.7%、69.0%、85.1%,特异度分别为63.0%、85.0%、58.0%。4.Pearson相关性分析显示,EAT厚度与Gensini积分呈正相关（r=0.340,P＜0.001）,GLSendo（r=-0.383,P＜0.001）、GLSmyo（r=-0.483,P＜0.001）、GLSepi（r=-0.436,P＜0.001）、TLSendo（r=-0.414,P＜0.001）、TLSmyo（r=-0.367,P＜0.001）、TLSepi（r=-0.302,P＜0.001）与Gensini积分均呈负相关。结论:1.随CAD患者冠状动脉病变程度逐渐加重,EAT逐步增厚,各层心肌整体和局部的收缩功能均逐步降低。2.心肌分层应变技术可以快速对CAD患者左心室整体和局部功能定量分析,EAT、GLS及TLS均可作为预测CAD患者冠状动脉病变严重程度、无创识别复杂CAD的重要参考依据。第二部分基于超声参数的机器学习算法构建冠心病患者冠状动脉病变严重程度的预测模型目的:探讨基于超声心动图的特征参数构建CAD患者冠状动脉病变严重程度的机器学习模型的可行性,并测试预测模型的效能。方法:纳入2020年9月~2022年11月于兰州大学第一医院心脏中心行冠状动脉造影确诊为CAD的患者187例,借助Gensini积分评估病变冠状动脉的狭窄程度。将参与者分为轻中度（Gensini积分≤53分）100例及重度组（Gensini积分≥54分）87例,收集临床及超声参数。由计算机随机根据冠状动脉病变严重程度进行分层抽样,将75%的患者作为训练集（n=140）,25%作为测试集（n=47）。利用随机森林（RF）算法在训练集中筛选预测模型的最佳特征,将其纳入决策树（DT）、K近邻（KNN）、逻辑回归（LR）、朴素贝叶斯（NB）、RF、极端梯度提升算法（XGBoost）6种机器学习算法进行预测模型的建立,同时使用3折交叉验证对模型进行训练和内部验证,最终得到各模型的最佳参数,以此在独立测试集中验证各机器学习模型的预测效能。通过AUC评价各模型的效能;通过准确度、灵敏度或召回率、特异度、阳性预测值或精确度、阴性预测值、F1分数综合评价各模型的预测分类效果;绘制各模型的校准曲线后分析模型预测值和实际值的差距,同时进一步计算Brier分数,从而对比预测模型的总体表现,筛选出最佳模型作为最终模型。结果:1.训练集患者的身体质量指数高于测试集患者（P＜0.05）;训练集内轻中度及重度病变组患者的舒张压、左心室射血分数、EAT、GLSendo、GLSmyo、GLSepi及TLSendo、TLSmyo、TLSepi差异均具有统计学意义（P＜0.05）。2.经RF算法筛选后,最终纳入EAT、GLSendo、GLSmyo、GLSepi及TLSendo、TLSmyo、TLSepi 7个特征进行预测模型的构建。各模型在训练集内部3折交叉验证后的平均AUC值分别为:DT（AUC=0.758）、KNN（AUC=0.865）、LR（AUC=0.840）、NB（AUC=0.855）、RF（AUC=0.864）、XGBoost（AUC=0.786）。3.DT、KNN、LR、NB、RF、XGBoost在测试集中的AUC、准确度、灵敏度或召回率、特异度、阳性预测值或精确度、阴性预测值及F1分数分别为0.7265（95%CI:0.5697~0.8833）、0.7660、0.7059、0.8000、0.6667、0.8276、0.6857;0.8941（95%CI:0.8018~0.9863）、0.8085、0.7059、0.8667、0.7500、0.8387、0.7273;0.8412（95%CI:0.7223~0.9601）、0.7660、0.5882、0.8667、0.7143、0.7879、0.6451;0.8412（95%CI:0.7225~0.9599）、0.7872、0.5882、0.9000、0.7692、0.7941、0.6667;0.8314（95%CI:0.7092~0.9536）、0.7872、0.7059、0.8333、0.7059、0.8333、0.7059;0.7735（95%CI:0.6443~0.9027）、0.8085、0.6471、0.9000、0.7857、0.8182、0.7097。4.校准曲线显示,DT、KNN、LR、NB、RF、XGBoost在测试集中的Brier分数分别为0.196（0.103~0.288）、0.135（0.076~0.193）、0.146（0.092~0.200）、0.166（0.080~0.252）、0.157（0.097~0.217）、0.191（0.078~0.305）,各模型的Brier分数均＜0.25。KNN模型的预测概率与实际观察值具有较好的一致性,DT的预测概率与实际观察值的一致性相对较差。最终筛选出KNN为最佳预测模型。结论:基于超声心动图测量的EAT厚度及心肌纵向分层应变参数的机器学习模型能够有效预测CAD患者冠状动脉病变的严重程度。KNN对CAD患者冠状动脉病变严重程度的判断优于DT、LR、NB、RF、XGBoost,具有较高的临床应用价值。