编辑推荐：
心血管疾病是全球主要死因，给医疗系统带来沉重负担。为探究脉搏压力指数（PPI）与老年心血管疾病结局的关系，研究人员分析了 1999 - 2018 年美国国家健康和营养检查调查数据。结果发现 PPI 与全因及心血管死亡率正相关，且对冠心病有预测价值，为老年心血管疾病防治提供新方向。
心血管疾病如同高悬在人类健康头顶的 “达摩克利斯之剑”，时刻威胁着人们的生命安全，是全球当之无愧的 “头号健康杀手”。随着全球老龄化进程的加速，老年人的生理机能逐渐衰退，心血管疾病的患病率如 “雨后春笋” 般不断攀升，其中冠心病（Coronary Heart Disease，CHD）和高血压尤为突出。在评估心血管健康的众多指标中，脉搏压力（Pulse Pressure，PP）虽常用，但存在明显缺陷。它独立于绝对血压，个体间可比性差，且在同一人体内波动较大，就像一个不稳定的 “信号兵”，难以可靠地预测动脉粥样硬化的进展。而脉搏压力指数（Pulse Pressure Index，PPI）作为一个新兴指标，从弹性腔理论衍生而来，变化幅度较小，理论上能更稳定地评估血管顺应性和心血管疾病结局。然而，其临床应用价值却一直未得到充分挖掘。
为了填补这一研究空白，温州医科大学附属第二医院、育英儿童医院心内科的研究人员展开了深入研究。他们从美国国家健康和营养检查调查（National Health and Nutrition Examination Survey，NHANES）1999 - 2018 年的数据中筛选出 10796 名 65 岁以上的参与者，进行了一系列分析。研究成果发表在《BMC Cardiovascular Disorders》杂志上，为心血管疾病研究领域带来了新的曙光。
研究人员主要采用了以下关键技术方法：首先，以 NHANES 调查数据为样本来源，获取丰富的人口统计学特征、疾病史及各项生理指标数据。其次，运用 Cox 比例风险模型、限制立方样条分析等统计学方法，探究 PPI 与死亡率之间的关联。最后，采用随机森林分类器（Random Forest，RF）、极端梯度提升分类器（eXtreme Gradient Boosting，XGBoost）和逻辑回归（Logistic Regression，LR）三种机器学习算法构建冠心病预测模型，并通过 5 折交叉验证和贝叶斯优化选择模型超参数 。
研究结果主要从以下几个方面展开：
- 参与者基线特征：研究发现，PPI 水平在年龄较大、女性、受教育程度较低、独居、患有糖尿病、冠心病和中风的人群中往往更高。而且，随着 PPI 升高，舒张压和平均动脉压下降，高血压、收缩压和脉压的患病率增加，同时全因死亡率和心血管死亡率也逐渐上升1。
- PPI 与死亡率的关系：通过 Cox 比例风险模型分析显示，PPI 与全因死亡率和心血管死亡率均呈显著正相关。在调整了多种潜在混杂因素的 Model 3 中，与 PPI 最低四分位数相比，最高四分位数的全因死亡率风险增加 28% ，心血管死亡率风险增加 36%。限制立方样条曲线分析还揭示了 PPI 与死亡率之间存在非线性关系，参考值为 0.50234。
- 亚组分析：对不同性别、血清肌酐浓度、吸烟状况以及高血压、糖尿病和中风病史的人群进行亚组分析后发现，除了全因死亡率的吸烟亚组存在显著交互作用外，其他亚组中 PPI 对心血管系统的影响大小保持稳定5。
- PPI 与冠心病的关系：调查加权逻辑回归结果表明，PPI 与冠心病之间存在关联。在完全调整模型中，PPI 最高水平与最低水平相比，冠心病风险增加 30%6。
- 机器学习预测模型：在三种机器学习模型中，RF 模型表现最佳，其曲线下面积（Area Under the Curve，AUC）为 0.667 ，平均精度得分（Average Precision Score，APS）为 0.196。在 RF 模型中，血清肌酐（Scr）、PPI、高密度脂蛋白（HDL）等是预测冠心病的重要特征7。
研究结论表明，在老年人群中，PPI 与心血管疾病结局（包括全因死亡和心血管死亡）之间存在显著正相关。而且，通过机器学习构建的预测模型显示，PPI 对老年冠心病具有潜在的预测价值。这一研究成果意义重大，PPI 作为一个非侵入性的动态监测指标，有助于及时发现老年患者的健康问题，为老年心血管疾病的早期筛查和预后管理提供了新的方向和依据。不过，该研究也存在一定局限性，如仅针对老年人群，缺乏外部验证，机器学习模型的变量选择和因果关系探究还需进一步深入研究等。但这并不影响其为后续心血管疾病研究开辟新道路，未来研究可在此基础上进一步拓展和完善，为攻克心血管疾病难题提供更多有力支持。
