乙肝相關(guān)慢加急性肝衰竭預后預警模型構(gòu)建.pdf

1、慢加急性肝衰竭(acute-on-chronic liver failure，ACLF)的病情危重，死亡率高，其早期預警、早期預后判斷至關(guān)重要，相關(guān)研究始終是肝病研究的熱點。我國是乙肝大國，乙肝也是ACLF的首要病因之一。乙肝相關(guān)慢加急性肝衰竭(acute-on-chronic hepatitis B liver failure，ACHBLF)指慢性乙肝或肝硬化患者在肝功能變化處于相對穩(wěn)定的狀態(tài)下，因各種急性損傷，如乙型肝炎病毒突破、特

2、異性免疫應答激活、合并其他肝炎病毒感染、藥物性肝損害、酒精性肝損害或身體其他部位的感染和炎癥等，導致肝功能迅速惡化直至肝衰竭。它有別于西方國家以藥物、酒精引起的肝衰竭。因此，我們有必要根據(jù)ACHBLF患者的臨床特點，建立針對該特定病種的預后預警模型，以期能指導和優(yōu)化ACHBLF患者的治療，改善預后。
　　本研究第一部分首先以當前臨床上最常用的終末期肝病模型(model forend-stage liver disease，MELD

3、)為基礎(chǔ)發(fā)展而來的MELD-Na、MELDNa、MESO、iMELD、UKELD等六種MELD相關(guān)評分體系，應用于特定的ACHBLF患者群體，以期評價MELD相關(guān)評分體系在預測ACHBLF預后中的價值。本研究隊列來自單一醫(yī)療中心，共計入選327例診斷為ACHBLF的住院患者，并進行隨訪。入選患者的平均年齡46.5±13.2歲，男260例，女67例。3個月隨訪中死亡124例，生存203例。通過計算上述六種評分并用ROC(receiver

4、operating characteristiccurve)分析進行比較，結(jié)果發(fā)現(xiàn):MELD、MELD-Na、MELDNa、MESO、iMELD、UKELD的ROC曲線下面積(area under the receiver operating characteristic curve,AUROC)分別為0.630(95％可信區(qū)間(confidence interval，CI):0.575-0.682)、0.556(95％ CI:0.50

5、0-0.611)、0.609(95％ CI:0.553-0.662)、0.537(95％CI:0.481-0.592)、0.555(95％CI:0.500-0.610)和0.530(95％CI:0.475-0.586)。雖然MELD和MELDNa的絕對值高于其余四個評分模型，但六個評分體系的AUROC值均小于0.7，可認為它們均不能很好的預測ACHBLF預后，無法滿足臨床應用的要求。
　　接下來的第二部分則利用傳統(tǒng)線性數(shù)理模式成功

6、構(gòu)建了一個基于肝病相關(guān)參數(shù)的Logistic回歸模型（命名為LRM）以及一個整合心電參數(shù)的Cox比例風險回歸模型（命名為ALPH-Q），它們的預測效能也在不同的獨立隊列得到了進一步的驗證。首先，LRM模型構(gòu)建于單一中心的242例患者臨床與肝病相關(guān)的參數(shù)，平均年齡為46.0±12.9歲。在為期3個月的隨訪中，共有75位患者死亡。經(jīng)單因素與多因素分析，結(jié)果發(fā)現(xiàn):肝性腦病(比值比(odds ratio，OR)=2.165，95％ CI:1.0

7、15-4.616，P=0.046)，肝腎綜合征(OR=9.767，95％ CI:4.273-22.328,P＜0.001)，肝硬化(OR=2.339,95％CI:1.110-4.930, P=0.025),乙肝e抗原(OR=2.874，95％ CI:1.376-6.003，P=0.005)和凝血酶原活動度/年齡(OR=0.12，95％ CI:0.037-0.395，P＜0.001)都是判斷ACHBLF患者預后的獨立危險因素。根據(jù)上述五個

8、參數(shù)構(gòu)建出的LRM=-1.343+0.772×HE+2.279×HRS+0.85×LC+1.026×HBeAg-2.117×PTA/age。根據(jù)公式P=1/（1+e-RE）算出該回歸預測模型P＜0.001，GOF值為0.901;假陽性率為5％。LRM的cut-off值為0.2212，該值對應的敏感度和特異度分別為86.7％和75.5％。LRM對短期3個月的生存率的預測價值很高，其AUROC為0.873(95％CI:0.825-0.912

9、)。而相比而言，MELD評分的AUROC為0.694(95％CI:0.632-0.752)，Child-Pugh評分的AUROC為0.718(95％ CI:0.657-0.774)，Sun模型評分的AUROC為0.786(95％ CI:0.729-0.836)。它們都明顯低于LRM(P值分別為P＜0.001，P＜0.001和P=0.002)。為進一步驗證LRM的能力，將其應用于一個完全獨立的外單位的新隊列中（共計210例患者），經(jīng)檢驗，

10、結(jié)果發(fā)現(xiàn)LRM模型預測的效能依然比其它模型要優(yōu)越，準確度更高。其中，LRM的AUROC為0.844(95％ CI:0.788-0.891)，明顯高于MELD評分的0.775(95％CI:0.712-0.830，P=0.035)。同樣，Child-Pugh評分的AUROC為0.601(95％CI:0.532-0.668)，Sun模型評分的AUROC為0.753(95％ CI:0.688-0.809)。它們都明顯低于LRM(P值分別為P＜0

11、.001，P=0.004)。接下來，考慮到心臟與肝臟所存在的密切聯(lián)系，尤其是肝病患者常伴有心率變時性功能不全，機電分離，QT間期延遲等電生理異常，我們首次引入了包含心電參數(shù)并充分利用生存資料數(shù)據(jù)的評分模型ALPH-Q:0.033年齡+1.013肝硬化（是=1，否=0）+0.031凝血酶原時間（秒）+0.994肝性腦?。ㄊ?1，否=0）+0.008QTc（毫秒）。此評分基于Cox回歸模型，包含了年齡、肝硬化、PT、肝性腦病及QTc等參數(shù)。

12、在第一個隊列中展示出優(yōu)于Child-Pugh，MELD及LRM評分的效能(P＜0.001)。同時，在外部的前瞻性隊列驗證中，ALPH-Q評分的預測能力比Child-Pugh，MELD評分高出25.2％及14.8％(分別為P＜0.001，P=0.033);而與LRM評分相比，雖然在統(tǒng)計學無顯著差異(0.837(95％ CI:0.746-0.905) vs0.818(95％ CI:0.724-0.890)，P=0.522)，但在絕對值上有進

13、一步的提高。
　　疾病是錯綜復雜的，大多數(shù)情況下簡單的線性回歸并不能滿足要求。疾病的各觀察指標之間常常會有相關(guān)性，這就造成了變量間的共線性問題。第三部分采用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)這種非線性的模型來處理復雜的生物系統(tǒng)問題，探索構(gòu)建乙肝相關(guān)慢加急性肝衰竭的非線性預后模型，同時，檢驗該模型的可重復性及應用性。本研究將本中心入組的402例患者數(shù)據(jù)按7∶3比例隨機分為訓練數(shù)據(jù)（280例）與

14、驗證數(shù)據(jù)（122例）。在ANN網(wǎng)絡(luò)輸入層納入單因素分析有意義的6個參數(shù)(血清鈉(OR=0.899，95％ CI:0.866-0.932，P＜0.001)，總膽紅素(OR=1.026，95％ CI.1.005-1.047，P-0.015)，年齡(OR=1.039，95％ CI:1.022-1.055，P＜0.001)，凝血酶原活動度(OR=0.955，95％ CI:0.941-0.970，P＜0.001)，血紅蛋白(OR=0.984，95

15、％ CI:0.975-0.993，P＜0.001)，乙肝e抗原活性(OR=2.101，95％ CI:1.399-3.155,P＜0.001))，隱含層設(shè)計為3層，而輸出層為因變量（3月內(nèi)的死亡結(jié)局），即0，1二值變量。經(jīng)ROC分析，由上述6個參數(shù)組成的ANN網(wǎng)絡(luò)模型，在訓練組與驗證組中預測ACHBLF患者3月內(nèi)死亡的能力均最強，AUROC分別為0.869(95％CI:0.823-0.906)與0.765(95％ CI:0.680-0.8

16、37)，高于當前使用的MELD系列相關(guān)評分，且均有顯著統(tǒng)計學差異。
　　在第四部分，研究引入了條件生存率評估(conditional survivalestimate，CSE)，它能夠以實時監(jiān)測的模式對死亡風險進行預測。先前模型的構(gòu)建模式主要建立在單點測量的變量上，如基線數(shù)據(jù)。然而，這些取自于單點的靜態(tài)變量，特別是在發(fā)病早期，總是易受病人敏感性和特異性的不同而有所差異。因此，我們急需一種靈活且可以實現(xiàn)動態(tài)判斷疾病嚴重程度和預測預后

17、的方法。本研究采用額外4周生存率來計算條件生存率，它起由再額外生存4周時間的存活概率和目前總體生存期的存活概率的比值來決定，即CS4=OS(X+4)/OS(X)。278例來自三個醫(yī)學中心ACHBLF患者入組了該研究，并前瞻性隨訪了36.2±12.3月。有109例在隨訪期(39.2％)內(nèi)死亡?；颊咴?周，4周，6周，8周，12周的實際總體生存率分別是80.5％，71.8％，69.3％，66.0％，63.7％。并且在患者分別生存了1周，3周

18、，5周，7周，9周后，通過條件生存率估計未來再生存4周的概率分別是74％，86％，92％，93％，97％。當與具備良好預后因素患者的總體生存率比較時，具備不良預后因素的患者，如MELD＞25，Child C級，年齡＞45，肝性腦病，國際標準化比值＞2.5，能夠獲得最大實際生存率的提高(△36％vs△10％;△28％ vs.△16％;△29％vs.△15％;△60％ vs.△12％;△33％ vs.△12％;所有P＜0.001)。

19、　　最后，在第五部分，由于近年來免疫與炎癥在慢加急性肝功能衰竭發(fā)病機制中的地位越發(fā)重要，已不斷涌現(xiàn)出一批反映慢加急性肝衰竭預后的新的標記物。我們猜測，新的有價值的預后標記物的整合將有助于進一步完善現(xiàn)有的預警系統(tǒng)。我們基于文獻報道的與乙肝相關(guān)慢加急性肝衰竭有關(guān)的常用的免疫與炎癥指標，采用流式細胞術(shù)檢測外周新鮮血中Treg與Th17的數(shù)量，以及ELISA法檢測血清中IL-2、IL-4、IL-10、IL-17、TNF-α、TGF-β1、IFN

20、-γ的含量。結(jié)果發(fā)現(xiàn):與存活組患者相比，死亡組患者Treg計數(shù)偏低(1.83±0.74 vs2.83±0.60，P＜0.001)，而Th17計數(shù)偏高(4.68±0.90 vs3.77±0.67，P＜0.001)。在炎癥指標方面，死亡組患者IL-2水平更低(41.2±17.9 ng/ml vs60.5±14.9 ng/ml)，IL-10水平更低(23.3±10.4 ng/ml vs33.6±9.8 ng/ml，P＜0.001);而IL-4

21、(176.9±33.3 ng/ml vs158.5±48.5 ng/ml,P=0.046)、IL-17(45.2±7.6 ng/ml vs35.7±6.3 ng/ml,P＜0.001)、TGF-β1(280.2±40.4 ng/ml vs238.4±40.3 ng/ml,P＜0.001)、TNF-α(126.7±15.3ng/ml vs117.5±24.1 ng/ml，P=0.042)均升高。IFN-γ在兩組間無顯著差異(52.6±14

22、.0 ng/ml vs50.5±15.9 ng/ml，P=0.515)。經(jīng)多因素logistic回歸分析把單因素分析中有顯著統(tǒng)計學意義的自變量全部納入，并把患者3月內(nèi)的死亡結(jié)局視為因變量。結(jié)果發(fā)現(xiàn)年齡(OR=1.106，95％ CI:1.029-1.188,P=0.006)，血鈉(OR=0.821,95％ CI:0.693-0.972,P=0.022),Treg百分數(shù)(OR=0.093，95％ CI:0.012-0.736，P=0.02

23、4)，Th17百分數(shù)(OR=13.434,95％CI:2.055-87.820,P=0.007), IL-2(OR=0.927,95％CI:0.861-0.999,P=0.046)和IL-10(OR=0.846,95％ CI:0.748-0.956,P=0.008)都是判斷預后的獨立危險因素，并納入所新構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)的（命名為ANN2）的輸入層。隱含層設(shè)計為3層，而輸出層為因變量（3月內(nèi)的死亡結(jié)局），即0，1二值變量。通過ROC分析

24、，比較ANN2、ANN1（注:第三部分所構(gòu)建的網(wǎng)絡(luò)）、LRM（注:第二部分所構(gòu)建的模型）、MELD、Child-Pugh評分的預測能力。結(jié)果顯示:ANN2預測3個月死亡率的準確性最高(AUROC=0.929，95％ CI:0.858-0.971)。而其他模型的結(jié)果為:ANN1(AUROC=0.858，95％ CI:0.772-0.921,P=0.013), LRM(AUROC=0.795,95％ CI:0.701-0.871,P=0.0

25、03),MELD(AUROC=0.671,95％ CI:0.567-0.763,P＜0.001), Child-Pugh(AUROC=0.640，95％ CI:0.535-0.735，P＜0.001)。ANN1、ANN2以及LRM均展示了較為良好的預后預測性能，而MELD與Child-Pugh的曲線下面積均低于0.7，在實際臨床應用中能力欠佳。同時，結(jié)果也提示，人工神經(jīng)網(wǎng)絡(luò)良好的非線性模型構(gòu)建及預測能力。
　　本研究中，以當前最新