查看更多
密码过期或已经不安全,请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
摘 要
目的:探讨维持性透析患者二尖瓣钙化(MVC)的相关因素,构建多维度风险判别模型。
方法:纳入2020年1月至2023年6月江苏省四家透析中心的1642例维持性透析患者。通过多元螺旋CT扫描获取骨骼肌密度(SMD)。通过最小绝对收缩和选择算子(Lasso)筛选MVC的独立相关因素,并结合多因素Logistic回归构建风险判别模型及可视化列线图,评估SMD的增量价值。采用受试者工作特征曲线、校正曲线、Hosmer-Lemeshow检验、临床决策曲线、净重分类改善(NRI)和综合判别改善指数(IDI)来评价模型性能,并进行亚组分析验证稳健性。
结果:MVC组289例(17.60%),非MVC组1 353例(82.40%)。Lasso回归和多因素Logistic回归分析显示,年龄、透析龄、碱性磷酸酶和甲状旁腺激素与MVC呈正相关,而SMD、淋巴细胞与单核细胞比值及载脂蛋白A1(ApoA1)与MVC呈负相关。引入SMD后,模型AUC略有提升(训练集:0.780 vs 0.772,P=0.267;验证集:0.739 vs 0.731,P=0.513),IDI与NRI显著改善(IDI=0.024,NRI=0.316)。亚组分析未见明显交互效应。
结论:基于SMD、年龄、透析龄、碱性磷酸酶、甲状旁腺激素、淋巴细胞与单核细胞比值和ApoA1构建的MVC发生风险的列线图模型具有较好的判别价值,有助于识别发生MVC的高危患者并进行早期干预。
截至2021年,全球接受维持性透析治疗的终末期肾病(ESKD)患者已超过350万例,中国已超106万例[1],约半数死于心血管疾病(CVD)[2]。心脏瓣膜钙化(CVC)在慢性肾脏病(CKD)患者中常见,随估算肾小球滤过率(eGFR)下降而增加[3]。在CVC中,二尖瓣是最常受累的瓣膜之一[4]。研究表明二尖瓣钙化(MVC)与CKD患者死亡率、严重冠状动脉病变及左室功能减退显著相关[5]。近年来有研究发现骨骼肌质量与血管钙化相关[6],但与心脏瓣膜关系尚未阐明。目前CKD患者CVC发生机制未明,现有模型多聚焦主动脉瓣膜[7],缺乏针对MVC的多变量判别模型。本研究拟基于多元螺旋CT获取的骨骼肌密度(SMD)指标,结合传统危险因素,构建维持性透析患者MVC风险判别模型,以期实现早期筛查与干预。
对象和方法
研究对象 本研究为多中心回顾性横断面研究。纳入2020年1月至2023年6月期间在苏州大学附属第三医院、东南大学附属中大医院、扬州市第一人民医院和南京医科大学附属泰州人民医院接受透析治疗的1642例患者。纳入标准:①年龄18~80岁;②规律透析>3个月[腹膜透析(PD):PD液日交换量为8000~10000 mL;血液透析(HD):3次/周,4 h/次];③有HD前4 h内、PD患者排空PD液后的非增强胸部或腹部CT扫描影像。由于本研究为回顾性研究,经常州市第一人民医院伦理委员会批准(批准文号(2024)科第070号)。详细的患者筛选流程见图1。
图1 患者筛选流程图
基线数据收集 从医院电子病历系统提取HD患者长间期透析前和PD患者清晨空腹静脉血的相关实验室数据,并计算体重指数、血清校正钙(mmol/L)及淋巴细胞/单核细胞比值(LMR)。
SMD及MVC测量 本研究从医院影像归档与通信系统调取既往胸部或腹部平扫影像及超声心动图检查单,SMD与MVC详细测量方法与项目前期研究方法一致[8]。
统计学方法 使用R软件(4.2.2)及Stata软件进行统计学分析。采用Kolmogorov-Smirnov检验进行数据正态性分析,正态分布的计量资料采用均数±标准差表示,组间比较采用独立样本t检验;非正态分布的计量资料采用中位数(四分位间距)形式表示,组间比较采用Wilcoxon秩和检验。计数资料采用例数和百分比表示,组间比较采用χ2检验。
采用R语言进行最小绝对收缩和选择算子(Lasso)分析筛选变量,并将筛选出的变量纳入单因素及多因素Logistic回归分析,以构建风险判别模型。采用方差膨胀因子(VIF)评估自变量间的多重共线性,并通过亚组分析验证结果的稳健性。
构建不含SMD的基础模型(模型A),并与包含SMD的完整模型(模型B)进行比较,通过category-free净重分类指数(NRI)和综合判别改善指数(IDI)评估SMD的增量价值,利用2 000次自助法估计NRI和IDI的95%CI及P值。
利用受试者工作特征(ROC)曲线评估判别完整模型B的性能,使用校准曲线及Hosmer-Lemeshow检验评价模型校准度。通过临床决策曲线分析(DCA)评估临床净获益,并报告预设阈值概率点的净获益及其95%CI,同时绘制列线图。P<0.05为差异具有统计学意义。
结 果
两组患者基本资料比较 共纳入1642例患者,其中男性936例(57%),中位年龄56岁,MVC组289例(17.60%),非MVC组1353例(82.40%)。数据集中,MVC组患者年龄、透析龄、血清甲状旁腺激素(PTH)和碱性磷酸酶(ALP)水平、接受HD的比例、既往有冠状动脉粥样硬化性心脏病、高脂血症和心血管事件病史的比例及调脂药、拟钙剂服药史的比例均高于非MVC组,而舒张压、LMR、总胆固醇(TC)、低密度脂蛋白胆固醇(LDL)、载脂蛋白A1(ApoA1)、血清肌酐(SCr)、SMD的水平及复方α酮酸片服药史的患者比例均低于非MVC组(P均<0.05),其余各项指标在两组间差异无统计学意义(表1)。
表1 维持性透析患者基线资料比较
MVC:二尖瓣钙化;ESA:红细胞生成刺激剂;HIF-PHI:低氧诱导因子-脯氨酸羟化酶抑制剂;LMR:淋巴细胞/单核细胞比值;PTH:甲状旁腺激素;ALP:碱性磷酸酶;TC:总胆固醇;TG:甘油三酯;HDL:高密度脂蛋白;LDL:低密度脂蛋白;ApoA1:载脂蛋白A1;BUN:血尿素氮;SCr:血清肌酐
风险判别模型的构建和评价 将患者按7∶3比例分为训练集(1149例)和验证集(493例),两组间比较差异均无统计学意义,训练集与验证集中非MVC组与MVC组基线特征比较见表1。Lasso回归在lambda.1se为0.0329时模型性能最佳,筛选出与MVC密切相关的变量:年龄、透析龄、SMD、LMR、ALP、PTH和ApoA1。
多因素Logistic回归分析显示,年龄(OR=1.019, 95%CI 1.003~1.036, P=0.021)、透析龄(OR=1.112, 95%CI 1.073~1.153, P<0.001)、ALP(OR=8.270, 95%CI 1.873~39.530, P=0.006)和PTH(OR=1.843, 95%CI 1.263~2.740, P=0.002)与MVC呈正相关,而SMD(OR=0.954, 95%CI 0.929~0.979, P<0.001)、LMR(OR=0.819, 95%CI 0.712~0.942, P=0.004)、ApoA1(OR=0.399, 95%CI 0.199~0.784, P=0.009)与MVC呈负相关。这一结果在HD患者中适用,但在PD患者中SMD的OR=0.969(95%CI 0.927~1.013, P=0.161)与MVC风险的关联未达到统计学意义。上述变量之间不存在明显多重共线性(VIF分别为1.559、1.036、1.476、1.083、1.317、1.366、1.085)。根据多因素Logistic回归的结果建立维持性透析患者MVC判别模型,绘制出可视化列线图(图2),并生成动态列线图的网页计算器。
图2 预测维持性血液透析患者二尖瓣钙化的列线图模型
LMR:淋巴细胞/单核细胞比值;PTH:甲状旁腺激素;ALP:碱性磷酸酶;ApoA1:载脂蛋白A1
包含SMD的完整模型B与基础模型A比较结果显示,模型A训练集ROC曲线下面积(AUC)为0.772(95%CI 0.737~0.808),验证集为0.731(95%CI 0.672~0.791),模型B训练集AUC为0.780(95%CI 0.745~0.815),验证集为0.739(95%CI 0.679~0.799),见图3A。模型B较模型A的IDI为0.024(95%CI 0.008~0.041, P=0.003),NRI为0.316(95%CI 0.072~0.56, P=0.011)。上述结果提示,SMD的引入显著提高了模型对维持性透析患者MVC的判别效能。
图3 训练集和验证集的二尖瓣钙化判别模型的ROC曲线、校准曲线和决策曲线
A:训练集和验证集的二尖瓣钙化判别模型的ROC曲线;B、C:校准曲线显示训练集和验证集列线图模型的判别概率与实际概率的吻合程度;D、E:训练集和验证集临床决策曲线评估模型的临床实用性
校准曲线显示,模型B的判别概率和MVC的实际发生率有良好的一致性(图3B、C),Hosmer-Lemeshow检验结果显示,训练集χ2为7.379,P=0.496 4;验证集χ2=9.207,P=0.325 2,差异均无统计学意义。决策曲线分析结果(图3D、E)显示,完整模型B在训练集与验证集中均具有较高的净获益。训练集关键阈值概率点(如0.05、0.10、0.15)的净获益值为0.153(0.137~0.179)、0.128(0.106~0.154)、0.117(0.093~0.141),验证集的净获益为0.127(0.103~0.139)、0.083(0.074~0.092)、0.072(0.051~0.097)。
亚组分析 总数据集亚组分析结果显示,SMD与MVC的关联在年龄、透析龄、LMR、ALP、ApoA1和PTH亚组中基本一致(图4),未见显著的变量交互效应(总数据集交互P值范围:0.079~0.505;训练集:0.293~0.771;验证集:0.115~0.855),训练集和验证集结果与总数据集保持一致。
图4 总数据集亚组分析
LMR:淋巴细胞/单核细胞比值;ALP:碱性磷酸酶;PTH:甲状旁腺激素
讨 论
本研究为多中心回顾性横断面研究,结果表明,年龄、透析龄、ALP和PTH与MVC呈正相关,而SMD、LMR及ApoA1与MVC呈负相关。基于上述因素,构建包含SMD的完整判别模型,同基础模型比较发现SMD的引入显著提高了模型对维持性透析患者MVC的判别效能。
本研究发现,维持性透析患者CVC的总体发生率为39.83%,其中主动脉瓣钙化(AVC)34.90%最常见,其次为MVC(17.60%)。既往多项对透析患者的研究结果显示MVC患病率升至25%~59%[9],透析年龄、样本量及纳排标准的不同,可能部分解释了本研究中MVC患病率略低于既往研究这一现象。
研究表明MVC合并CKD的患者1年、5年和10年的生存率分别为78%、47%和25%[10]。即使轻度MVC亦与未来瓣膜功能障碍风险增加及生存率降低密切相关,故构建风险判别模型有助于早期识别高危透析患者并改善预后。
目前研究已证实,MVC发病率随年龄增长而升高[11]。在维持性透析患者中,年龄对MVC的影响被进一步放大[12]。本研究结果显示,在调整钙磷代谢及透析龄等传统混杂因素后,年龄每增加1岁,MVC的发生风险增加1.9%。
最新研究认为,MVC是骨形成、脂质沉积和炎症的一个活跃和受调节的分子过程[13]。本研究发现,PTH及ALP升高与维持性透析患者MVC独立相关。既往研究表明PTH水平升高可致血管内皮细胞功能障碍,诱导内皮-间充质转变,使其转化为表达骨标志物的成骨样细胞[14]。ALP的活性增加亦与瓣膜间质细胞的成骨转变密切相关。
目前研究认为,MVC可能是全身脂质失衡导致CVC的局部表现之一[15]。Sell等[16]对二尖瓣环标本的尸检结果显示,胶原蛋白间存在脂质沉积,随后出现钙化。同时,多项研究表明脂蛋白(a)与MVC进展之间存在相关性[17]。然而目前尚无关于ApoA1与MVC关系的研究。ApoA1是高密度脂蛋白的核心载体蛋白,是促进胆固醇逆转运输的关键因子,具有抗炎、抗氧化和血管保护作用[18]。我们的研究发现ApoA1与MVC呈显著负相关。
此外,系统性炎症和瓣膜间质细胞的局部微炎症状态共同推动瓣膜钙化[19]。LMR作为一种间接反映系统炎症状态的指标,在瓣膜钙化的驱动过程中发挥重要作用[20]。我们的研究发现LMR与MVC呈显著负相关。结合既往文献,推测其机制可能为活化的单核细胞通过旁分泌作用增强瓣膜间质细胞的炎症活性和成骨活性,加速瓣膜钙化过程[21];而抑制促炎性单核细胞亚群的黏附和血管内皮氧化低密度脂蛋白的摄取,可减少促炎因子释放[22],从而对瓣膜钙化起到保护作用。
近年来,骨骼肌减少症与CKD患者心血管钙化高度共存。既往两项大样本研究[23]及MESA队列[24]均证实,骨骼肌质量与冠状动脉钙化呈显著负相关。本团队前期研究亦发现,初始透析患者SMD与胸主动脉钙化呈负相关[25]。然而,目前关于骨骼肌减少症与瓣膜钙化的研究仍非常有限。在经导管主动脉瓣置换术患者中,SMD联合骨骼肌质量指数对预后具独立预测价值[26],提示SMD是瓣膜病的关键预后因素。本研究进一步证实,维持性透析患者SMD是MVC的独立影响因素。
本研究创新性地引入SMD,构建多维度判别模型。亦存在不足:①本研究为基于电子病例的回顾性横断面设计,未收集体力活动、社会经济地位等混杂因素及握力、椅子站立或步速等肌肉功能指标,上述指标对SMD与MVC关联的影响有待前瞻性研究进一步完善评估。②本研究中PD患者样本量相对较少影响判别模型的适用性,该亚组结果仍需扩大样本量及开展前瞻性研究进一步阐明SMD对维持性透析患者MVC的判别价值。③需进一步通过前瞻性研究及体内外实验,从分子层面深入探讨ESKD患者骨骼肌密度与CVC的关联机制。
小 结
年龄、透析龄、ALP和PTH与MVC呈正相关,而SMD、LMR及ApoA1与MVC呈负相关。SMD的引入显著提高了模型对维持性透析患者MVC的判别效能。
参考文献
共 26 条 · 上下滑动查看全部
来源:肾脏病与透析肾移植杂志订阅号
作者:吴孟环 陶源 高玉婷 任雨欣 张凡 周雯 侯师梅 郑婧 王垚 曹婧媛 王晓旭 杨艳 王彬 杨敏 李旻
查看更多