基于中醫(yī)體質(zhì)的老年人動(dòng)脈粥樣硬化性心血管疾病預(yù)測(cè)模型的開發(fā)研究

【摘要】 背景 動(dòng)脈粥樣硬化性心血管疾?。ˋSCVD）最有效的預(yù)防策略是實(shí)施基層管理，其核心措施是進(jìn)行風(fēng)險(xiǎn)評(píng)估，現(xiàn)有老年人ASCVD預(yù)測(cè)模型不能很好地指導(dǎo)中醫(yī)基層管理，因此，需將中醫(yī)元素融入預(yù)測(cè)模型的開發(fā)，以指導(dǎo)ASCVD中西醫(yī)結(jié)合基層管理。目的 構(gòu)建并驗(yàn)證基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型。方法 納入2017年在華苑街社區(qū)衛(wèi)生服務(wù)中心、陳塘莊街社區(qū)衛(wèi)生服務(wù)中心、向陽路街社區(qū)衛(wèi)生服務(wù)中心、大邱莊鎮(zhèn)中心衛(wèi)生院進(jìn)行健康查體的1 418名老年人（≥65歲）為研究對(duì)象，收集研究對(duì)象一般資料，對(duì)研究對(duì)象進(jìn)行體質(zhì)辨識(shí)。于2017—2022年隨訪研究對(duì)象ASCVD發(fā)病情況（臨床結(jié)局），隨訪截止于2022-11-30。將研究對(duì)象數(shù)據(jù)按照8∶2隨機(jī)拆分為訓(xùn)練集和驗(yàn)證集，在訓(xùn)練集中，采用向前逐步法構(gòu)建老年人ASCVD常規(guī)預(yù)測(cè)模型（模型1）和老年人ASCVD常規(guī)+體質(zhì)預(yù)測(cè)模型（模型2）。繪制基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型列線圖。繪制校準(zhǔn)曲線及進(jìn)行Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)判定模型的校準(zhǔn)度。繪制受試者工作特征（ROC）曲線并計(jì)算ROC曲線下面積（AUC）判定模型的區(qū)分度。使用AUC、凈重分類改善度（NRI）、綜合判別指數(shù)（IDI）、臨床決策曲線（DCA）對(duì)模型2與模型1進(jìn)行比較，評(píng)估改善效能。結(jié)果 訓(xùn)練集（n=1 127）與驗(yàn)證集（n=291）研究對(duì)象一般資料比較，差異無統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。多因素Logistic分析結(jié)果顯示，模型１包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史，共計(jì)7種預(yù)測(cè)變量；模型2包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史、體質(zhì)類型，共計(jì)8種預(yù)測(cè)變量。Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)結(jié)果示模型2擬合度良好，Delong檢驗(yàn)結(jié)果顯示，模型2的AUC高于模型1（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359～0.663，Plt;0.001），IDI=0.038（95%CI=0.024～0.051，Plt;0.001），提示添加體質(zhì)預(yù)測(cè)變量可提高模型預(yù)測(cè)的準(zhǔn)確度。臨床效用對(duì)比結(jié)果示，在5%～74%閾值概率下，使用模型2預(yù)測(cè)嚴(yán)重老年人ASCVD事件的凈收益率優(yōu)于模型1。結(jié)論 本研究構(gòu)建了一個(gè)包含性別、年齡、腰圍、收縮壓、三酰甘油、BMI、收縮壓×高血壓用藥史、體質(zhì)類型８?jìng)€(gè)預(yù)測(cè)變量的老年人ASCVD預(yù)測(cè)模型，經(jīng)檢驗(yàn)，區(qū)分度、校準(zhǔn)度表現(xiàn)良好，較傳統(tǒng)常規(guī)預(yù)測(cè)模型表現(xiàn)更為優(yōu)秀，可以應(yīng)用于老年人ASCVD個(gè)體化風(fēng)險(xiǎn)評(píng)估，指導(dǎo)ASCVD中西醫(yī)結(jié)合基層管理。

【關(guān)鍵詞】 冠心病；動(dòng)脈粥樣硬化；中醫(yī)體質(zhì)類型；老年人；風(fēng)險(xiǎn)預(yù)測(cè)模型

【中圖分類號(hào)】 R 543.5 【文獻(xiàn)標(biāo)識(shí)碼】 A DOI：10.12114/j.issn.1007-9572.2023.0406

Research on the Development of Atherosclerotic Cardiovascular Disease Prediction Model for the Elderly Based on TCM Constitution

GAO Ying1，2，XU Xinyi1，2，LIU Yang1，2，YANG Xiaokun1，2*

1.First Teaching Hospital of Tianjin University of Traditional Chinese Medicine，Tianjin 300381，China

2.National Clinical Medicine Research Center of Chinese Medicine Acupuncture and Moxibustion，Tianjin 300381，China

*Corresponding author：YANG Xiaokun，Chief physician/Doctoral supervisor；E-mail：yxk.666@163.com

【Abstract】 Background The most effective prevention strategy for atherosclerotic cardiovascular disease （ASCVD） is primary management，with the core measure of risk assessment. The existing prediction models for ASCVD for the elderly are not able to guide TCM primary management well. Therefore，it is necessary to integrate TCM elements into the development of prediction models to guide the primary management of ASCVD with combined traditional Chinese and western medicine. Objective To construct and validate the ASCVD prediction model for the elderly based on TCM constitution. Methods A total of 1 418 elderly people who underwent physical examination at Huayuan Street Community Health Service Center，Chentangzhuang Street Community Health Service Center，Xiangyang Road Street Community Health Service Center and Daqiuzhuang Town Central Health Center in 2017 were included as the study subjects. General data of the study subjects were collected and constitution identification was performed. The incidence of ASCVD（clinical outcome）was followed up from 2017 to 2022. The follow-up will end at 2022-11-30 . The data of the subjects were randomly divided into a training set（n=1 127）and validation set（n=291）according to 8∶2. In the training set，the conventional ASCVD prediction model for the elderly（model 1）and the conventional ASCVD+constitution prediction model for the elderly（model 2）were constructed by using the forward stepwise method. The nomogram of ASCVD prediction model for the elderly based on TCM constitution was plotted. The calibration curve was plotted and the Hosmer-Lemeshow goodness of fit test was performed to determine the calibration of the model. The receiver operating characteristic curve was plotted and the area under the curve （AUC） was calculated to determine the discrimination of the model. AUC，Net Reclassification Index（NRI），Integrated Discrimination Improvement（IDI），and Decision Curve Analysis（DCA）were used to compare model 2 with model 1 to evaluate the improvement efficacy of model 2. Results There was no significant difference in the general data between the training set and validation set（Pgt;0.05）. The results of multivariate analysis showed that model 1 included 7 predictors of gender，age，waist circumference，systolic blood pressure，triacylglycerol（TG），BMI，systolic blood pressure×hypertension medication history. model 2 included 8 predictors of gender，age，waist circumference，systolic blood pressure，TG，BMI，systolic blood pressure×hypertension medication history，and constitution type. Hosmer-Lemeshow goodness-of-fit test showed good fit of model 2；Delong test results showed that AUC of model 2 was higher than that of model 1（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359-0.663，Plt;0.001），IDI=0.038（95%CI=0.024-0.051，Plt;0.001），suggesting that the addition of constitution predictors could improve the accuracy of model prediction. The clinical utility comparison results showed that the net benefit of model 2 to predict severe ASCVD events in the elderly was better than model 1 at a threshold probability of 5% to 74%. Conclusion In this study，a ASCVD prediction model for the elderly was constructed including 8 predictor variables of gender，age，waist circumference，systolic blood pressure，TG，BMI，systolic blood pressure×hypertension medication history，and constitution type. After testing，the differentiation and calibration performed well，which was better than the conventional prediction model，and can be applied to the individualized risk assessment of ASCVD in the elderly and guide the primary management of ASCVD with combined traditional Chinese and western medicine.

【Key words】 Coronary disease；Atherosclerosis；Constitutional type（TCM）；Aged；Risk prediction model

動(dòng)脈粥樣硬化性心血管疾?。╝therosclerotic cardiovascular disease，ASCVD）是我國居民健康的首要威脅［1-2］。目前，ASCVD最有效的預(yù)防策略是實(shí)施基層管理，其核心措施是進(jìn)行風(fēng)險(xiǎn)評(píng)估，依據(jù)評(píng)估結(jié)果進(jìn)行危險(xiǎn)分層并實(shí)施個(gè)體化防治方案［3］。臨床預(yù)測(cè)模型（clinical prediction model，CPM）是進(jìn)行綜合風(fēng)險(xiǎn)評(píng)估與個(gè)性化健康管理的重要工具，其可以通過綜合分析多因素變量（如患者一般情況、檢驗(yàn)指標(biāo)、治療措施等）的共同作用，準(zhǔn)確地預(yù)測(cè)目標(biāo)人群的發(fā)病風(fēng)險(xiǎn)［4］。在幫助實(shí)現(xiàn)高危人群篩查的同時(shí)，對(duì)影響疾病發(fā)生和預(yù)后結(jié)局的危險(xiǎn)因素及其相應(yīng)的作用強(qiáng)度進(jìn)行分析，可以為醫(yī)療保健人員及患者的決策提供更客觀、直觀的信息［5］，將性能良好的CPM應(yīng)用臨床實(shí)踐可提升疾病防治水平和成本效益。

中醫(yī)體質(zhì)具有整體性、客觀性、差異性、可調(diào)性等特點(diǎn)，為疾病防治提供了新的視角與證據(jù)，目前已有諸多研究表明中醫(yī)體質(zhì)與ASCVD的發(fā)病密切相關(guān)［6-8］，提示可從體質(zhì)角度篩選ASCVD高危人群，助力精準(zhǔn)預(yù)判疾病的發(fā)生、轉(zhuǎn)變和預(yù)后規(guī)律。同時(shí)體質(zhì)是可調(diào)的，其具有相對(duì)穩(wěn)定性與動(dòng)態(tài)可變性相結(jié)合的事物屬性，每一個(gè)體在生命過程中，會(huì)受到內(nèi)外環(huán)境中諸多因素的影響，體質(zhì)會(huì)隨之發(fā)生變化［9］。研究表明，在ASCVD管理中，實(shí)施體質(zhì)綜合干預(yù)對(duì)改善危險(xiǎn)因素水平，降低事件發(fā)生率具有顯著療效［10-11］。融入中醫(yī)體質(zhì)的CPM，可針對(duì)性地提供個(gè)體化體質(zhì)綜合干預(yù)指導(dǎo)，有助于規(guī)范基層中醫(yī)健康管理，進(jìn)而提升ASCVD基層管理水平。但目前仍缺乏包含中醫(yī)體質(zhì)元素的老年人ASCVD預(yù)測(cè)模型?；诖?，本研究擬基于《基層心血管病綜合管理實(shí)踐指南2020》［12］推薦的ASCVD評(píng)估工具China-PAR模型［13］，結(jié)合基層臨床實(shí)踐，融入中醫(yī)體質(zhì)元素，開發(fā)富有中醫(yī)特色的老年人ASCVD預(yù)測(cè)模型，以期為ASCVD基層管理提供優(yōu)良的風(fēng)險(xiǎn)評(píng)估工具，促進(jìn)ASCVD中西醫(yī)基層管理水平的提升。

1 對(duì)象與方法

1.1 研究對(duì)象

本研究為回顧性隊(duì)列研究，研究對(duì)象來源于2017年在華苑街社區(qū)衛(wèi)生服務(wù)中心、陳塘莊街社區(qū)衛(wèi)生服務(wù)中心、向陽路街社區(qū)衛(wèi)生服務(wù)中心、大邱莊鎮(zhèn)中心衛(wèi)生院進(jìn)行健康查體的老年人，排除體質(zhì)辨識(shí)數(shù)據(jù)缺失者后，采用簡(jiǎn)單隨機(jī)抽樣方法于各基層醫(yī)療機(jī)構(gòu)分別抽取30%作為本研究的研究對(duì)象。納入標(biāo)準(zhǔn)：（1）年齡≥65歲；（2）天津市常住居民（居住時(shí)間≥10年），并愿意接受隨訪調(diào)查者。排除標(biāo)準(zhǔn)：（1）簽約時(shí)患有ASCVD；（2）主要研究指標(biāo)數(shù)據(jù)嚴(yán)重缺失。最終納入研究對(duì)象1 418名，納入流程見圖1。

1.2 基線數(shù)據(jù)收集

1.2.1 收集研究對(duì)象一般資料，包括年齡、性別、腰圍、BMI、收縮壓、高血壓藥物使用情況、糖尿病史、吸煙史（吸煙≥1支/d，且持續(xù)時(shí)間≥6個(gè)月）、ASCVD家族史；收集研究對(duì)象實(shí)驗(yàn)室檢查結(jié)果，包括血清總膽固醇（TC）、三酰甘油（TG）。

1.2.2 采用天津市社區(qū)衛(wèi)生服務(wù)系統(tǒng)中的“中醫(yī)體質(zhì)辨識(shí)問卷”對(duì)研究對(duì)象進(jìn)行體質(zhì)辨識(shí)，該問卷參考國家中醫(yī)藥管理局發(fā)布的《老年版中醫(yī)體質(zhì)分類與判定》標(biāo)準(zhǔn)，將體質(zhì)分為平和質(zhì)、氣虛質(zhì)、陽虛質(zhì)、陰虛質(zhì)、痰濕質(zhì)、濕熱質(zhì)、血瘀質(zhì)、氣郁質(zhì)、特稟質(zhì)9種類型，若判定過程中出現(xiàn)兼夾體質(zhì)，本研究采用得分最高的體質(zhì)類型作為其體質(zhì)類型進(jìn)行分析。

1.3 隨訪數(shù)據(jù)采集

采用電話隨訪與社區(qū)衛(wèi)生服務(wù)系統(tǒng)查詢相結(jié)合的方式。每年天津市家庭醫(yī)生團(tuán)隊(duì)會(huì)對(duì)簽約居民進(jìn)行1次全面的身體健康狀況評(píng)估，并將其健康狀況于居民電子健康檔案中更新。本課題研究人員于2022年2—11月進(jìn)行電話隨訪，隨訪內(nèi)容主要為研究對(duì)象ASCVD發(fā)病情況（臨床結(jié)局），并將受訪者自我報(bào)告情況與居民電子健康檔案進(jìn)行交叉核對(duì)。隨訪調(diào)查后，由調(diào)查員將核查通過的信息錄入至本研究的數(shù)據(jù)庫中，隨訪截止于2022-11-30。本研究臨床結(jié)局的診斷標(biāo)準(zhǔn)參照China-PAR研究，ASCVD事件定義為非致死性急性心肌梗死、冠心病死亡以及致死和非致死性腦卒中［13］。非致死性急性心肌梗死：心肌壞死生化標(biāo)志物的變化，伴有缺血性癥狀、病理性Q波、ST段抬高或壓低或冠狀動(dòng)脈介入治療。冠心病死亡：包括由心肌梗死或其他冠狀動(dòng)脈疾病引起的所有致命事件。非致死性或致死性腦卒中：缺血性腦卒中、出血性腦卒中（包括蛛網(wǎng)膜下腔出血）和不能分類的腦卒中，但不包括小卒中和其他原因引起的腦血管病。如隨訪中某一個(gè)體兼患心肌梗死或冠心病死亡或腦卒中則僅記為1例ASCVD事件。

1.4 候選預(yù)測(cè)變量

本研究擬基于China-PAR模型［13］中的預(yù)測(cè)變量，結(jié)合臨床實(shí)踐選取常規(guī)預(yù)測(cè)變量，并根據(jù)增加中醫(yī)體質(zhì)類型作為新的候選預(yù)測(cè)變量。常規(guī)預(yù)測(cè)變量：年齡、性別、腰圍、BMI、收縮壓、高血壓藥物用藥史、糖尿病史、吸煙史、ASCVD家族史、TC、TG，共計(jì)11個(gè)；體質(zhì)類型計(jì)為1個(gè)預(yù)測(cè)變量，包含平和質(zhì)、氣虛質(zhì)、陽虛質(zhì)、陰虛質(zhì)、痰濕質(zhì)、濕熱質(zhì)、血瘀質(zhì)、氣郁質(zhì)、特稟質(zhì)。

1.5 樣本量計(jì)算

目前，每個(gè)變量所對(duì)應(yīng)的事件發(fā)生數(shù)（EPV）≥10已經(jīng)被廣泛采用為最小化過度擬合的參考標(biāo)準(zhǔn)，即訓(xùn)練集中陽性結(jié)局事件的數(shù)量應(yīng)為候選預(yù)測(cè)變量個(gè)數(shù)的10倍以上［14］。本研究候選預(yù)測(cè)變量共計(jì)12個(gè)，經(jīng)小樣本預(yù)調(diào)查得知天津地區(qū)老年人ASCVD發(fā)生率約為16.00%，考慮10%～20%的樣本流失，根據(jù)樣本量計(jì)算公式：N=a×10×（1+0.1）/b，a為自變量數(shù)目，b為疾病發(fā)生率，訓(xùn)練集所需最少樣本量為900例。本研究訓(xùn)練集最終納入符合標(biāo)準(zhǔn)的研究對(duì)象1 127例，驗(yàn)證集納入研究對(duì)象291例。

1.6 統(tǒng)計(jì)學(xué)方法

采用SPSS 26.0統(tǒng)計(jì)學(xué)軟件進(jìn)行異常值和缺失值的處理，進(jìn)行數(shù)據(jù)集拆分（按照8∶2隨機(jī)拆分為訓(xùn)練集和驗(yàn)證集），分類變量以相對(duì)數(shù)表示，采用χ2檢驗(yàn)進(jìn)行比較。在訓(xùn)練集中，采用單因素Logistic回歸分析進(jìn)行預(yù)測(cè)變量的初篩，將單因素分析中Plt;0.1的變量納入多因素分析，采用向前逐步法，以Plt;0.05為標(biāo)準(zhǔn)分別構(gòu)建老年人ASCVD常規(guī)預(yù)測(cè)模型（模型1）和老年人ASCVD常規(guī)+體質(zhì)預(yù)測(cè)模型（模型2）。使用R語言的rms包繪制基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型列線圖。繪制校準(zhǔn)曲線及進(jìn)行Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)判定模型的校準(zhǔn)度。繪制受試者工作特征（ROC）曲線并計(jì)算ROC曲線下面積（AUC）判定模型的區(qū)分度。使用AUC、凈重分類改善度（NRI）、綜合判別指數(shù)（IDI）、臨床決策曲線（DCA）對(duì)模型2與模型1進(jìn)行比較，評(píng)估改善效能。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。其中AUC的差異使用MedCalc（V20.0.22.0）進(jìn)行分析處理，NRI、IDI使用R（V4.2.2）進(jìn)行分析處理。

2 結(jié)果

2.1 研究對(duì)象一般資料

共有1 418名研究對(duì)象納入研究，其中女777例（54.80%），男641例（45.20%）。訓(xùn)練集與驗(yàn)證集研究對(duì)象性別、年齡、吸煙史、ASCVD家族史、糖尿病史、收縮壓、高血壓用藥史、腰圍、BMI、TC、TG、體質(zhì)類型、ASCVD事件情況比較，差異無統(tǒng)計(jì)學(xué)意義（Pgt;0.05），見表1。

2.2 單因素及多因素Logistic回歸分析篩選預(yù)測(cè)變量

以是否發(fā)生ASCVD事件（賦值：是=1，否=0）為因變量，以研究對(duì)象性別、年齡、吸煙史、ASCVD家族史、糖尿病史、收縮壓、高血壓用藥史、腰圍、BMI、TC、TG、體質(zhì)類型為自變量進(jìn)行單因素Logistic回歸分析，結(jié)果顯示性別、年齡、ASCVD家族史、腰圍、收縮壓、TC、TG、BMI、體質(zhì)類型以及交互項(xiàng)收縮壓×高血壓用藥史可進(jìn)一步納入多因素Logistic回歸模型分析（Plt;0.1），見表2。

將上述預(yù)測(cè)變量納入多因素分析，結(jié)果顯示模型１包含性別、年齡、腰圍、收縮壓、TC、BMI、收縮壓×高血壓用藥史；模型2包含性別、年齡、腰圍、收縮壓、TC、BMI、收縮壓×高血壓用藥史、體質(zhì)類型，見表3。

2.3 基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型的列線圖繪制及評(píng)估

將多因素Logistic回歸分析結(jié)果篩選出的變量納入列線圖預(yù)測(cè)模型，以是否發(fā)生ASCVD事件為結(jié)局變量，繪制列線圖（圖2）。Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)結(jié)果示模型2擬合度良好［訓(xùn)練集（χ2=7.602，df=8，P=0.473）、驗(yàn)證集（χ2=3.756，df=8，P=0.878）］，模型2列線圖預(yù)測(cè)發(fā)生ASCVD事件的校準(zhǔn)曲線見圖3。繪制模型2預(yù)測(cè)老年人發(fā)生ASCVD事件的ROC曲線評(píng)估模型2的區(qū)分度，訓(xùn)練集的AUC為0.818（95%CI=0.787～0.848）；驗(yàn)證集的AUC為0.794（95%CI=0.761～0.826），提示模型2的區(qū)分能力良好，見圖4。

2.4 基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型與傳統(tǒng)模型的比較

似然比檢驗(yàn)結(jié)果示，模型2的Nagelkerke R2gt;模型1（0.342與0.277），提示加入體質(zhì)預(yù)測(cè)變量后，可以提升模型的擬合效果；Delong檢驗(yàn)結(jié)果顯示，模型2的AUC高于模型1，差異有統(tǒng)計(jì)學(xué)意義（Z=2.741，P=0.006），NRI=0.511（95%CI=0.359～0.663，Plt;0.001），IDI=0.038（95%CI=0.024～0.051，Plt;0.001），提示添加體質(zhì)預(yù)測(cè)變量可提高模型預(yù)測(cè)的準(zhǔn)確度，見表4、圖4。繪制臨床決策曲線，進(jìn)一步針對(duì)兩個(gè)模型進(jìn)行臨床效用的對(duì)比，結(jié)果提示在5%～74%閾值概率下，使用模型2預(yù)測(cè)嚴(yán)重老年人ASCVD事件的凈收益率優(yōu)于模型1，見圖5。

3 討論

目前，ASCVD最有效的預(yù)防策略是實(shí)施基層管理，CPM是進(jìn)行綜合風(fēng)險(xiǎn)評(píng)估與個(gè)性化健康管理的重要工具，中醫(yī)體質(zhì)是ASCVD可調(diào)控的危險(xiǎn)因素，是構(gòu)建CPM的良好預(yù)測(cè)變量。本研究將中醫(yī)體質(zhì)元素融入CPM的構(gòu)建，開發(fā)了適用于老年人的ASCVD中西醫(yī)結(jié)合預(yù)測(cè)模型，經(jīng)區(qū)分度、校準(zhǔn)度評(píng)價(jià)該模型可實(shí)現(xiàn)老年人ASCVD發(fā)病的個(gè)體化精準(zhǔn)預(yù)測(cè)，模型性能較常規(guī)預(yù)測(cè)模型更佳，可用于指導(dǎo)ASCVD中西醫(yī)結(jié)合基層管理。

CPM主要包括診斷預(yù)測(cè)模型（估算某人現(xiàn)在患有某病的概率）和預(yù)后預(yù)測(cè)模型（估算某人以后會(huì)患有某病或者發(fā)生某種結(jié)局的概率）。CPM的構(gòu)建包含確定數(shù)據(jù)來源、選擇預(yù)測(cè)變量、制訂建模策略、評(píng)價(jià)模型性能等環(huán)節(jié)［5］。居民電子健康檔案中記載的研究對(duì)象特征、預(yù)測(cè)因子和臨床結(jié)局有更加廣泛的數(shù)據(jù)分布，貼合臨床實(shí)踐［15］，依托其建立CPM傾向于具有更好的外推性［16］。我國電子健康檔案已建設(shè)推廣近20年，且在隨訪中不斷更新，有著較長的隨訪時(shí)間和充足的樣本量，可為預(yù)測(cè)模型的開發(fā)提供較理想的優(yōu)質(zhì)數(shù)據(jù)。本研究所構(gòu)建的CPM欲應(yīng)用于老年人ASCVD基層管理，故選取貼合臨床實(shí)踐的天津市社區(qū)衛(wèi)生服務(wù)系統(tǒng)中的居民電子健康檔案作為研究的數(shù)據(jù)來源。

預(yù)測(cè)變量即風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)，是CPM的基礎(chǔ)組成部分，需要具有實(shí)用性、臨床相關(guān)性和適度準(zhǔn)確性［17］，合適的預(yù)測(cè)變量是構(gòu)建良好性能CPM的必要條件［4］。在進(jìn)行預(yù)測(cè)變量選定時(shí)，首先需要全面檢索相關(guān)文獻(xiàn)以獲取疾病相關(guān)因素，目前相關(guān)研究通常選用疾病的危險(xiǎn)因素作為預(yù)測(cè)變量［18］；然后充分考慮其臨床實(shí)踐的可實(shí)施性、可獲取性、檢測(cè)成本，確保其測(cè)量簡(jiǎn)便經(jīng)濟(jì)穩(wěn)定可靠［19］；隨后進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)，結(jié)合其臨床意義，經(jīng)相關(guān)專家充分討論后確定需納入的預(yù)測(cè)變量。我國ASCVD風(fēng)險(xiǎn)預(yù)測(cè)的研究自20世紀(jì)80年代逐步開始［20］，現(xiàn)已開發(fā)出多種ASCVD評(píng)估工具，其中影響力較廣泛CPM是基于我國大規(guī)模前瞻性隊(duì)列的China-PAR模型［13］，該模型可用于我國國人10年和終生ASCVD發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)，已被納入《基層心血管病綜合管理實(shí)踐指南2020》［12］。然而，該模型僅包含了西醫(yī)常規(guī)預(yù)測(cè)變量，不能很好地指導(dǎo)中醫(yī)健康管理?，F(xiàn)已有大量研究證實(shí)了中醫(yī)體質(zhì)類型與ASCVD的發(fā)病及預(yù)后密切相關(guān)［21］。故本研究擬基于China-PAR模型中的預(yù)測(cè)變量，結(jié)合臨床實(shí)踐選取常規(guī)預(yù)測(cè)變量，并根據(jù)增加中醫(yī)體質(zhì)類型作為新的候選預(yù)測(cè)變量。

目前CPM的最佳建模方法尚未達(dá)成統(tǒng)一共識(shí)，傳統(tǒng)上統(tǒng)計(jì)模型主要可分為回歸模型、分類模型和神經(jīng)網(wǎng)絡(luò)模型幾類［22］，在醫(yī)學(xué)領(lǐng)域中應(yīng)用最廣泛的是回歸模型（如Logistic回歸模型、Cox回歸模型），美國的Framingham模型［23］、我國的China-PAR模型［13］皆屬于回歸模型；目前機(jī)器學(xué)習(xí)方法逐漸成為研究熱點(diǎn)，包括分類模型、神經(jīng)網(wǎng)絡(luò)模型以及其他在建模過程中做出更少假設(shè)的方法［16］，例如近幾年開發(fā)的心血管疾病機(jī)器學(xué)習(xí)預(yù)測(cè)模型［24］、老年人中風(fēng)機(jī)器學(xué)習(xí)預(yù)測(cè)模型［25］等。通常情況下，在候選預(yù)測(cè)變量數(shù)量有限（候選預(yù)測(cè)變量≤25個(gè)）、樣本量足夠大（樣本量≥候選預(yù)測(cè)因子個(gè)數(shù)的20倍以上）時(shí)，非機(jī)器學(xué)習(xí)與機(jī)器學(xué)習(xí)的準(zhǔn)確性相當(dāng)，然而機(jī)器學(xué)習(xí)算法所構(gòu)建的CPM可能存在結(jié)果解釋性差的問題；隨著研究的深入，研究趨向于納入更多的預(yù)測(cè)因子，例如組學(xué)研究領(lǐng)域可產(chǎn)生相當(dāng)復(fù)雜的數(shù)據(jù)，候選預(yù)測(cè)因子數(shù)量龐大（通常gt;10 000個(gè)），此時(shí)機(jī)器學(xué)習(xí)模型在準(zhǔn)確性上更具備優(yōu)勢(shì)，與此同時(shí)對(duì)樣本數(shù)量要求更高［16］。本研究選取的候選預(yù)測(cè)因子不超過25個(gè)，故采用Logistic回歸模型建模。

在開發(fā)預(yù)測(cè)模型時(shí)需要對(duì)其性能進(jìn)行量化評(píng)價(jià)并進(jìn)行驗(yàn)證，主要是從區(qū)分度、校準(zhǔn)度兩個(gè)方面進(jìn)行評(píng)價(jià)，如想探討新加預(yù)測(cè)變量是否可以改善模型的性能，還需進(jìn)行預(yù)測(cè)增量值的評(píng)價(jià)［26］。預(yù)測(cè)增量值評(píng)價(jià)的指標(biāo)有似然函數(shù)檢驗(yàn)、AUC、NRI等［27］。對(duì)于二分類結(jié)局的模型，如新模型與舊模型為嵌套關(guān)系（如本研究新模型僅比舊模型多出一個(gè)新的預(yù)測(cè)變量即體質(zhì)類型），則可通過似然比檢驗(yàn)來評(píng)價(jià)模型的改進(jìn)，證明哪個(gè)模型有更好的擬合［28-29］。

AUC是模型區(qū)分度總體衡量指標(biāo)，通過比較新舊模型的AUC可以幫助判斷新預(yù)測(cè)變量的預(yù)測(cè)能力，評(píng)價(jià)新模型是否具備更好的區(qū)分能力［30］。NRI屬于風(fēng)險(xiǎn)重分類指標(biāo)，其主要原理為根據(jù)有臨床意義的閾值將概率進(jìn)行危險(xiǎn)分層，顯示與舊模型相比，新模型正確分類提高的比例，即判斷新模型是否能將被評(píng)估者重新分類到更合適的風(fēng)險(xiǎn)類別，是否可以提高預(yù)測(cè)的準(zhǔn)確性［31］。故本研究在進(jìn)行模型評(píng)估時(shí)，通過繪制ROC曲線，計(jì)算AUC對(duì)模型區(qū)分度進(jìn)行評(píng)價(jià)和驗(yàn)證；采用Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)并繪制校準(zhǔn)圖形評(píng)價(jià)和驗(yàn)證模型的校準(zhǔn)度；通過似然比檢驗(yàn)、比較新舊模型的AUC、計(jì)算NRI評(píng)價(jià)體質(zhì)預(yù)測(cè)變量的增量值。經(jīng)檢驗(yàn)?zāi)Ｐ捅憩F(xiàn)良好，體質(zhì)預(yù)測(cè)變量的加入可提高模型性能。

本研究也存在一些局限性：（1）本研究為回顧性研究，基線資料來源為天津市社區(qū)衛(wèi)生服務(wù)系統(tǒng)中的居民電子健康檔案中記錄的2017年健康體檢資料，回溯數(shù)據(jù)的過程，存在數(shù)據(jù)缺失的問題，為補(bǔ)充信息在最后的隨訪調(diào)查中進(jìn)行了基線資料的核查與補(bǔ)充，可能存在回憶偏倚；（2）模型的驗(yàn)證基于內(nèi)部數(shù)據(jù)驗(yàn)證，僅可驗(yàn)證模型的可重復(fù)性，其外推性尚未得到驗(yàn)證；（3）由于樣本量限制，未進(jìn)行性別分層，建立性別特異性模型。未來期望可以加大樣本量，開展前瞻性研究，獲取時(shí)間或空間不同的數(shù)據(jù)來源，對(duì)模型進(jìn)行外部驗(yàn)證；此外，還可以進(jìn)行模型的影響研究，評(píng)價(jià)模型應(yīng)用到ASCVD中西醫(yī)結(jié)合基層管理的效果。

綜上所述，本研究構(gòu)建了基于中醫(yī)體質(zhì)的老年人ASCVD預(yù)測(cè)模型，經(jīng)檢驗(yàn)，區(qū)分度、校準(zhǔn)度表現(xiàn)良好，較常規(guī)預(yù)測(cè)模型表現(xiàn)更為優(yōu)秀，可以應(yīng)用于老年人ASCVD個(gè)體化風(fēng)險(xiǎn)評(píng)估，進(jìn)行危險(xiǎn)分層，指導(dǎo)ASCVD中西醫(yī)結(jié)合基層管理。

作者貢獻(xiàn)：高穎負(fù)責(zé)文章的構(gòu)思與設(shè)計(jì)、研究資料的收集與整理、數(shù)據(jù)統(tǒng)計(jì)分析、論文撰寫；許欣宜、劉洋負(fù)責(zé)研究資料的整理及論文的修訂；楊曉琨負(fù)責(zé)論文最終版修訂、對(duì)文章整體負(fù)責(zé)，監(jiān)督管理。

本文無利益沖突。

參考文獻(xiàn)

GBD Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries in 204 countries and territories，1990-2019：a systematic analysis for the Global Burden of Disease Study 2019［J］. Lancet，2020，396（10258）：1204-1222. DOI：10.1016/S0140-6736（20）30925-9.

向祥龍，王琦琦，李俊琦，等. 2009—2019年中國心腦血管疾病死亡率趨勢(shì)分析［J］. 中國預(yù)防醫(yī)學(xué)雜志，2021，22（11）：811-818. DOI：10.16506/j.1009-6639.2021.11.001.

中華醫(yī)學(xué)會(huì)全科醫(yī)學(xué)分會(huì)慢病管理專業(yè)學(xué)組. 中國成人動(dòng)脈粥樣硬化性心血管疾病基層管理路徑專家共識(shí)（建議稿）［J］. 中國全科醫(yī)學(xué)，2017，20（3）：251-261. DOI：10.3969/j.issn.1007-9572.2017.03.001.

RANSTAM J，COOK J A，COLLINS G S. Clinical prediction models［J］. Br J Surg，2016，103（13）：1886. DOI：10.1002/bjs.10242.

谷鴻秋，周支瑞，章仲恒，等. 臨床預(yù)測(cè)模型：基本概念、應(yīng)用場(chǎng)景及研究思路［J］. 中國循證心血管醫(yī)學(xué)雜志，2018，

10（12）：1454-1456，1462. DOI：10.3969/j.issn.1674-4055.

2018.12.04.

白明華，王濟(jì)，鄭燕飛，等. 基于108015例樣本數(shù)據(jù)的中國人群中醫(yī)體質(zhì)類型分布特征分析［J］. 北京中醫(yī)藥大學(xué)學(xué)報(bào)，2020，43（6）：498-507. DOI：10.3969/j.issn.1006-2157.

2020.06.010.

謝琴，何華琴. 不同中醫(yī)體質(zhì)人群心血管病危險(xiǎn)因素調(diào)查分析［J］. 中醫(yī)藥管理雜志，2021，29（5）：48-49. DOI：10.16690/j.cnki.1007-9203.2021.05.020.

王思佳，張哲. 基于冠狀動(dòng)脈粥樣硬化性心臟病與中醫(yī)體質(zhì)的相關(guān)性探討防治策略［J］. 實(shí)用中醫(yī)內(nèi)科雜志，2022，36（5）：70-72. DOI：10.13729/j.issn.1671-7813.Z20211288.

王琦. 中醫(yī)體質(zhì)學(xué)在大健康問題中的應(yīng)對(duì)與優(yōu)勢(shì)［J］. 北京中醫(yī)藥大學(xué)學(xué)報(bào)，2021，44（3）：197-202. DOI：10.3969/j.issn.1006-2157.2021.03.001.

劉冬桂，王曉蕾，楊麗花，等. 中醫(yī)體質(zhì)綜合干預(yù)在高尿酸血癥患者心血管疾病預(yù)防中的應(yīng)用價(jià)值［J］. 中國當(dāng)代醫(yī)藥，2019，26（22）：41-44. DOI：10.3969/j.issn.1674-4721.

2019.22.012.

黃鉅明. “辨質(zhì)論治”結(jié)合慢病管理干預(yù)動(dòng)脈粥樣硬化的臨床療效分析［D］. 廣州：廣州中醫(yī)藥大學(xué)，2016.

北京高血壓防治協(xié)會(huì)，北京糖尿病防治協(xié)會(huì)，北京慢性病防治與健康教育研究會(huì)，等. 基層心血管病綜合管理實(shí)踐指南2020［J］. 中國醫(yī)學(xué)前沿雜志（電子版），2020，12（8）：1-73. DOI：10.12037/YXQY.2020.08-01.

YANG X L，LI J X，HU D S，et al. Predicting the 10-year risks of atherosclerotic cardiovascular disease in Chinese population：the china-PAR project （prediction for ASCVD risk in China）［J］. Circulation，2016，134（19）：1430-1440. DOI：10.1161/CIRCULATIONAHA.116.022367.

RILEY R D，ENSOR J，SNELL K I E，et al. Calculating the sample size required for developing a clinical prediction model［J］. BMJ，2020，368：m441. DOI：10.1136/bmj.m441.

楊松，馬龍騰，張菁菁. 中國臨床醫(yī)學(xué)真實(shí)世界研究施行規(guī)范［J］. 解放軍醫(yī)學(xué)雜志，2018，43（1）：1-6. DOI：10.11855/j.issn.0577-7402.2018.01.01.

STEYERBERG E W. Clinical prediction models：a practical approach to development，validation，and updating［M］. Switzerland： Springer Nature，2019：37-57. DOI：10.1007/978-3-030-16399-0.

HEMANN B A，BIMSON W F，TAYLOR A J. The Framingham Risk Score：an appraisal of its benefits and limitations［J］. Am Heart Hosp J，2007，5（2）：91-96. DOI：10.1111/j.1541-9215.2007.06350.x.

韓澤森，來利紅. 冠狀動(dòng)脈粥樣硬化性心臟病臨床預(yù)測(cè)模型研究現(xiàn)狀概述［J］. 心血管病學(xué)進(jìn)展，2020，41（6）：638-641.

WOLFF R F，MOONS K G M，RILEY R D，et al. PROBAST：a tool to assess the risk of bias and applicability of prediction model studies［J］. Ann Intern Med，2019，170（1）：51-58. DOI：10.7326/M18-1376.

吳錫桂，賴聲漢，高紅，等. 首都鋼鐵公司988名男性工人冠心病危險(xiǎn)因素的多元分析［J］. 中華心血管病雜志，1983，11（1）：28-32.

LIANG X，WANG Q，JIANG Z Q，et al. Clinical research linking Traditional Chinese Medicine constitution types with diseases：a literature review of 1639 observational studies［J］. Chung I Tsa Chih Ying Wen Pan，2020，40（4）：690-702. DOI：10.19852/j.cnki.jtcm.2020.04.019.

FRANKLIN J. The elements of statistical learning：data mining，inference and prediction［J］. Math Intell，2005，27（2）：83-85. DOI：10.1007/BF02985802.

MAHMOOD S S，LEVY D，VASAN R S，et al. The Framingham Heart Study and the epidemiology of cardiovascular disease：a historical perspective［J］. Lancet，2014，383（9921）：999-1008. DOI：10.1016/S0140-6736（13）61752-3.

QUESADA J A，LOPEZ-PINEDA A，GIL-GUILLéN V F，et al.

Machine learning to predict cardiovascular risk［J］. Int J Clin Pract，2019，73（10）：e13389. DOI：10.1111/ijcp.13389.

WU Y F，F(xiàn)ANG Y. Stroke prediction with machine learning methods among older Chinese［J］. Int J Environ Res Public Heath，2020，17（6）：1828. DOI：10.3390/ijerph17061828.

DEBRAY T P，DAMEN J A，SNELL K I，et al. A guide to systematic review and meta-analysis of prediction model performance［J］. BMJ，2017，356：i6460. DOI：10.1136/bmj.i6460.

MOONS K G，KENGNE A P，WOODWARD M，et al. Risk prediction models：I. Development，internal validation，and assessing the incremental value of a new （bio）marker［J］. Heart，2012，98（9）：683-690. DOI：10.1136/heartjnl-2011-301246.

STEYERBERG E W，PENCINA M J，LINGSMA H F，et al. Assessing the incremental value of diagnostic and prognostic markers：a review and illustration［J］. Eur J Clin Invest，2012，42（2）：216-228. DOI：10.1111/j.1365-2362.2011.02562.x.

文玲子，王俊峰，谷鴻秋. 臨床預(yù)測(cè)模型：新預(yù)測(cè)因子的預(yù)測(cè)增量值［J］. 中國循證心血管醫(yī)學(xué)雜志，2020，12（6）：655-659. DOI：10.3969/j.issn.1674-4055.2020.06.04.

COOK N R. Quantifying the added value of new biomarkers：how and how not［J］. Diagn Progn Res，2018，2：14. DOI：10.1186/s41512-018-0037-2.

PICKERING J W，ENDRE Z H. New metrics for assessing diagnostic potential of candidate biomarkers［J］. Clin J Am Soc Nephrol，2012，7（8）：1355-1364. DOI：10.2215/CJN.09590911.

（收稿日期：2023-04-13；修回日期：2023-08-27）

（本文編輯：鄒琳）

基金項(xiàng)目：2022年天津市家庭醫(yī)生團(tuán)隊(duì)能力建設(shè)實(shí)踐課題（JYZ202201）

引用本文：高穎，許欣宜，劉洋，等. 基于中醫(yī)體質(zhì)的老年人動(dòng)脈粥樣硬化性心血管疾病預(yù)測(cè)模型的開發(fā)研究［J］. 中國全科醫(yī)學(xué)，2024，27（15）：1878-1885. DOI：10.12114/j.issn.1007-9572.2023.0406. ［www.chinagp.net］

GAO Y，XU X Y，LIU Y，et al. Research on the development of atherosclerotic cardiovascular disease prediction model for the elderly based on TCM constitution［J］. Chinese General Practice，2024，27（15）：1878-1885.

? Chinese General Practice Publishing House Co.，Ltd. This is an open access article under the CC BY-NC-ND 4.0 license.

*通信作者：楊曉琨，主任醫(yī)師/博士生導(dǎo)師；E-mail：yxk.666@163.com