TM、TAT、PIC、t-PAIC对冠心病的诊断价值及支持向量机鉴别诊断模型的建立

高 敏，李宏宾，刘启龙，马 宁，訾盼盼，石慧娟，杜玉明

冠状动脉由于发生粥样硬化病变而引起血管腔狭窄甚至阻塞，进而导致心肌缺血、缺氧以及器质性病变，即为冠状动脉粥样硬化性心脏病，简称冠心病(coronary heart disease，CHD)。近年来，冠心病在我国发病率逐年升高，患病群体呈年轻化趋势，对病人的生活质量和生命安全造成严重影响[1]。有研究表明，高凝血状态及血栓形成是冠心病的重要危险因素[2]。凝血酶-抗凝血酶复合物(thrombin-antithrombin complex，TAT)、纤溶酶-α2纤溶酶抑制物复合物(plasmin-α2plasmin inhibitor complex，PIC)、组织型纤溶酶原激活物/抑制剂-1复合物(tissue plasminogen activator/inhibitor-1 complex，t-PAIC)、血栓调节蛋白(thrombomodulin，TM)能综合反映凝血-纤溶系统情况以及血管内皮损伤程度[3]。目前，已有研究报道，TAT、PIC、t-PAIC及TM这4种血栓前标志物对弥散性血管内凝血、恶性肿瘤血栓以及急性心肌梗死有一定的预测价值[4-6]。然而对冠心病的诊断报道较少，因此，本研究通过检测冠心病病人TAT、PIC、t-PAIC及TM，并建立支持向量机(support vector machine，SVM)模型，旨在为冠心病的诊断提供新的参考依据。

1 资料与方法

1.1 研究对象 选取2018年5月—2020年12月于我院接受诊治的218例冠心病病人作为研究组。纳入标准：符合《稳定性冠心病诊断与治疗指南》[7]中的诊断标准，经冠状动脉造影确诊为冠心病；首次发病，且发病24 h内入院；年龄>18岁；临床病历资料完整；病人及家属知情同意并自愿签署知情同意书。排除标准：合并心肌病、心脏瓣膜病以及先天性心脏病等其他心脏疾病；合并恶性肿瘤、感染性疾病、内分泌疾病以及其他重要脏器或系统疾病；合并其他血栓性疾病；近期有创伤史或手术史；精神疾病、认知功能障碍者；妊娠期或哺乳期妇女。另外，选取同期于我院进行健康体检的志愿者46名作为对照组。本研究已获得我院医学伦理委员会审核批准。

1.2 方法

1.2.1 基础资料收集 记录病人的基础资料，包括性别、年龄、体质指数(body mass index，BMI)、吸烟指数[吸烟支数×吸烟时间(年)]、家族史、高血压史、糖尿病史。

1.2.2 冠状动脉造影 所有病人首先选择桡动脉穿刺入路，其次为股动脉，采用标准Judikins 法常规进行冠状动脉造影，由2名不参与本研究但经验丰富的心内科医师判读结果。取病变最严重处的血管内径与距该病变最近的近端未病变血管节段内径的比例表示狭窄程度，至少1 支冠状动脉主要分支血管内径的狭窄程度≥50%，即可诊断为冠心病。

1.2.3 冠状动脉狭窄程度评估 冠状动脉狭窄程度采用Gensini 评分评价，将不同狭窄部位与不同的权重系数相乘，狭窄部位：第2对角支×0.5，第1 对角支、后降支、回旋支远段、左前降支远段、左室后降支、后侧支、右冠状动脉全段均×1，左前降支中段×1.5，回旋支近段、左前降支近段×2.5，左主干×5；狭窄程度：完全闭塞计32 分，狭窄91%～99%计16 分，狭窄76%～90%计8 分，狭窄51%～75%计4 分，狭窄25%～50%计2 分，狭窄程度<25 %计1 分；所有分支狭窄部位和狭窄程度所得分数之和即为Gensini评分。

1.2.4 实验室指标检测 采集研究组和对照组空腹静脉血2.7 mL置于0.109 mol/L枸橼酸钠抗凝管中，充分混匀，1 500×g离心10 min，分离血浆，采用HISCL-5000 全自动化学发光仪及原装配套试剂(日本Sysmex 公司)，严格按照说明书，以化学发光酶免疫法检测TAT、PIC、t-PAIC及TM。采用7600-120全自动生化分析仪(日本日立)及配套试剂，采用甘油磷酸氧化酶法测定三酰甘油(triglyceride，TG)，采用胆固醇氧化酶法测定总胆固醇(total cholesterol，TC)，采用直接法测定低密度脂蛋白胆固醇(low density lipoprotein cholesterol，LDL-C)和高密度脂蛋白胆固醇(high density lipoprotein cholesterol，HDL-C)。

2 结 果

2.1 研究组与对照组临床资料比较 研究组与对照组病人性别、年龄、BMI、家族史、高血压史、糖尿病史比较差异均无统计学意义(P>0.05)。与对照组相比，研究组吸烟指数、TG、TC、LDL-C、TAT、PIC、t-PAIC、TM均升高，HDL-C降低，差异均有统计学意义(P<0.05)。详见表1。

表1 研究组与对照组临床资料比较

2.2 不同冠状动脉狭窄程度病人临床资料比较 218例病人Gensini 评分在4.5～67.0分，按照3分位法将≤24分作为轻度狭窄组，24.1～46.0分作为中度狭窄组，≥46.1分作为重度狭窄组。3组病人性别、年龄、BMI、吸烟指数、家族史、高血压史、糖尿病史、TG以及LDL-C比较差异均无统计学意义(P>0.05)。中度狭窄组、重度狭窄组TC、TAT、PIC、t-PAIC、TM及Gensini 评分高于轻度狭窄组，HDL-C低于轻度狭窄组，重度狭窄组TC、TAT、PIC、t-PAIC、TM及Gensini 评分高于中度狭窄组，HDL-C低于中度狭窄组，差异均有统计学意义(P<0.05)。详见表2。

表2 不同冠状动脉狭窄程度病人临床资料比较

2.3 TAT、PIC、t-PAIC、TM与Gensini评分的相关性 冠心病病人TAT、PIC、t-PAIC、TM与Gensini 评分均呈正相关(r值分别为0.777，0.537，0.833，0.789，P均<0.01)。详见图1～图4。

图1 TAT与Gensini评分的相关性

图2 PIC与Gensini评分的相关性

图3 t-PAIC与Gensini评分的相关性

图4 TM与Gensini评分的相关性

2.4 TAT、PIC、t-PAIC、TM对冠心病的诊断效能 TAT诊断冠心病的AUC为0.781[95%CI(0.697，0.864)]，取最佳截断值3.00 ng/mL时，敏感度为84.86%，特异性为65.22%。PIC诊断冠心病的AUC为0.765[95%CI(0.675，0.855)]，取最佳截断值0.99 μg/mL时，敏感度为82.57%，特异性为71.74%。t-PAIC诊断冠心病的AUC为0.769[95%CI(0.677，0.861)]，取最佳截断值为9.35 ng/mL时，敏感度为84.40%，特异性为71.74%。TM诊断冠心病的AUC为0.778[95%CI(0.692，0.864)]，取最佳截断值8.83 U/mL时，敏感度为79.82%，特异性为67.39%。详见图5。

图5 TAT、PIC、t-PAIC、TM对冠心病的诊断效能

2.5 二元Logistic回归模型分析冠心病的危险因素 将研究对象是否发生冠心病(是=1，否=0)作为因变量。将研究组和对照组差异有统计学意义的因素作为自变量，吸烟指数、TG、TC、HDL-C、LDL-C、TAT、PIC、t-PAIC、TM均为连续数值型变量，取其实测值，纳入二元Logistic回归模型，结果显示，吸烟指数、LDL-C、TC、TAT、PIC、t-PAIC、TM是冠心病发病的危险因素(P<0.05)。详见表3。

表3 二元Logistic回归模型分析冠心病的危险因素

2.6 SVM模型建立及预测效果评价 惩罚系数C=0.859，核函数参数σ=16时，SVM模型对冠心病的辨识率最高。Logistic回归模型AUC为0.891，SVM模型AUC为0.902，差异无统计学意义(P>0.05)。Logistic回归模型准确度90.15%，SVM模型准确度92.05%，差异无统计学意义(P>0.05)。详见表4、图6。

表4 Logistic回归模型和SVM模型的预测效果

图6 Logistic回归模型和SVM模型诊断冠心病的ROC曲线

3 讨 论

冠心病的发生机制与血栓形成关系密切，而血栓形成过程极为复杂，凝血和纤溶系统失衡以及血管内皮损伤均发挥重要作用[8]。目前，涵盖凝血、纤溶系统的凝血酶原时间、凝血酶时间、活化部分凝血活酶时间、凝血因子、抗凝血酶、D-二聚体、纤维蛋白原、纤维蛋白降解产物等是实验室常规的凝血检测项目，然而这些指标都是血栓形成后的晚期被动检测项目，对血栓前状态监测的敏感性不高，因此，血栓前标志物TAT、PIC、t-PAIC及TM逐渐被推广使用。

解承娟等[9]研究发现，脑血栓病人TAT、PIC、t-PAIC、TM水平明显高于正常人群，且对脑血栓具有不同程度的诊断价值。周坤等[10]研究发现，恶性肿瘤病人中血栓组TAT、PIC、t-PAIC、TM明显高于无血栓组，这些指标与恶性肿瘤病人静脉血栓的形成有关，且具有一定的早期预测价值。本研究发现，冠心病病人中TAT、PIC、t-PAIC、TM水平升高，4种血栓前标志物对冠心病有一定的预测价值，与上述报道具有一致性。而刘艳红等[11]研究发现，冠心病组血浆TM、t-PAIC水平比健康对照组明显升高，两组TAT、PIC水平比较差异均无统计学意义，但4种指标预测冠心病的准确率却较高，这与本研究结果不完全一致，可能跟样本量、检测方法存在差异有关。体内凝血酶原被激活成凝血酶后，TAT与抗凝血酶迅速以共价键结合，生成无活性的不可逆复合物，进而使凝血酶失活，因此，TAT作为凝血途径潜在活化的敏感指标，能直接反映机体凝血酶的活化。α2纤溶酶抑制物由肝脏产生且是纤溶酶最重要的抑制因子，其与血液中的纤溶酶以等比例迅速结合形成PIC，进而对纤溶酶的纤溶作用进行抑制，因此PIC成为反映纤溶系统最终阶段的纤溶酶指标。组织型纤溶酶原激活剂由血管内皮细胞产生并释放到血液中，当其以等比例迅速与生理性抑制因子纤溶酶原激活物抑制剂-1结合后可形成t-PAIC，其水平异常升高会导致纤溶系统失调进而使血栓形成，t-PAIC既是纤溶系统也是血管内皮细胞损伤的分子标志物。作为一种跨膜糖蛋白，TM主要于血管内皮细胞表达，通过与凝血酶结合进而使凝血酶活化纤溶抑制剂、蛋白C被激活，进而对凝血和纤维蛋白溶解发挥抑制作用。研究表明，TM在正常状态下水平极低，而在内皮细胞损伤或病变时则会异常分泌并释放入血，因此常被用作血管内皮细胞损伤的标志物[12]。

另外，本研究根据Gensini 评分结果将病人分为不同冠状动脉狭窄组，结果证实，冠心病病人TAT、PIC、t-PAIC、TM水平随着冠状动脉狭窄程度加重而升高，且与Gensini 评分呈正相关，该结果与刘文武等[13]报道相符。分析原因，各种因素导致冠心病病人血管内皮细胞受损，凝血和纤维蛋白溶解系统被异常激活，进而使这4种指标生成增加，而形成的复合物及纤维蛋白异常沉积可进一步促进冠状动脉病变的发生发展。

尽管临床上将生物标志物单独或联合使用对疾病的诊断具有一定的价值，但建立联合多种生物标志物的筛查诊断模型能进一步提高诊断的准确性。Logistic回归模型是最常用的一种机器学习算法，但需满足变量符合正态分布、变量之间不存在交互作用、相互独立等诸多条件，因而其应用受到一定程度的限制。SVM数学模型是基于结构风险最小化原理和统计学习理论的VC维理论，保证结果找到的极值解是全局最优，实现对样本的泛化能力，在小样本、高维度数据以及非线性问题的处理中更具优势。Bao等[14]联合10 项血清指标建立的SVM 模型预测肺癌的准确率达90.3%，AUC达0.901，明显高于Fisher线性判别模型。李广涵等[15]通过基于弹性成像、彩色多普勒超声及常规超声参数建立多模态超声模型发现，SVM 和Logistic模型对肾脏疾病的诊断效能相似。本研究建立的Logistic回归模型和SVM模型对冠心病的预测效果无明显差异，可能由于本研究仅涉及数据层面，而无文字描述、医疗图像等信息。

综上所述，TAT、PIC、t-PAIC、TM对冠心病具有一定的诊断价值，基于4种指标建立的Logistic回归模型和SVM模型对冠心病的预测效果更好。本研究存在的局限性：纳入对象为确诊的冠心病病人和健康体检者，存在样本随机性不足和选择性偏倚；未将本研究涉及的所有项目纳入模型进行分析，可能造成研究结果的偏倚；模型的稳定性仍需在多中心、大样本中进行验证。今后将通过改善以上条件进而建立更加完善的冠心病筛查模型。