队列建立与样本采集
获取具有hs-cTnI测量和CCTA成像的参与者,用于评估hs-cTnI与CAD负担的关系。
从BioHEART-CT研究中纳入1,613名成人,收集基线人口统计学、临床指标,并在CCTA当日测量hs-cTnI。
Utility of high-sensitivity cardiac troponin I normalized to left ventricular mass in detection of stable coronary artery disease
包含1,613例患者队列、CT与超声心动图影像分析、多变量逻辑回归及贝叶斯误差变量模型,进行了功能验证和内部交叉验证。
BioHEART-CT队列(1,613名成人) CT-derived左心室质量测量 超声心动图亚组(n=359)
hs-cTnI测量采用Abbott ARCHITECT i1000和Beckman Access 2分析仪 CT冠状动脉钙化评分(CACS)基于Agatston方法 左心室质量通过TotalSegmentator自动分割计算 模型3包含hs-cTnI×LVM、hs-cTnI×肌酐及年龄、性别交互项 内部验证采用分层五折交叉验证和贝叶斯误差变量模型
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取具有hs-cTnI测量和CCTA成像的参与者,用于评估hs-cTnI与CAD负担的关系。
从BioHEART-CT研究中纳入1,613名成人,收集基线人口统计学、临床指标,并在CCTA当日测量hs-cTnI。
定量评估冠状动脉粥样硬化负担,包括钙化与非钙化斑块。
使用标准临床方案进行CCTA,计算CACS、Gensini评分和非钙化斑块评分。
测量左心室质量(LVM)以评估其对hs-cTnI水平的影响。
使用TotalSegmentator自动分割CT图像计算左心室体积,再乘以心肌比重得到LVM;通过超声心动图验证。
确定hs-cTnI的最佳截断值,并构建多变量模型以改善临床可干预CAD的预测。
使用Youden指数确定最佳截断值,构建三个逐步逻辑回归模型(单独hs-cTnI、加入LVM交互、加入肾功能和年龄、性别交互),并评估AUC。
在考虑低浓度测量误差的情况下,验证最终模型的判别性能和校准。
开发贝叶斯误差变量逻辑回归模型,将潜在log-肌钙蛋白作为未知参数,传播测量误差,并进行内部交叉验证。
比较通用CT筛查与基于hs-cTnI分诊的两阶段筛查策略的诊断效率。
计算通用筛查和序贯筛查的敏感性、特异性、诊断产出、需筛查人数等指标,并进行决策曲线分析。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| hs-cTnI检测 | 雅培ARCHITECT i1000分析仪 | Abbott Diagnostics | -- |
| 贝克曼Access 2分析仪 | Beckman Coulter | -- | |
| 心肌质量分割 | TotalSegmentator | -- | -- |
| 图像查看 | 3D Slicer | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| hs-cTnI测量 | 使用Abbott ARCHITECT i1000和Beckman Access 2分析仪,检测限为0.1 ng/l 阅读提示:Methods部分:Hs-cTnI assay |
| CT成像 | 标准临床方案,CACS按Agatston方法计算,CACS≥100定义为临床可干预CAD 阅读提示:Methods部分:Coronary CT angiography和CCTA disease severity scores |
| 心肌质量测量 | 使用TotalSegmentator自动分割,LVM=1.05×LV体积,超声心动图验证 阅读提示:Methods部分:Myocardial mass estimation |
| 统计模型 | hs-cTnI最佳截断值2.3 ng/l,模型3包含hs-cTnI×LVM、hs-cTnI×肌酐、年龄和性别交互项 阅读提示:Methods部分:Statistical analysis和Bayesian uncertainty modeling |
| 两阶段筛查策略 | 序贯筛查使用调整后的hs-cTnI模型,阳性者进行CT CACS 阅读提示:Results部分:Utility in clinical practice,图3 |