编辑推荐：
为探究高血压患者出院后 1 年内房颤（AF）的危险因素并构建预测模型，徐州医科大学第二附属医院研究人员开展了单中心回顾性研究。结果发现男性、Lp (a)、HbA1c、NLR 和 TyG 指数是独立危险因素，构建的列线图模型预测准确性高，有助于临床个性化管理。
在心血管疾病的大舞台上，高血压和房颤（Atrial Fibrillation，AF）这两个角色格外引人关注。高血压，就像潜伏在身体里的 “无声杀手”，悄无声息地影响着无数人的健康。当血压持续高于 140/90 mmHg（未服用降压药时），它便成了房颤的一个重要 “帮凶” 。房颤则是一种常见的室上性心律失常，一旦发作，会显著增加患者中风、心力衰竭、认知障碍和痴呆的风险，严重降低患者的生活质量。随着人口老龄化的加剧，房颤更是给医疗系统带来了沉重的负担。
传统的风险评估工具，往往依赖患者病史、临床体征等因素，就像戴着有色眼镜看问题，无法全面、准确地评估房颤风险，容易遗漏一些早期的疾病变化。而且，现有的房颤风险评估工具，如 Framingham 房颤风险评分，也没有充分考虑到现代研究中发现的代谢因素，这就好比拼图少了关键的几块，导致对某些高危人群的风险评估不准确。
为了攻克这些难题，徐州医科大学第二附属医院的研究人员挺身而出，开展了一项意义非凡的研究。他们聚焦于高血压患者出院后 1 年内房颤的发生风险，旨在找出隐藏在背后的危险因素，并构建出精准的预测模型。
研究人员精心挑选了 2022 年 1 月至 2023 年 1 月期间，在徐州医科大学第二附属医院心内科住院的高血压患者作为研究对象。经过层层筛选，排除了不符合条件的患者后，最终 566 名患者进入了研究。这些患者的基本信息、病史、各种实验室检查数据都被详细记录下来，包括白细胞（White Blood Cell，WBC）、红细胞（Red Blood Cell，RBC）、血红蛋白（Hemoglobin，HGB）、血小板（Platelet，PLT）等。研究人员还通过门诊随访或电话随访的方式，密切关注患者出院后 1 年内是否发生房颤，就像侦探追踪线索一样，不放过任何一个细节。
经过一系列严谨的数据分析，研究人员发现了重要线索。在单因素回归分析中，男性、吸烟、糖尿病（Diabetes Mellitus，DM）、WBC、中性粒细胞（Neutrophil，NEUT）、淋巴细胞（Lymphocyte，LYMPH）、肌酐（Serum Creatinine，Scr）、空腹血糖（Fasting Blood Glucose，FBG）、脂蛋白 (a) [Lipoprotein (a)，Lp (a)]、糖化血红蛋白（Glycated Hemoglobin A1c，HbA1c）、中性粒细胞与淋巴细胞比值（Neutrophil-to-Lymphocyte Ratio，NLR）和甘油三酯 - 葡萄糖（Triglyceride Glucose，TyG）指数等，都被认为是房颤发生的潜在危险因素。
为了进一步确定哪些因素是真正的 “幕后黑手”，研究人员又进行了多因素逻辑回归分析，并通过方差膨胀因子（Variance Inflation Factor，VIF）分析排除了共线性的干扰。最终发现，男性、Lp (a)、HbA1c、NLR 和 TyG 指数是高血压患者出院后 1 年内发生房颤的独立危险因素。
基于这些发现，研究人员构建了一个房颤风险预测列线图模型。这个模型就像一个精准的 “预测器”，通过对不同生物标志物水平的综合分析，能够预测高血压患者出院后 1 年内房颤的发生风险。在训练集和验证集中，这个模型都表现出色，训练集的受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）下面积（Area Under Curve，AUC）达到了 0.793，验证集的 AUC 也有 0.740，校准曲线也显示模型拟合良好。这意味着，这个模型能够较为准确地预测房颤风险，为临床医生提供了有力的决策支持。
这项研究成果意义重大。它明确了高血压患者出院后 1 年内房颤发生的独立危险因素，让临床医生对房颤的风险评估有了更清晰的认识。基于这些危险因素构建的列线图模型，具有较高的预测准确性，能够帮助医生提前识别出房颤高风险患者，从而采取个性化的管理策略，进行早期干预，预防房颤的发生和发展，降低患者发生不良心血管事件的风险，提高患者的生活质量和预后。
在研究过程中，研究人员主要采用了以下关键技术方法：首先是样本选择与数据收集，选取徐州医科大学第二附属医院心内科住院的高血压患者，收集患者基本信息、病史和多项实验室检查数据。其次，运用统计分析软件 SPSS 27.0 和 R 4.3.1 进行数据分析，通过单因素回归分析筛选潜在危险因素，利用 VIF 分析排除共线性，多因素逻辑回归确定独立危险因素，最后用 R 语言构建列线图模型，并通过 ROC 曲线和校准曲线评估模型性能。
研究结果主要分为以下几个方面：
- 基线特征：通过对比出院后 1 年内发生房颤和未发生房颤的患者发现，发生房颤的患者 WBC、NEUT、LYMPH、Scr、FBG、TG、Lp (a)、HbA1c、NLR 和 TyG 指数水平更高，且更可能是男性、吸烟者和糖尿病患者。这表明这些因素可能与房颤的发生存在某种联系。
- 因素分析：单因素逻辑回归分析找出多个潜在风险因素，多因素逻辑回归在排除共线性影响后确定了男性、Lp (a)、HbA1c、NLR 和 TyG 指数为独立危险因素。这进一步明确了房颤发生的关键影响因素。
- 列线图模型评估：构建的列线图模型在训练集和验证集的 ROC 曲线下面积分别为 0.793 和 0.740，校准曲线显示拟合良好。这说明模型具有良好的预测能力和可靠性。
研究结论表明，男性、Lp (a)、HbA1c、NLR 和 TyG 指数是高血压患者出院后 1 年内房颤发生的独立危险因素，利用这些指标进行出院后风险评估，对改善患者长期预后具有重要意义。
在讨论部分，研究人员指出，代谢异常与心血管疾病之间存在复杂而紧密的联系。例如，Lp (a) 水平升高可能通过促进心房心肌纤维化、电生理异常和心房结构重塑增加房颤风险；胰岛素抵抗会诱导心肌细胞功能和结构改变，增加心律失常风险，而 TyG 指数可反映胰岛素抵抗。同时，炎症也是心律失常的独立危险因素，NLR 作为炎症指标，在房颤风险评估中具有重要价值。此外，研究还强调了性别差异在房颤风险评估中的重要性，虽然男性房颤总体发病率较高，但女性高血压患者在高血压背景下更易发生房颤。
然而，这项研究也存在一些局限性。研究基于回顾性数据，可能存在一定偏差；单中心研究样本量有限，限制了研究结果的普遍性；研究无法确定房颤发作的持续时间，可能导致低估房颤风险；亚临床或阵发性房颤病例可能因无典型症状而漏报，影响对房颤真实发病率的评估。
尽管存在不足，但这项研究为高血压患者房颤风险的评估和防治提供了新的思路和方法。未来，需要进一步开展大规模、多中心的前瞻性研究，完善对房颤风险因素的认识，优化预测模型，为临床实践提供更有力的支持，让更多患者受益。 】
