文献速递心脑血管急症

急性心肌梗死出院后1年主要心血管事件的风险因素分析

Risk Factors Associated With Major Cardiovascular Events 1 Year After Acute Myocardial Infarction.
PubMed 文献 · JAMA Netw Open · 2018-08-03
一句话结论中国53家医院4227例AMI存活出院患者中,19个风险因素构建的模型可预测1年主要心血管事件,高风险组事件概率0.32。

该前瞻性队列研究纳入中国53家医院2013年1月1日至2014年7月17日期间AMI存活出院患者4227例,随机分为训练集(50%)、测试集(25%)和验证集(25%)。通过Cox模型结合MCMC模拟和潜在类别分析,识别出19个风险因素(15个独立变量),构建1年主要心血管事件(再发AMI、卒中、心衰、死亡)预测模型。训练集C统计量0.79(95%CI 0.75-0.83),测试集0.73(95%CI 0.68-0.78),验证集0.77(95%CI 0.70-0.83)。风险评分将11.3%患者归为高风险组(1年事件概率0.32),81.0%平均风险组(0.06),7.7%低风险组(0.01)。

要点

  • 19个风险因素包括年龄、教育程度、既往AMI、既往室速/室颤、高血压、心绞痛、院前医疗救助、症状至入院>4小时、射血分数、肾功能不全、心率、收缩压、白细胞计数、血糖、院内并发症数。
  • 训练集C统计量0.79(95%CI 0.75-0.83),测试集0.73(95%CI 0.68-0.78),验证集0.77(95%CI 0.70-0.83),预测范围分别为1.2%-33.9%、1.2%-37.9%、1.3%-34.3%。
  • 风险评分将患者分为高风险(>90百分位,11.3%)、平均风险(10-90百分位,81.0%)、低风险(<10百分位,7.7%)三组,1年事件概率分别为0.32、0.06、0.01。
  • 1年主要心血管事件率训练集8.1%(95%CI 6.91%-9.24%)、测试集9.0%(95%CI 7.22%-10.70%)、验证集6.4%(95%CI 4.89%-7.85%)(P=0.36)。
  • 最常见事件为心衰(249/4227,5.9%),其次再发AMI(139/4227,3.3%)和卒中(42/4227,1.0%);非致死性心血管事件率5.1%(216例)。

适用人群与场景

  • 中国53家急性护理医院2013年1月1日至2014年7月17日期间AMI存活出院患者,年龄≥18岁,最终纳入4227例(排除转院113例、院内死亡287例、不同意随访1206例、出院后立即失访68例)。

诊断标准与关键阈值

  • 风险评分基于回归系数计算,各风险因素分值范围2分(高血压和院内并发症数)至14分(年龄≥85岁),总分0-100分。
  • 风险分层:低风险组<第10百分位,平均风险组第10-90百分位,高风险组>第90百分位。

研究设计与关键结果

  • 前瞻性队列研究,4227例AMI存活出院患者,来自中国53家医院,随机分为训练集2113例(50%)、测试集1057例(25%)、验证集1057例(25%)。
  • 平均(SD)年龄60.8(11.8)岁,女性994例(23.5%),常见合并症为高血压2358例(55.8%)、冠心病1798例(42.5%)、血脂异常1290例(30.5%)。
  • 1年主要心血管事件率:训练集8.1%(95%CI 6.91%-9.24%;171/2113),测试集9.0%(95%CI 7.22%-10.70%;94/1057),验证集6.4%(95%CI 4.89%-7.85%;67/1057)(P=0.36)。
  • 最常见事件为心衰(249/4227,5.9%),再发AMI(139/4227,3.3%),卒中(42/4227,1.0%);非致死性心血管事件率5.1%(216例);1年心血管相关死亡率2.4%(101例),非心血管相关死亡率0.3%(13例),总死亡率2.7%(114例)。
  • 训练集C统计量0.79(95%CI 0.75-0.83),测试集0.73(95%CI 0.68-0.78),验证集0.77(95%CI 0.70-0.83);潜在类别分析训练集C统计量0.69(95%CI 0.65-0.74)。
  • 风险模型将训练集11.3%患者归为高风险组(1年事件概率0.32),81.0%平均风险组(0.06),7.7%低风险组(0.01)。
  • 每增加一个院内并发症与出院后心血管事件风险增加24%相关。

证据类型、等级与局限

  • 证据类型:前瞻性队列研究(预测模型开发与验证)。
  • 局限:训练集、测试集和验证集均来自同一队列;风险评分基于对每个风险因素系数取整计算,可能导致信息损失。

对床旁实践的改变

  • 作者认为19因素风险模型具有良好预测范围,可在出院时识别高风险患者,有助于临床医生更好地了解AMI后长期主要心血管事件风险并做出更有针对性的循证决策。
  • 作者认为该模型可能有助于识别能从强化随访和积极风险因素控制中获益的高风险患者。
  • 作者指出高风险组仅占11.3%且许多事件发生在平均风险组,针对平均风险人群的人群风险降低策略也很重要。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2018 Aug 10;1(4):e181079. doi: 10.1001/jamanetworkopen.2018.1079

引言

急性心肌梗死(AMI)后存活的患者在出院后发生主要心血管事件的风险较高,尽管患者之间的风险可能存在显著差异。生活方式的改变、医疗质量以及AMI后遵循指南指导的药物治疗均对二级预防至关重要。患者特征也与心血管事件风险相关。识别这些特征有助于更好地告知患者、家属和医生出院后心血管事件的风险,并有助于确保强化随访和危险因素干预。既往识别危险因素的努力主要集中在AMI首次住院后即刻阶段,未能提供较长期的视角。此外,关于AMI后长期结局的研究主要集中于死亡率。1,2,3,4 出院后的主要心血管事件,如再发AMI、卒中和心力衰竭,均对患者的生活质量产生不良影响,且总体上远比死亡更为常见。1,5,6,7,8 有必要关注死亡率之外的长期结局,以全面了解患者的完整医疗体验,尤其是在非西方国家。

因此,我们利用中国以患者为中心的心脏事件评估前瞻性AMI研究(China PEACE Prospective AMI study)9的数据,识别临床重要的危险因素,并开发及评估一个风险模型以预测AMI出院后长达1年的主要心血管事件。本研究纳入了从病历中提取的数据以及AMI患者详细的纵向信息,非常适合用于开发工具以进一步对出院后1年内的风险进行分层。

方法

研究样本

中国PEACE前瞻性AMI研究连续入组了5901例年龄≥18岁的AMI患者,这些患者于2013年1月1日至2014年7月17日期间从中国急性护理医院存活出院。9 患者信息在索引AMI住院期间以及出院后1、6和12个月时收集。病历由2名经过培训的摘录员独立提取;关键数据元素的一致性为98%。在1年随访期间,经过培训的工作人员对患者进行访谈,并系统收集所有临床事件的信息,包括再发AMI、心绞痛、缺血性或出血性卒中、心力衰竭、短暂性脑缺血发作、重复血管造影操作、血运重建、出血和再住院。随访期间死亡患者的死亡信息从家属或医生处获取。对于无法参加现场访谈的患者,通过与患者本人、患者家属或患者医生直接联系的方式通过电话获取信息。

我们排除了转至其他急性护理医院的患者(n = 113)、出院前死亡的患者(n = 287)、不同意参与随访访谈的患者(n = 1206)或出院后立即失访的患者(n = 68)。最终样本包括4227例独立患者,我们将其随机分为3个互不重叠的样本,用于训练(50%[2113例患者])、测试(25%[1057例患者])和验证(25%[1057例患者])分析。训练样本用于筛选危险因素;测试样本和验证样本用于后续评估。我们创建测试样本和评估样本而非仅1个测试样本的理由是,以获得额外机会评估危险模型的稳定性和性能。中国国家心血管病中心人类研究委员会批准了本研究。所有患者均提供了书面知情同意书。本研究遵循多变量预测模型个体预后或诊断透明报告(TRIPOD)报告指南。10

潜在危险因素

我们选择了具有临床意义、有文献支持、可靠且易于收集、发生率超过1%、且在指数急性心肌梗死(AMI)住院前或住院期间存在的候选危险因素。初始因素包括患者人口学特征(年龄、性别、教育程度、职业、保险)、病史(高血压、糖尿病、心绞痛、冠心病、既往室性心动过速或心室颤动、心房颤动、心力衰竭、既往AMI、既往经皮冠状动脉介入治疗、既往冠状动脉旁路移植术)、生活方式因素(吸烟、饮酒、自然睡眠时打鼾)、症状发作至入院时间大于4小时、到院前医疗救助、院内诊断(ST段抬高、下壁或前壁AMI、Killip分级3或4级、射血分数[EF]<40%)、肾功能不全(血尿素氮>40 mg/dL[换算为mmol/L,乘以0.357]或肌酐>2.5 mg/dL[换算为μmol/L,乘以88.4])、入院体温(°C)、心率大于90次/分、血糖大于216 mg/dL(换算为mmol/L,乘以0.0555)、收缩压大于100 mm Hg、白细胞计数(WBC)6000至12 000/μL或大于12 000/μL(换算为×10⁹/L,乘以0.001)、院内治疗(冠状动脉旁路移植术、经皮冠状动脉介入治疗、药物)以及院内并发症数量(再发心绞痛、再发AMI、心包积液、心房颤动、心肺复苏、室性心动过速或心室颤动、新发心力衰竭、感染、卒中、大出血),按0至10分评估严重程度,10分为最严重。存在缺失值的因素采用多重插补法进行插补,插补10次。11最终插补值为10次插补的平均值。缺失率范围为0.2%(收缩压和WBC)至2.7%(血糖)。

结局

预测模型的结局是1年主要心血管事件,这是一个二分类变量,定义为指数急性心肌梗死(AMI)住院出院后1年内发生再发AMI、卒中(缺血性或出血性)、心力衰竭或死亡。结局信息通过访谈获得,并使用病历确认(补充材料eAppendix 1)。

统计分析

危险因素选择与评价

使用包含所有候选危险因素的训练样本,我们首先拟合逐步Cox比例风险模型,以剔除不太可能预测结局的因素,纳入因素的P值阈值为.35,剔除因素的P值阈值为.25。所有P值均为双侧。接下来,我们使用马尔可夫链蒙特卡洛(MCMC)模拟拟合Cox模型,并计算逐步筛选程序所选每个因素的后验概率。12 后验概率衡量因素与结局之间关联的强度。后验概率大于0.95(或对于估计值<0.0的因素,<0.05)的因素被认为对预测结局显著,因此纳入最终危险因素列表。13,14 然后,我们通过在不进行逐步剔除的情况下,使用所选危险因素对训练样本重新拟合Cox模型,构建最终风险模型以预测1年事件。

我们计算以下指标以评价风险模型性能:Harrell C统计量用于评估总体预测准确性,15 时间依赖的受试者工作特征(ROC)曲线下面积用于评估整个1年期间的预测准确性,16 Schemper-Henderson度量用于评估可解释变异,17 Hosmer-Lemeshow拟合优度检验用于评估校准,Schoenfeld残差用于评估比例风险假设。18 在按预测概率十分位数定义的分层中,对观察到的结局评估区分度。19 我们根据这些十分位数将训练样本中的患者分为10个互斥的风险类别,并按从最低风险(1类)到最高风险(10类)对类别排序以进行评价。

为进一步评价所选危险因素,我们使用训练数据进行潜在类别分析,该分析使用不需要结局的无监督机器学习算法。从概念上讲,如果所选危险因素与结局实质性相关,它们将有能力通过无监督学习算法将患者分配到风险类别。因此,我们使用潜在类别分析将患者分为10个互斥类别,并根据观察到的结局按从最低风险(1类)到最高风险(10类)排序。我们选择10个类别,以与前述基于风险模型的十分位数特定类别保持一致。我们计算了基于风险模型的风险类别与基于潜在类别分析的风险类别之间的Spearman相关系数。高系数表明2种分类结果之间具有良好一致性,这提供了关于所选危险因素稳健性的信息。我们通过比较风险模型在训练样本中的性能与其在测试样本和验证样本中的性能,进一步验证了风险模型(补充材料eAppendix 2)。

风险评分

为便于使用所选危险因素和风险模型,我们基于训练样本从风险模型中估计的回归系数,为每位患者构建了一个简易风险评分。每个危险因素的得分计算方法为:将该危险因素的系数除以风险模型中所有系数之和,乘以100,并四舍五入至最接近的整数。随后,我们通过将每位患者各危险因素得分相加来计算其风险评分。20,21 我们根据风险评分的分布将患者分为3个风险组:低危(<第10百分位数)、平均(第10-90百分位数)和高危(>第90百分位数)。我们进一步生成Kaplan-Meier生存曲线,以展示3个风险组无1年事件生存的概率。

分析于2017年5月1日至2018年1月21日期间进行,使用SAS统计软件9.4版(SAS Institute Inc)。潜在类别分析使用PROC LCA程序1.3.2 beta版进行。22

结果

研究样本

共纳入53家医院的4227例患者(2113例训练集、1057例测试集和1057例验证集)。平均(SD)年龄为60.8(11.8)岁,994例患者(23.5%)为女性(补充材料中的eTable 1)。最常见的合并症为高血压(2358例患者[55.8%])、冠心病(1798例患者[42.5%])和血脂异常(1290例患者[30.5%])。训练集、测试集和验证集样本间的患者特征相似(补充材料中的eTable 1)。住院时间的中位数(四分位距[IQR])为11(8-14)天。

1年心血管事件

训练集、测试集和验证集的1年心血管事件发生率分别为8.1%(95% CI,6.91%-9.24%;2113例患者中171例)、9.0%(95% CI,7.22%-10.70%;1057例患者中94例)和6.4%(95% CI,4.89%-7.85%;1057例患者中67例)(P = .36),每位患者的心血管事件数量范围分别为1至6、1至7和1至6。约79.2%的患者(332例中263例)发生1次事件,15.7%(332例中52例)发生2次事件。最常见的事件为心力衰竭(4227例患者中249例[5.9%]),其次为再发AMI(4227例患者中139例[3.3%])和卒中(4227例患者中42例[1.0%])。在4227例患者中,非致命性心血管事件发生率为5.1%(216例患者)。1年心血管相关和非心血管相关死亡率分别为2.4%(101例患者)和0.3%(13例患者)(总死亡率为2.7%[114例患者])。从出院至事件发生的中位(IQR)时间为89(35-207)天;再发AMI发生较其他事件更早(中位[IQR],78[10-198]天)(补充材料中的eFigure 1)。构成复合心血管事件结局的各单项事件之间呈正相关,四分相关系数范围为0.06(卒中与心力衰竭)至0.57(AMI与死亡)。

危险因素选择与验证

逐步Cox回归确定了23个候选因素,MCMC模拟剔除了4个后验概率小于0.95的因素。剩余的19个危险因素(表1),由15个独特变量表示,包括患者人口学特征(年龄、大学学历)、合并症(既往急性心肌梗死、既往室性心动过速或心室颤动、高血压、心绞痛)、医院诊断和检查(射血分数<40%、射血分数无法测量、肾功能不全、心率>90次/分、血糖>216 mg/dL、收缩压<100 mm Hg、白细胞计数6000/μL-12000/μL、白细胞计数>12000/μL)、就医可及性(到院前医疗救助、症状发作至入院时间>4小时)以及院内并发症(补充材料中的eFigure 2)。基于19个危险因素和训练样本的风险模型显示出良好的区分度、校准度和拟合度。对于该风险模型,总体C统计量为0.79(95% CI,0.75-0.83),随时间变化的ROC曲线下面积范围为0.79(95% CI,0.75-0.83)至0.75(95% CI,0.71-0.79)(补充材料中的eFigure 3)。观察到的1年结局均值从最低预测十分位组的1.2%到最高预测十分位组的33.9%,范围为32.7%(补充材料中的eFigure 4)。Hosmer-Lemeshow拟合优度检验的P值为.77,提示模型拟合良好(补充材料中的eFigure 5)。解释变异量为0.14,Schoenfeld残差检验表明,除白细胞计数大于12000/μL和肾功能不全外,所有危险因素均满足比例风险假设。

潜在类别分析根据19个危险因素的组合,将训练样本中的2113例患者各自分配到10个类别中(补充材料中的eFigure 6)。该分析的ROC曲线下面积为0.69(95% CI,0.65-0.74),观察到的结局率均值从最低评级组的3.4%到最高评级组的19.3%,范围为15.9%。基于Cox风险模型预测的十分位组与潜在类别分析之间的Spearman相关系数为0.60(95% CI,0.57-0.63)。

基于训练样本中风险模型估计的回归系数以及测试样本和验证样本中风险模型计算的1年事件概率高度相关(补充材料中的eFigure 7)。模型在测试样本和验证样本中的表现与训练样本相当。对于测试样本和验证样本,总体C统计量分别为0.73(95% CI,0.68-0.78)和0.77(95% CI,0.70-0.83);观察到的1年事件率分别从最低预测十分位组的1.2%和1.3%到最高预测十分位组的37.9%和34.3%;解释变异量分别为0.09和0.16。

表1. 按训练样本、测试样本和验证样本分列的模型筛选患者危险因素 查看原表 ↗

风险评分

风险因素对应的分值范围为2分(高血压和院内并发症数量)至14分(年龄≥85岁)(表2)。年龄、射血分数(EF)、白细胞计数(WBC)、既往室性心动过速或心室颤动、既往心绞痛和心率是风险比大于2.00的前5位因素。训练样本的平均(标准差)风险评分为20.2(7.9)。测试样本和验证样本的评分差异很小。测试样本的平均(标准差)评分为20.6(8.1),验证样本为20.4(7.8)(图1)。在训练样本中,分别有11.3%、81.0%和7.7%的患者被分层为高危、中危和低危组,对应的1年事件概率分别为0.32、0.06和0.01(图2)。图3显示了按风险分组的1年主要心血管事件无事件概率的Kaplan-Meier估计值。测试样本和验证样本的分层结果与训练样本无实质性差异(图1、图2和图3;补充材料中的eTable 2)。

表2. 基于训练样本的急性心肌梗死出院后1年主要心血管事件最终风险预测模型 查看原表 ↗
图1. 患者风险评分分布及按风险评分的1年主要心血管事件概率直方图显示训练样本(A)、测试样本(B)和验证样本(C)的风险评分分布,曲线显示1年主要心血管事件概率。黑色曲线代表风险评分直方图上的拟合密度曲线。风险评分范围为0至100,基于训练样本最终风险模型估计的回归系数在患者层面构建。风险评分越高,表明出院后1年主要心血管事件概率越高。 查看原图 ↗
图2. 按风险评分的风险分层对于训练样本、测试样本和验证样本,最高风险组分别包括11.3%、12.1%和11.7%的患者;平均风险组分别包括81.0%、81.8%和81.1%的患者;最低风险组分别包括7.7%、6.1%和7.2%的患者。 查看原图 ↗
图3. 按风险分组的1年主要心血管事件无事件观察概率 查看原图 ↗

讨论

在本研究中,我们确定了19个风险因素,并开发并评估了一个预测急性心肌梗死(AMI)出院后1年主要心血管事件的风险模型。这些因素基于病历摘录数据和稳健的统计学习算法选取,易于收集且在出院时即可获得。该风险模型及其相应的风险评分使临床医生能够识别1年心血管事件风险较高的患者,也可能帮助患者了解其不仅死亡而且包括可能损害生活质量的不良事件的风险。识别AMI后长期心血管事件最高风险个体的能力,可能有助于在出院后提供有针对性、强化和更高质量的纵向护理。

我们的研究基于提取的信息和患者访谈,是一项关于中国AMI出院后长期结局相关危险因素的独特、大规模且当代的调查研究。与以往仅关注死亡率的研究不同,我们除死亡率外还评估了主要心血管事件。尽管AMI存活患者的总体1年死亡率很重要,但许多患者会经历非致命性不良事件,这些事件可显著影响其生活质量。在我们的样本中,1年死亡率为2.7%,但1年非致命性心血管事件发生率为5.1%,约比死亡率高89%。从患者角度而言,了解主要但非致命性不良事件的长期风险十分重要,对患者进行长期风险教育可能提供更强的激励,促使其坚持随访和用药。通过风险分层,我们发现每10例患者中有1例(11.3%)在出院后发生主要心血管事件的风险较高,这凸显了在出院时识别这些患者以确保其在出院后获得适当的、循证的纵向照护的重要性。由于该高风险组人数较少,且许多事件发生在平均风险人群中,因此关注平均风险个体的群体风险降低策略同样重要,并可能挽救更多生命。

除传统的逐步法外,我们还使用MCMC算法进一步评估与结局相关的危险因素的强度。开发预测模型的挑战之一是在模型中纳入的因素数量与方差之间取得平衡。更多的因素对预测更为理想。MCMC算法提供了一种稳健的贝叶斯变量选择方法,使我们能够根据某因素应纳入模型的边际后验概率来选择该因素。此外,我们使用潜在类别分析来验证所选择的危险因素。出院后主要心血管事件的发生在出院时是不可观测的,且与出院后的未知因素相关。这些特征对基于传统回归方法开发预测模型构成了挑战。潜在类别分析正越来越多地应用于结局研究23,24,25,26,27,28,当训练样本中缺乏结局信息时,该方法可根据患者出院时的危险因素将其分层为亚组。该方法适合至少解决回归方法的部分挑战。通过将传统Cox回归与潜在类别分析相结合,我们的研究利用了两种方法的优势,提高了所选危险因素的可靠性和有效性。鉴于潜在类别分析的无监督学习性质,本研究报道的判别能力也是合理的。

我们的风险因素是基于大样本患者识别出的,随后经过检验和验证,与训练结果高度一致。用于开发预测模型的潜在因素可能以多种方式影响最终模型的强度。理想的风险因素应不受临床解读的影响、被广泛接受、易于收集,并且在入院时、住院期间和出院时均可获得。本研究识别出的19个风险因素符合这些标准,其中许多已在其他研究中被识别。29,30,31 所选风险因素中有一部分是可改变的,为患者和医生干预提供了多个靶点(例如,血压控制、生活方式改变和出院后适当护理),以预防出院后的主要心血管事件。其中一个风险因素,即院内并发症数量,与医院相关,可反映医院的医疗质量。我们的数据显示,每增加一个院内并发症,与出院后心血管事件风险增加24%相关。如果医院能够降低其并发症发生率,就可能改善患者出院后的结局。尽管这19个风险因素是基于中国AMI人群选择的,但保险、患者职业和住院时间等可能因国家而异的因素被纳入了初始逐步筛选过程,但未被识别为最终风险因素。因此,这19个风险因素很可能在中国以外也具有相关性,并可为临床医生提供可能改善预后的治疗靶点。仍需在其他研究中验证,但这种推广至其他国家的潜力凸显了本研究数据的实用性。年龄、EF、WBC、既往室性心动过速或心室颤动、既往心绞痛和心率是风险比大于2.00的前5个因素,可能提示这些是最具临床重要性的因素。

局限性

我们的研究存在若干局限性。我们的训练、测试和验证样本均来自1个队列。尽管这种方法已在许多基于单队列的预测研究中使用,21,32,33 但我们研究中识别出的风险因素和模型应继续随着更多数据的可获得而接受评估和更新。风险评分是基于对每个风险因素系数进行取整计算的。尽管这可能导致信息损失,但它为日常临床实践中的风险预测提供了一种简单易行的方法。为进一步鼓励该评分在临床实践中的使用,可通过改编列线图将该评分实现为便携设备应用程序。34

结论

总之,我们的19因素风险模型具有良好的预测范围,能够在出院时识别高危患者。它为临床医生更好地理解AMI患者长期主要心血管事件风险提供了基础,并可帮助临床医生在出院后AMI照护中作出更有针对性、基于证据的决策。

参考来源

  1. Wang Y, Li J, Zheng X, et al. Risk Factors Associated With Major Cardiovascular Events 1 Year After Acute Myocardial Infarction. JAMA Netw Open. 2018. PMID: 30646102. doi:10.1001/jamanetworkopen.2018.1079
  2. 全文:PMC6324290(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6324290/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。