论文部分内容阅读
目的:小而密低密度脂蛋白（Small dense low density lipoprotein cholesterol,sd LDL-C）是低密度脂蛋白胆固醇（Low density lipoprotein cholesterol,LDL-C）的异质性颗粒,是一种与动脉粥样硬化（Atherosclerosis,AS）相关的新型的生物标志物。本研究旨在分析sd LDL-C水平与冠状动脉性心脏病（Coronary artery disease,CAD）发病的关系,尝试建立纳入sd LDL-C为预测因子的预测CAD发生风险的预测模型,帮助临床提高高危CAD风险的早期识别。方法:本研究回顾性收集承德医学院附属医院心内科2019年6月到2020年6月因胸痛或胸闷入院行冠状动脉造影术（Coronary angiography,CAG）患者的临床资料。将符合纳入标准的研究对象548例按照3:1随机分为建模组（75%,409例）和验证组（25%,139例）。将单因素分析有意义的影响因素P＜0.05纳入多因素Logistic回归进行分析,按照赤池信息准则（AIC）选取最优的Logistic回归模型,用于构建预测CAD风险的模型。采用受试者工作特征曲线（Receiver operating characteristic curve,ROC）曲线下的面积（Area under curve,AUC）验证与评估该模型的区分能力,绘制校准曲线和决策曲线分析（DCA）评估模型的校准度及临床净收益和实用性。结果:1.建模组根据是否为CAD分组,单因素Logistic分析结果显示,男性（OR=4.78,95%CI:2.90-7.88,P＜0.001）,高血压病史（OR=2.08,95%CI:1.28-3.37,P＜0.001）,糖尿病病史（OR=3.82,95%CI:1.48-9.82,P=0.005）,吸烟史（OR=7.06,95%CI:3.88-12.84,P＜0.001）,sd LDL-C（sd LDL-C=12-25,OR=1.88,95%CI:1.10-2.23;sd LDL-C＞25,OR=4.50,95%CI=2.32-8.74,P＜0.001）,总胆固醇（Total Cholesterol,TC）（OR=2.99,95%CI:1.38-6.48,P=0.005）,谷草转氨酶（Aspartate aminotransferase,AST）（AST=25.80-43.35,OR=1.05,95%CI:1.02-1.16;AST＞43.35,OR=2.03,95%CI:2.02-3.18,P＜0.001）,丙氨酸氨基转移酶（Alanine aminotransferase,ALT）（ALT=24.84-38.28,OR=1.75,95%CI:1.01-3.01;ALT＞38.28,OR=3.75,95%CI:1.96-7.17,P＜0.001）,血清肌酐（Serum creatinine,Scr）（Scr=56.30-68.90,OR=1.39,95%CI:1.20-1.76;Scr＞68.90,OR=2.42,95%CI=2.22-2.83,P=0.013）,中性粒细胞/高密度脂蛋白胆固醇（The Ratio of Neutrophil to high-density lipoprotein cholesterol,NHR）（NHR=3.90-6.60,OR=1.74,95%CI:1.01-2.99;NHR＞6.60,OR=5.60,95%CI=2.75-11.36,P＜0.001）,中性粒细胞数/淋巴细胞（The Ratio of Neutrophils to Lymphocytes,NLR）（NLR=2.22-4.38,OR=1.82,95%CI:1.05-3.16;NLR＞4.38,OR=3.59,95%CI:1.89-6.82,P＜0.001）,单核细胞/高密度脂蛋白胆固醇（The Ratio of Monocyte to high-density lipoprotein cholesterol,MHR）（MHR=0.30-0.50,OR=1.64,95%CI:0.94-2.85;MHR＞0.50,OR=2.46,95%CI:1.33-4.52,P=0.012）,单核细胞/淋巴细胞（The Ratio of Monocyte to lymphocyte,MLR）（MLR=0.20-0.31,OR=1.40,95%CI:1.21-1.76;MLR＞0.31,OR=2.54,95%CI:2.28-3.03,P=0.01）,新型炎性指标系统免疫炎性指数（Systemic immun e-inflammationindex,SII）（SII=457-948,OR=1.49,95%CI:0.86-2.59;SII＞948,OR=2.30,95%CI:1.26-4.22,P=0.024）存在统计学差异。2.Logistic多因素回归模型的构建纳入上述变量,按AIC准则筛选模型,最终选取的可用于预测CAD发生风险的预测模型纳入了男性（OR=2.55,95%CI:1.28-5.09,P=0.008）,高血压病史（OR=2.36,95%CI:1.30-4.30,P=0.005）,糖尿病病史（OR=3.01,95%CI:1.07-8.46,P=0.037）,TC（OR=3.54,95%CI:1.32-9.48,P=0.012）,吸烟史（OR=3.84,95%CI:1.80-8.16,P＜0.001）,sd LDL-C（sd LDL-C=12-25,OR=1.87,95%CI:0.97-3.62,P=0.064;sd LDL-C＞25,OR=3.54,95%CI:1.46-7.56,P=0.004）,NLR（NLR=2.22-4.38,OR=1.62,95%CI:0.83-3.15,P=0.155;NLR＞4.38,OR=2.30,95%CI:1.03-5.11,P=0.042）,ALT（ALT=24.84-38.28,OR=1.59,95%CI:0.81-3.10,P=0.178;ALT＞38.28,OR=2.71,95%CI:1.20-6.10,P=0.016）为预测因子。3.建模组及验证组中预测CAD风险的ROC曲线下面积分别为0.837（95%CI=0.798-0.877）、0.824（95%CI=0.783-0.865）。校准曲线中进行Hosmer-Lemeshow拟合优度检验,χ2=5.873,P=0.761。DCA曲线提示当预测概率值在0.44-0.91之间时,该模型预测CAD发生风险是合理的,患者能够获得最大的临床获益。结论:1.本研究构建了用于预测CAD发生风险的预测模型,预测因子包括男性、糖尿病史、吸烟史、高血压病史、sd LDL-C升高、TC升高、ALT升高、NLR升高。2.本预测模型具有较好的预测能力、校准能力及临床净获益,有助于临床上早期识别CAD的高危人群。