結合踝臂指數(shù)預測死亡風險及預測模型研究.pdf

1、踝臂指數(shù)(anklebrachialindex,ABI)≤0.9已被確定為外周動脈性疾病(peripheralarterialdisease,PAD)的診斷標準。由于PAD與多種疾病的發(fā)生、發(fā)展有關,ABI常被用來作為疾病發(fā)生或死亡的預測指標。但有關ABI的預測價值尚存在爭議。本文用自由Cox模型和神經網絡建立死亡風險預測模型,進一步研究我國人群中ABI對死亡風險的預測價值,在建模過程中同時對預測模型中相關統(tǒng)計分析問題進行探討。并結合國

2、內外文獻,進行ABI預測死亡風險的Meta分析,對ABI預測死亡風險進行系統(tǒng)性評價。主要研究內容及結果包括:
　　1.針對具有2個及2個以上心血管病危險因素的人群進行隊列研究,平均隨訪2.8±0.8年,該人群基線低ABI發(fā)生率達25.8％。以全因死亡和冠心病死亡為健康結局事件,分別以自由Cox回歸模型和神經網絡模型建立全因死亡和冠心病死亡風險的預測模型,研究ABI的預測價值,進行相對風險和絕對風險估計。研究結果顯示,對于PAD高危

3、人群,ABI降低會增加全因死亡和冠心病死亡的風險,是重要的死亡風險預測因子。繪制絕對風險列線圖來表達對應各因素取值的患者1年和3年生存率,形象、直觀,應用方便。
　　2.對以往的8篇國內外隊列研究文獻進行Meta分析,結果顯示低ABI人群全因死亡風險約是正常ABI人群的1.7倍;添加本研究估計的相對風險比數(shù)據(jù)再次Meta分析,結果低ABI人群全因死亡風險是正常ABI人群的1.6倍。經敏感性分析,研究結果較穩(wěn)定。
　　3.探討

4、應用Schoenfeld殘差圖和假設檢驗方法進行Cox模型PH假定的檢查,結合限制性立方樣條函數(shù)檢查對數(shù)線性假定,并在Cox模型框架下,用限制性立方樣條函數(shù)估計連續(xù)型預測變量對結局變量的非線性效應及時間依賴效應。本文實踐證明該方法靈活、有效,但變量很多時需要較大的工作量來完成。
　　4.本文選用最小絕對值壓縮和選擇算法(LeastAbsoluteShrinkageandSelectionOperator,LASSO)對變量集進行選

5、擇,限制模型預測中過度擬合現(xiàn)象。本研究結果表明,LASSO方法估計結果具有較好的可解釋性,并且可在簡化模型的情況下,不降低甚至提高模型的預測性能。
　　5.嘗試用多層感知器神經網絡模型建立生存分析資料的預測模型,該法沒有應用條件限制,應用靈活,實現(xiàn)方便,大樣本時可以達到較好的預測效果,但結果可解釋性較差。在小樣本時應用神經網絡模型需謹慎。
　　6.關注模型參數(shù)估計的同時,用ROC曲線分析等對模型的預測性能進行評價。當陽性結局

6、事件發(fā)生比例較小或小樣本情況下對神經網絡模型的性能評價,需結合靈敏度和特異度等其他指標進行綜合評價。
　　綜上,具有心血管疾病危險因素人群有較高的ABI異常率。隨訪研究結果和Meta分析結果顯示ABI降低會增加全因死亡和冠心病死亡風險,是重要的預測因子,建議將ABI作為具有PAD和其他心血管疾病危險因素人群的常規(guī)體檢項目,及早發(fā)現(xiàn)、干預和治療PAD,以降低PAD的致殘率和死亡率,提高患者健康質量。傳統(tǒng)Cox模型的兩個基本假定不容忽