神经网络对老年冠心病患者发生冠脉支架内再狭窄的初步研究预测

神经网络对老年冠心病患者发生冠脉支架内再狭窄的初步研究预测
沈蕾，廖敏蕾
上海市第一人民医院宝山分院心血管内科，上海200940
[摘要]目的探讨老年冠心病患者发生经皮冠状动脉介入治疗（percutaneous coronary intervention，PCI）术后支架内再狭窄(in-stent restenosis，ISR)的危险因素，并利用多层感知器神经网络分析、学习和预测冠状动脉ISR。

方法随访93例有PCI手术史的老年患者（年龄≥65岁），用简单随机化分组抽取其中76例患者作为训练组，17例作为预测组。

对93例患者的年龄、PCI术后年份、原有冠脉病变血管数、支架长度、支架内径、糖化血红蛋白（HbA1c）、低密度脂蛋白（LDL-C）、高密度脂蛋白（HDL-C），脂蛋白a、尿酸（UA）进行非条件Logistic回归分析，总结出有统计学意义的因素，并对预测组进行预测。

再使用多层感知器神经网络学习训练组，建立与ISR之间的隐性联系模型，寻找重要的变量。

最后，利用多层感知器神经网络预测预测组中17例老年冠心病患者PCI手术后是否会发生ISR，比较两种预测结果并进行评估。

结果非条件Logistic回归分析结果表明，PCI术后ISR患者和无ISR患者，原植入支架的内径具有显著差异，支架内径越小，发生ISR概率越高(=0.004)；PCI术后随着时间的推移，发生ISR的概率有明显增高（=0.012）;存在多支病变的患者发生ISR比例明显高于单支病变的患者，两者具有显著差异(=0.037)；ISR 患者的HbAlc水平明显增高，与无ISR的患者比较，两者具有显著差异(=0.026)。

多层感知器神经网络模型的变量重要程度表中，HbA1c为最为重要，其次为脂蛋白a，第三为支架直径。

用多层感知器神经网络预测测试组中会发生ISR的正确率为82.4%，高于逻辑回归预测的76.5%。

多层感知器神经网络预测结果更令人满意。

结论支架直径、多支病变、术后年份、HbA1c、脂蛋白a对冠状动脉ISR具有显著性影响。

使用多层感知器神经网络模型预测冠状动脉ISR 的发生正确率更高。

[关键词]老年；经皮冠状动脉介入治疗；支架内再狭窄；冠状动脉粥样硬化性心脏病；多层感知器神经网络；
A preliminary Study of Neural Network To Predict Coronary In-Stent Restenosis in Elderly Patients with Coronary Heart Disease
Shen Lei,Liao Minlei
Department of Cardiology,Baoshan Branch,First People's Hospital of Shanghai City,Shanghai,200940,P.R.China
[ABSTRACT]Objective To investigate the risk factors of in-stent restenosis(ISR)in elderly patients with coronary artery disease after percutaneous coronary intervention(PCI)and to analyze,learn and predict coronary artery ISR with multi-layer perceptron neural network.Methods93elderly patients(aged over65)with a history of PCI were followed up,and76ones of them were randomly selected as the training group and17ones as the prediction group.The age of93pa-tients,the years after PCI,the lesions of original coronary artery,the length of stent,the diameter of stent,level of HbA1c, LDL-C,HDL-C,lipoprotein A and UA were analyzed by non-conditional logistic regression.The statistically significant factors were summarized and used for prediction of prediction group.The implicit connection model with ISR was established in order to look for important variables.Finally,the multi-layer perceptron neural network was used to predict whether in-stent restenosis would occur in the prediction group after PCI.The two prediction results were evaluated and compared each other.Results The results of non-conditional logistic regression analysis showed that there was significant difference in the diameter of original stent between the patients with and without in-stent restenosis after PCI.The smaller the diameter of stent, the higher the probability of in-stent restenosis=0.004).The probability of in-stent restenosis increased significantly with
time after PCI(=0.012).The incidence of restenosis in patients with multi vessel disease was significantly higher than that in patients with single vessel disease(=0.037).The glycated hemoglobin level in patients with stent restenosis was significantly higher than that in patients without stent restenosis(=0.026).HbA1c was the most important variable in the multiplayer per-ceptron neural network model,followed by lipoprotein A and stent diameter.The accuracy of predicting the occurrence of ISR in the prediction group with multilayer perceptron neural network is82.4%,which is higher than that of logistic regression prediction76.5%.Conclusions Stent diameter,multi-vessel lesion,postoperative time,HbA1c,lipoprotein A have significant effects on coronary ISR.The multilayer perceptron neural network model is more accurate in predicting the occurrence of cor-onary ISR.
[KEYWORDS]elderly;percutaneous coronary intervention;in-stent restenosis;coronary atherosclerotic heart disease;
multilayer perceptron neural network
经皮冠状动脉支架植入术（percutaneous coronary intervention，PCI）是进行冠状动脉血运重建的重要方法，它降低了急性心肌梗死患者的死亡率，改善了心绞痛患者的预后，能够提高缺血型心肌病患者的生活质量。

然而，有研究表明，冠心病患者中冠状动脉置入支架术后发生再狭窄(in-stent restenosis,ISR)的比例较高，影响患者的远期预后[1]。

目前认为PCI术后冠脉ISR形成的影响因素较多，其中支架的长度、直径、患者年龄、性别、吸烟史、糖尿病、低密度脂蛋白（LDL-C）、高密度脂蛋白（HDL-C）、高血压和抗血小板药物的选择是研究重点[2]。

老年冠心病患者由于年龄、血糖和血脂代谢异常、高血压发生率高等因素，冠脉ISR的发生率更高[3]。

对影响因素的讨论大多通过总结临床经验和统计学分析的方法。

未曾使用神经网络这一成熟而可靠的分析方法，并预测PCI 术后是否发生ISR。

神经网络的预测分析已在生物医学领域广泛应用[4]。

本研究利用非条件Logistic回归分析和多层感知器神经网络对老年冠脉ISR进行影响因素分析和预测。

为接受PCI治疗的患者术后是否发生ISR提供可靠预测，从而为手术方案和预测未来ISR概率提供建议。

资料与方法
一般资料纳入2018年1月—2019年10月期间上海市第一人民医院宝山分院心内科收治的93例已行PCI术后并再次行冠脉造影复查的患者，年龄≥65岁。

临床病历资料，纳入标准：（1）年龄≥65岁；（2）均已接受过冠状动脉支架介入手术且手术后已超过90d 的患者；（3）接受复查冠脉造影检查；（4）规律服用常规剂量的双抗血小板药物+他汀类药物；（5）患者及家属知情同意并签署知情同意书。

必须满足以上所有条件入选。

排除标准：（1）因疾病原因（出血、肝功能异常）或依从性差并没有规律服用常规剂量的双抗血小板药物+他汀类药物；（2）首次PCI术中存在可能的技术操作因素导致术后90d内出现ISR的患者；（3）因合并有其它可能影响本研究结果的疾病，如肿瘤、栓塞、风湿免疫类疾病等；（4）随访资料不
全者。

满足其中之一项即排除。

检查首先对93例接受过PCI治疗的老年患者进行随访，记录10项因素分别是:年龄、PCI术后年份、原有冠脉病变血管数、支架长度、支架内径、糖化血红蛋白（HbA1c）、LDL-C、HDL-C，脂蛋白a、
尿酸（UA）。

受试者均接受复查造影，并知情同意。

研究方
法
逻辑分析方法随机抽取其中76例作为练习
组，17例为测试组，用非条件Logistic回归得出具有
显著性影响发生术后冠脉ISR的因素。

应用SPSS24.0
统计软件，将患者10个危险因素与其PCI术后90d
术后再出现的ISR程度进行非条件Logistic回归分析，
<0.05为差异有统计学意义。

多层感知器神经网络分析预测神经网络(ar-
tificial neural network，ANN)是建立在现代神经生
物学研究基础上一种计算机结构和系统，它反映出人
脑某些特性。

神经网络采用训练和学习的方式，通过
比较输出层各个神经元的实际输出与期望输出，获得
二者之间的误差，然后按照减小误差的方向，从输出
层经各个隐含层并逐层修正各个连接权值，最后回到
输入层。

从而不断提高对输入模式识别的正确率，进
而可以用于预测发生概率[5]。

先利用练习组76例患
者的10项变量构建多层感知器神经网络，寻找其中
重要的变量，再对另外17例PCI术后患者进行是否
发生ISR的预测，比较两种预测结果并对预测结果进
行评估。

结果
一般资料93例PCI术后的老年患者，年龄65~88
岁，平均年龄（71.7+3.4）岁，其中女性22例，男
性71例。

未发生ISR的患者，年龄65~86岁，平均
年龄（72.1+3.8）岁，发生ISR的患者，年龄65~88
岁，平均年龄（70.7+2.9）岁，两者差异无统计学意
义（>0.05）。

逻辑分析统计分析结果当前模型的对数似然比
值=42.228a，Cox&Snell R方=0.464lkerke R方=.
670同角度反映了当前模型自变量解释因变量的变异
占因变量总变异的比例。

见表1。

卡方为3.145，对
应的显著性水平为0.925，故认为模型效果较好。

见
表2。

表模型摘要
步骤-2对数似然考克斯-斯奈尔R方内戈尔科R方
142.228a0.4640.670
注：a.由于参数估算值的变化不足0.001，因此估算在第7次迭
代时终止
表霍斯默-莱梅肖检验
步骤卡方自由度显著性
1 3.1458
0.925
PCI术后年份与因变量类别为1的概率在5%
的显著水平下的回归系数为0.579，表明PCI 术后年份对因变量：类别为1的概率有显著的促进作用。

见表3。

几支病变与因变量类别为1的概率在5%的显著水平下的回归系数为1.526，表明几支病变对因变量：类别为1的概率有显著的促进作用。

见表3。

支架直径与因变量类别为1的概率在5%的显著水平下的回归系数为-6.423，表明支架直径对因变量：类别为1的概率有显著的抑制作用。

见表3。

HbA1c 与因变量
类别为1的概率在5%的显
著水平下的回归系数为1.125，表明HbA1C 对因变量：类别为1的概率有显著的促进作用。

见表3。

ISR 患者和无ISR 患者的原支架植入内径具有显著差异，支架内径越小，发生ISR 概率越高(=0.004)；PCI 术后随着时间的推移，发生ISR 的概率有明显增高（=0.012）；存在多支病变的患者发生ISR 比例明显高于单支病变的患者，两者差异有统计学意义(=0.037)；发生ISR 患者的HbAlc 水平明显增高，与无ISR 的患者比较，两者差异有统计学意义(=0.026)。

基于神经网络的冠状动脉CSR 的分析及预测结
果神经网络的冠状动脉CSR 的分析及预测结果总有93个样本，其中训练组为76个，测试组为17个。

均为有效样本。

见表4。

表
个案处理摘要
样本个案数百分比（%）
样本有效排除
训练检验
7617930
81.7
18.3100.00
本研究中按照神经网络的基本原理，将训练组
的76例随访患者的这些影响因素的数据作为输入量，以患者对应的冠状动脉ISR 程度作为输出量，构建并训练神经网络，实现模型可对冠状动脉ISR 的预测效果。

其余17例PCI 术后的老年患者用于对预测结果的评估。

本研究使用SPSS 24.0版本进行多层感知器神经网络的构建。

从表5和图1可以看出：神经网络模型分为2层，其中各自的参数如上表，年龄对第一个节点H (1∶1)的权重为-0.218，对第2个节点H (1∶2)的权重为-0.244，对第3个节点H (1∶3)的权重为-0.351。

后面的变量一样。

表
参数估算值
预测变量
预测
隐藏层1
H(1∶1)H(1∶2)H(1∶3)
输出层[类别=0.00][类别=1.00]
输入层（偏差）年龄
PCI 术后年份几支病变支架长度支架直径HbA1c
UA
脂蛋白a HDL-C LDL-C 0.532-0.218.030E-50.371-0.532-0.022-0.1670.193-0.308-0.306-0.673
-0.197-0.244-0.0350.8450.065-0.4010.1680.210-0.1210.037-0.144
0.340-0.3510.1030.025-0.640-0.0520.0400.3340.104-0.1000.387
隐藏层1（偏差）H (1:1)H (1:2)H (1:3)
0.564-0.016-0.574-0.413
-0.391-0.2230.4170.019
表
方程中的变量
变
量
标准误差瓦尔德自由度显著性Exp()EXP()的
95%下限上限步骤1
年龄
PCI 术后年份几支病变支架长度支架直径HbA1c UA
脂蛋白a HDL-C LDL-C 常量
0.0110.5791.5260.018-6.4231.1250.0070.002-2.004-1.0454.024
0.0700.2310.7330.0232.2390.5050.0050.0021.9720.8268.963
0.0246.2824.3320.6308.2314.9571.9881.7501.0331.6010.202
11111111111
0.8770.0120.0370.4270.0040.0260.1590.1860.3090.2060.653
1.0111.7834.6001.0180.0023.0801.0071.0020.1350.35255.908
0.8811.1341.0930.9740.0001.1440.9970.9990.0030.070
1.160
2.80419.3551.0650.1318.2921.0161.0056.4311.774
图多层感知器神经网络
表6变量的重要程度表可以看出：HbA1c为最为重要，其次为脂蛋白a，第三为支架直径。

表自变量重要性自变量重要性正态化重要性
（%）
年龄
PCI术后年份几支病变
支架长度
支架直径HbA1c
UA
脂蛋白a HDL-C
LDL-C 0.028
0.082
0.032
0.132
0.064
0.238
0.079
0.170
0.077
0.099
11.9
34.3
13.3
55.7
26.8
100.0
33.2
71.6
32.3
41.4
预测结果的评估通过构建多层感知器神经网
络模型可实现对冠状动脉ISR的预测效果，并对预测
作出评价。

单次预测正确与否并不能正确反映模型的
预测性能，必须考查多次预测的情况。

预测的结果
可以用(0-1)分布的随机变量来描述，见图2。

变量的重要程度表可以看出：HbA1c为最为重
要，其次为脂蛋白a，第三为支架直径。

通过对比正
确率：神经网络82.4%高于逻辑回归76.5%。

见表7
和表8。

图预测的结果可以用(0-1)分布的随机变量来描述
表多层感知器神经网络分类表
样本
预测
0.00 1.00
正确百分比
（%）
训练
检验
0.00
1.00
总体百分比（%）
0.00
1.00
总体百分比（%）
51
11
81.6
11
3
82.4
4
10
18.4
3
17.6
92.7
47.6
80.3
100.0
50.0
82.4
因变量：类别
表非条件Logistic回归分析分类表
实测
预测
选定的个案
类别
0.00 1.00
正确百分比
（%）
未选定的个案
类别
0.00 1.00
正确百分比
（%）
步
骤
1
类0.00
别1.00
总体百分比
50
8
5
13
90.9
61.9
82.9
10
3
1
3
90.9
50.0
76.5
讨论
ISR的机制和防治已成为冠脉介入治疗领域探讨
的热点[6]。

本研究选取93例老年患者病例作为样本，
以确定冠状动脉ISR的影响因素。

经过二元Logistic
回归分析，PCI术后年份、多支病变、支架直径、
HbA1c在无ISR患者与ISR患者间<0.05，差异具
有统计学意义。

本研究利用多层感知器神经网络构建
预测模型，预测结果效果令人满意:会发生ISR确诊
率在82.4%，高于非条件Logistic回归预测;因此，
可以用来预测患者是否发生远期ISR的可能性。

然偏差
年龄
PCI术后
年份
原有冠脉
病变血管数
支架长度
支架直径
HbAlc
UA
脂蛋白a
HDL-C
LDL-C
偏差
H（1∶1）
H（1∶2）
H（1∶3）
类别1=0.0
类别1=1.0
隐藏层激活函数：双曲正切
输出层激活函数：soft max
突出权重>0
突出权重<0
HbAlc
脂蛋白a
支架长度
LDL-C
PCI术后年份
UA
HDL-C
支架直径
几支病变
年龄
而，本研究中尚存在一些不足，本研究中，首先样本量仅为93例，在训练神经网络时，训练样本量较少导致其预测的准确率降低。

作为AI 神经网络学习技术，通常需要大量的数据，才能减少误差，如能扩大病例数，将更有临床实用价值。

其次，本研究仅构建了SPSS 多层感知神经网络，得出的重要自变量与非条件Logistic 回归预测中的差异变量并不一致，也并没有与其他神经网络模型作为对比，考虑可能还有其他更优的神经网络模型。

此外综上，在下一步的工作中，应增加冠状动脉支架植入术患者的随访数据，建立起大样本影响因素与最优神经网络的关系，弥补小样本集和模型的不足。

本研究通过对93例PCI 的老年患者进行随访分析，从10种可能影响冠状动脉ISR 的因素中得出，支架直径、多支病变、术后年限、HbA1c 、载脂蛋白(a)与是否发生冠状动脉ISR 密切相关。

支架直径小，导致血流阻力增加，降低血流速度，脂质更容易沉积，促进支架内膜增生，导致ISR 。

Jennifer Huisman 等[7]研究认为,冠状动脉多支病变是ISR 的相关因素之一。

ISR 患者中多支病变比例较非ISR 患者增高,提示对于多支病变的患者选择治疗时,需严格掌握PCI 指征，优化手术方案。

糖代谢障碍容易激活内皮炎症反应,是冠脉硬化的重要危险因素,长期的血糖控制不理想,将导致蛋白质糖基化及氧化过程加剧,促进支架内膜增生，最终易诱发ISR 。

脂蛋白a 属于胆固醇中含量较高的血浆脂蛋白，大量脂蛋白a 可导致冠脉硬化进展，诱导支架内ISR 。

其他6种因素有待进一步研究。

ISR 的机制目前尚不完全清楚，故基于此
建立了神经网络模型，对冠状动脉是否发生ISR 进行预测。

预测结果良好，可应用于老年冠心病患者的介入手术决策及术后远期的预后评估。

参考文献
[1]
张长将,张定国,沈网扣.高龄冠心病患者行部分血运重建
介入治疗的近、远期疗效[J].中国医药指南,2017,15(36):170-171.
[2]
何晓全,张婧薇,范琰,等.老年患者冠状动脉介入术后再次血运重建相关因素分析[J].中国介入心脏病学杂志,2017,25(10):550-556.
[3]
Mohr FW,Morice MC,Kappetein
AP,.Coronary artery bypass graft surgery versus percutaneous coronary intervention in patients with three-vessel disease and left main coronary dis-ease:5-year follow-up of the randomised,clinical SYNTAX trial [J].Lancet,2013,381(9867):629-638.[4]
Mohamed EI,Meshref RA,Abdel-Mageed
SM,.A novel morphological analysis of DXA-DICOM images by artificial neural networks for estimating bone mineral density in health and disease [J].J Clin Densitom,2019,22(3):382-390.[5]曹显庆,牟永阁.人工神经网络技术在医学研究中的应用[J].现代临床医学生物工程学杂志,2003,9(1):57-60.[6]
Moscarella E,Varricchio A,Stabile
E,.Bioabsorbable drug-eluting vascular scaffold for the treatment of coronary in-stent restenosis:a two center registry [J].Cardiovasc Revasc Med,2015,16(7):401-405.
[7]
Huisman J,van der Heijden LC,Kok
MM,.Two-year outcome after treatment of severely calcified lesions with newer-generation drug-eluting stents in acute coronary syndromes:A patient-level pooled analysis from TWENTE and DUTCH PE-ERS [J].J Cardiol,2017,69(4):660-665.
(收稿日期：2019-10-18）
（本文编辑：邓春光）
[12]Malta Hansen C,Wang TY,Chen
AY,
.Contemporary Patterns of Early Coronary Angiography Use in Patients With Non-ST-Segment Elevation Myocardial Infarction in the United States:Insights From the National Cardiovascular Data Registry Acute Coronary Treatment and Intervention Outcomes Network Registry [J].JACC Cardiovasc Interv,2018,11(4):369-380.[13]Ako J,Morino Y,Okuizumi K,et al.Japanese postmarketing
surveillance of clopidogrel in patients with non-ST-segment el-evation acute coronary syndrome,stable angina,old myocardial infarction,and ST-segment elevation myocardial infarction after percutaneous coronary intervention in a real-life setting:the final report (J-PLACE Final)[J].Cardiovasc Interv Ther,
2016,31(2):101-113.
[14]杨丽霞,郭瑞威.《中国经皮冠状动脉介入治疗指南(2016)》
指导急性冠状动脉综合征的临床实践[J].中国介入心脏病学杂志,2016,24(12):714-717.
[15]Ren L,Ye H,Wang P,et parison of long-term
mortality of acute ST-segment elevation myocardial infarction and non-ST-segment elevation acute coronary syndrome patients after percutaneous coronary intervention [J].Int J Clin Exp Med,2014,7(12):5588-5592.
（收稿日期：2020-03-20）
（本文编辑：邓春光）
（上接第463
页）。