NLR联合CHA2DS2-VASc评分对STEMI患者直接PCI后住院期间MACE的预测价值

来源 :吉林大学 | 被引量 : 0次 | 上传用户:leijugui
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
目的:探索急性ST段抬高型心肌梗死(ST-segment elevation myocardial infarction,STEMI)患者行直接经皮冠状动脉介入治疗(Percutaneous Coronary Intervention,PCI)后住院期间主要不良心血管事件(Major adverse cardiovascular events,MACE)的危险因素,评估中性粒细胞/淋巴细胞比值(Neutrophil-to-lymphocyte ratio,NLR)与CHA2DS2-VASc评分对STEMI患者住院期间MACE的预测价值,并对二者联合与单用NLR、CHA2DS2-VASc评分对STEMI患者住院期间MACE的预测价值进行比较。方法:连续收集2018年8月-2019年8月在吉林大学第一医院心血管内科行直接PCI治疗STEMI患者共计1364例,选取符合入排标准的患者1110例,患者入院均抽取静脉血标本并立即送检,通过病例查询患者相关临床资料:年龄、性别、既往病史、冠脉造影结果及PCI术后院内MACE的发生情况等;根据首次血常规计算NLR。根据院内是否发生MACE分为发生MACE组和未发生MACE组,比较两组间临床资料、CHA2DS2-VASc评分、NLR水平;根据受试者工作曲线(Receiver operating characteristic curve,ROC)分别计算出NLR、CHA2DS2-VASc评分预测院内发生MACE的最佳截点值,根据NLR最佳截点值将患者分为2组:高NLR组和低NLR组,根据CHA2DS2-VASc评分最佳截点值将患者分为2组:高CHA2DS2-VASc评分组和低CHA2DS2-VASc评分组,比较两组间MACE发生率;将NLR与CHA2DS2-VASc评分指标两两组合,分为高NLR高CHA2DS2-VASc评分组、高NLR低CHA2DS2-VASc评分组、低NLR高CAH2DS2-VASc评分组、低NLR低CHA2DS2-VASc评分组,观察四组间MACE的总发生率;采用Logistic回归分析寻找STEMI患者直接PCI术后住院期间MACE事件的危险因素;通过ROC分析NLR、CHA2DS2-VASc评分及其两者组合对STEMI患者PCI术后住院期间MACE事件的预测价值。所有数据均通过SPSS进行统计分析,P<0.05有统计学意义。结果:1.根据纳排标准,对1110名STEMI患者进行研究,在住院期间,有169名患者发生MACE,941名患者未发生MACE;MACE组与非MACE组年龄、糖尿病史、高血压病史、既往心肌梗死史、既往脑卒中史、中性粒细胞绝对值、淋巴细胞绝对值、NLR、空腹血糖、低密度脂蛋白胆固醇(Low density lipoprotein cholesterol,LDL-C)、肌钙蛋白I峰值、左心室射血分数(Left ventricular ejection fraction,LVEF)、Killip分级、CHA2DS2-VASc评分、冠状动脉病变支数、多支血管病变之间差异具有统计学意义(P<0.05)。2.根据ROC分析显示,NLR预测STEMI患者直接PCI治疗后住院期间MACE的曲线下面积(Area under the curve,AUC)为0.833(95%CI:0.794-0.872,P<0.001)。当NLR截点值为5.265时,其预测效能最佳,敏感度为79.9%,特异度为81.5%;根据NLR最佳截点值分组后,两组间比较发现,在NLR高值组的MACE发生率显著高于NLR低值组,差异具有统计学意义(P<0.05)。3.根据ROC分析显示,CHA2DS2-VASc评分预测STEMI患者直接PCI后住院期间MACE的AUC为0.768(95%CI:0.730-0.807,P<0.001),最佳截点值为2.50,敏感度为67.5%,特异度为77.0%;根据CHA2DS2-VASc最佳截点值分组后,两组间比较发现,在高CHA2DS2-VASc评分(≥3分)组的MACE发生率显著高于低CHA2DS2-VASc评分(<3分)组,差异具有统计学意义(P<0.05)。4.根据Logistic回归分析寻找STEMI患者直接PCI术后住院期间MACE的危险因素,结果显示:既往有心肌梗死病史、入院时高CHA2DS2-VASc评分、高中性粒细胞绝对值、低淋巴细胞绝对值、高NLR、高空腹血糖、高LDL-C均是STEMI患者直接PCI术后住院期间MACE的危险因素。根据ROC分析显示,NLR联合CHA2DS2-VASc评分对住院期间MACE的AUC为0.865(95%CI:0.829-0.901,P<0.001),灵敏度为82.2%,特异度为85.4%。通过比较AUC发现,NLR联合CHA2DS2-VASc评分可进一步提高对STEMI患者直接PCI术后住院期间MACE的预测价值。5.与高NLR高CHA2DS2-VASc评分组比较,高NLR低CHA2DS2-VASc评分组、低NLR高CHA2DS2-VASc评分组、低NLR低CHA2DS2-VASc评分组MACE的总发生率均较低,差异具有统计学意义(P=0.000)。结论:1.NLR、CHA2DS2-VASc评分、既往有心肌梗死病史、低淋巴细胞绝对值、高中性粒细胞绝对值、LDL-C均是STEMI患者直接PCI术后住院期间MACE的危险因素。2.NLR、CHA2DS2-VASc评分均可作为STEMI患者直接PCI术后住院期间发生MACE的预测指标,且NLR联合CHA2DS2-VASc评分可进一步提高对STEMI患者直接PCI术后住院期间MACE的预测价值。
其他文献
随着饮食习惯的改变和医学诊断的发展,乳腺癌患者的数量逐年增加。乳腺癌已经成为社会上一个主要的公共卫生问题,是女性中最常见的癌症,也是女性死亡的第二大原因。早发现早诊断早治疗是提高治愈率和降低死亡率的关键。乳腺肿块是临床上乳腺癌最常见的病理特征之一,其大小和形状各异,边缘复杂,特征多样,而乳房X光照片则是识别乳腺肿块的重要根据。临床上大多是放射科医师根据X光照片提供可靠的意见辅助诊断,但是人工筛查费
目的:糖尿病肾病是糖尿病的晚期并发症之一。通过检测糖尿病患者血清中的视黄醇结合蛋白、胱抑素C、血尿酸水平,探讨3项指标的联合检测在早期糖尿病肾病中的应用价值。方法:选取329名于2017年7月至2020年7月就诊于吉林大学第一医院住院治疗的2型糖尿病患者,统计患者的基本资料及生化检测指标,根据尿微量白蛋白排泄量分为3组,分析3组患者各项指标的差异及其与尿微量白蛋白的相关性,并探讨UA、RBP、Cy
混合动力技术是重型商用车(以下简称重卡)面对日益严苛的排放法规限制、环境保护需求和运输行业高效节能的运输需求的有效解决方案。当前我国混合动力重卡的发展处于起步阶段,重卡混合动力系统的设计问题显得尤为重要。通过优化设计从成本和节油效果上对不同典型方案进行深入比较,找出混合动力系统各关键设计参数的取值趋势和范围对我国混合动力重卡的发展具有指导意义。本文围绕某一重型半挂牵引车进行不同构型方案的优化设计与
青光眼和糖尿病视网膜病变已经成为导致视力受损和失明的主要疾病。定期筛查对于眼底疾病患者来说尤为重要,可以提早发现病情,延缓病情的发展,避免视力受损和失明的发生。近年来,计算机技术领域飞速发展,计算机辅助诊断系统的应用发展蓬勃。计算机辅助系统可以提高疾病诊断准确率,节省人力物力。因此,眼底影像分析对临床医学有重要的意义。目前,在眼底图像分割任务中,绝大多数方法使用基于U-Net的框架。然而,这些研究
目的:1.研究PBC患者的血脂分布特点2.探讨血脂水平与PBC常见并发症的关系3.探讨PBC患者发生心脑血管疾病的危险因素方法:回顾性分析2012年至2019年于吉林大学第一医院确诊为原发性胆汁性胆管炎的患者。根据纳入及排除标准筛选出270例作为研究对象。收集初诊时一般临床资料(性别、年龄、吸烟、饮酒以及高血压、糖尿病)、并发症情况(包括腹水、消化道出血)、实验室数据(包括血脂、肝功、血常规、凝血
目的了解新冠肺炎疫情期间郑州市驰援武汉医疗队员返郑后心理健康状况,为抗疫一线医务人员心理干预和心理防护提供理论依据。方法应用自编问卷、症状自评量表(SCL-90)、抑郁自评量表(SDS)、焦虑自评量表(SAS)对105例新冠肺炎一线医务人员进行心理测试,并对其中各因子进行相关分析。结果 SCL-90阳性24例(22.86%),SDS标准分≥53分有29例(27.62%),SAS标准分≥50分有9例
程序员技术问答网站已经成为当今社会重要的知识共享平台,Stack Overflow(简称SO)作为当下热门的程序员问答网站,拥有千万级用户,数以亿计的帖子,积累了大量有价值软件工程知识。技术知识最大的特点就是更新频繁,随着时间的推移,网站内分享的技术知识可能会过时,这些过时的信息如果没有被明确标注或记录,可能会误导求助的用户,造成开发事故。网站中过时内容的积累会严重影响网站内容质量,但是目前Sta
研究目的:本文旨在描述单中心ANCA相关性血管炎的临床病理特点,探讨其合并肾损害的预测因子并对预后相关因素进行分析。研究方法:回顾性分析吉林大学第一医院2010年1月至2020年10月临床确诊为ANCA相关性血管炎的患者,经过纳入、排除标准并可获取完整临床资料的患者总计259例,调查其2010年1月至2020年10月住院和门诊随访期间的实验室检查、影像学检查、肾脏活检病理、治疗方案及预后等资料。研
TPOT是一种通过优化的方法生成一个机器学习管道的AutoML算法。该算法将机器学习中的特征工程、数据预处理、模型选择、超参数优化等组件一一抽象为了遗传编程中的树型结构中的每一个节点,之后通过对树的结构进行遗传编程优化,可在有限时间内,获取相对最优的机器学习管道。不过,TPOT目前存在的缺点是虽然生成出来的管道好于常规默认参数配置下的普通模型,但在具体的某个应用领域中,还难以达到专家设置的精度。T