目的  建立并运用数学模型筛选超声二维斑点显像技术检测左室旋转/扭转运动改变的敏感指标，初步探讨其诊断心功能不全的应用价值。

    方法  心功能不全患者24例和正常健康志愿者32例，分别获取左室二尖瓣口水平和心尖水平短轴观图像。测量各短轴观图像在标化时间点处的旋转角度，并依此计算出各标化点处的左室扭转角度。同步记录左室扭转峰值、心尖旋转峰值、心底旋转峰值、收缩末期左心室扭转值、收缩末期心尖旋转值、收缩末期心底旋转值，采用Logistic逐步回归，筛选、鉴别诊断心功能不全患者左室旋转/扭转的相关指标，建立相应数学模型—回归方程；对筛选指标绘制ROC曲线并获得界值。

    结果 心功能不全患者收缩期左室心尖与二尖瓣口水平短轴观的旋转角度峰值及左室扭转角度峰值均显著低于正常组（p<0.05）；第一步自变量收缩末期左室扭转角度χ₁(LVtor-at-AVC)入选，方程分类能力达75.00，第二步自变量左室扭转峰值χ₂(Peak LVtor)入选，方程分类能力达85.7，且LVtor-at-AVC在方程中的作用大于Peak LVtor。ROC评价显示LVtor-at-AVC和Peak LVtor的ROC曲线偏左上角，其曲线下面积分别为0.891和0.797。对应界值分别为LVtor-at-AVC =9.15°和Peak LVtor=11.02°，其诊断心功能不全敏感性、特异性分别为81.25、83.34和75、 91.67°。

    结论  运用斑点追踪成像技术（speckle tracking imaging，STI)显示心功能不全患者时LVtor-at-AVC可敏感评价收缩期左室扭转形变。

 

    新近出现的超声斑点追踪显像技术（speckle tracking imaging STI）可计算心脏的旋转运动，为心脏运动力学与心肌运动形变之间的联系提供了一种全新的定量评价方法^[1-3]。研究结果表明心功能不全组与正常对照组在扭转峰值(Peak LVtor)、心尖旋转峰值(Peak apical rotation PAR)、心底旋转峰值(Peak basal rotation PBR)、收缩末期左室扭转值(LVtor-at-AVC)、收缩末期心尖旋转值(apical rotation at AVC AR-at-AVC)和心底旋转值(basal rotation at AVC BR-at-AVC)间差异有统计学意义^[45]。目前评价心功能不全心室旋转/扭转时尚无一种公认的敏感而特异的指标。本研究旨在应用STI技术对心功能不全患者左室扭转形变特征进行显像，结合应用Logistic回归与ROC曲线，建立数学模型筛选和确立能准确评价心功能不全患者心室扭转改变的特异参数。

 

 

    一、研究对象

    选择2006年10月至2006年12月在我院住院或门诊就诊的慢性心功能不全患者24例，男14例，女10例；年龄38~77岁，平均(55.31±11.41)岁，均经临床、病史、部分经冠状动脉造影或心肌活检确诊。入选标准：按纽约心脏病学学会（NYHA）心功能分级，Ⅰ级20例，Ⅱ级4例。24例中高血压性心脏病10例缺血性心脏病8例，病毒性心肌炎2例，扩张型心肌病4例，左室舒张末内径（LVEDD）>55mm，左室射血分数（LVEF）<45。排除标准:呼吸急促、起搏器植入、心房纤颤、频发期前收缩等。正常对照组：健康志愿者32例，男18例，女14例；年龄35~75岁，平均(50.43±7.31)岁，均经心电图、常规超声心动图检查确诊，无高血压、冠心病等器质性心脏病史。

 

    二、仪器与方法

    １、仪器： GE Vivid 7 Dimension 彩色多普勒超声成像仪，M3S探头，频率1.5～4.0MHz。EchoPAC多参数分析工作站。

    ２、超声检查

    ①超声二维切面数据获取：　受检者取左侧卧位，同步记录心电图。显示清晰的胸骨旁左室长轴观、左室短轴二尖瓣水平、乳头肌水平及心尖水平观、心尖四腔、两腔及左室长轴观图像。图像帧频>50帧/s，系列左室短轴成像时显示标准的左室短轴切面。乳头肌水平和心尖水平图像定义为舒张末期心尖四腔观上左室长径上、下1/3处的短轴切面。检查时嘱受检者深吸气后屏气于呼气末，获取心率稳定的连续3个心动周期的动态图像并储存，行脱机后分析。

    ②STI与参数选择：将原始图像导入工作站进行分析。在胸骨旁左室长轴观测量左房收缩末期内径、左室舒张末期内径、室间隔及左室后壁厚度；双平面Simpson法测量左室射血分数(EF)。双平面周期的动态原始？

    左室旋转及扭转分析步骤如下：选取清晰的系列短轴观图像，在收缩末期仔细勾画左室心内膜后，系统通过斑点追踪技术自动勾画出包括心内膜、中层和心外膜解剖结构在内的感兴趣区(ROI)，手工调整感性趣区至适合室壁厚度的宽度，然后选定Processing键，系统自动将左室壁分为六个节段，并分别对室壁各节段追踪效果进行评分，追踪满意者评为V，追踪不满意评为X，选取所有节段均为V的短轴图像进行后续分析。选定Approve键后，系统自动计算出各节段室壁的旋转角度、旋转率等参数。记录左室各短轴观中室壁各节段顺时针和逆时针旋转峰值，以及AVC点对应的旋转值。左室短轴水平的旋转为短轴水平六个节段室壁旋转角度的均值；左室扭转为心尖旋转与心底旋转的差值。以上所有测值均取3个心动周期平均值，时间参数均采用心率标化。

 

    三、统计学分析

    采用SPSS13.0统计分析软件，测量数据以均数表示。两组均数比较使用t检验。所有数据在t检验前行正态性检验和方差齐性检验，若不齐改为秩和检验。使用Binary Logistic对两组间差异有统计学意义的心肌旋转及扭转参数进行逐步回归分析，筛选诊断慢性心功能不全的优质变量。运用前进法（forward selection），α入=0.1、α出=0.15。建立Logistic回归方程，对自变量作Wald或记分检验(score test)回归方程作拟合优度X²检验。再使用ROC过程，以筛选的变量作为检验变量，以临床诊断结果为状态变量，分别对入选变量绘制ROC曲线，确定各指标的界值。

 

   

    一、常规超声心动图测量结果比较

    心功能不全组与正常组比较，年龄、体质量、身高、室壁厚度差异均无统计学意义；左房前后径(p<0.001)、左室前后径(p<0.001))、射血分数(p<0.001)差异有统计学意义（表1）。

 

    二、正常对照组与心功能不全组患者左心室旋转与扭转测值比较

    心功能不全组患者左心室心底、心尖水平短轴观旋转峰值角度和左室扭转峰值，收缩末期其旋转角度和左室扭转角度均小于正常组，两组间差异均有统计学意义。

 

    三、Logistic回归模型建立和变量筛选

    结果表明，第一步自变量LVtor-at-AVC入选，方程分类能力达75.00；第二步自变量Peak LVtor入选，方程分类能力达85.7；
    ①自变量Wald检验(p=.030p=0.0900)差异有统计学意义；未入选变量作记分检验，PAR、 PBR 、AR-at-AVC和 BR-at-AVC差异均无统计学意义（p＞0.15）。
    ②LVtor-at-AVC和Peak LVtor回归系数均为负值，且LVtor-at-AVC的标准回归系数绝对值大于Peak LVtor的标准回归系数绝对值（b’=-2.212 、b’=-1.262）。
    ③LVtor-at-AVC的优势比为0.548，优势比95.0可信区间（0.318，0.945）。扭转峰值的优势比为0.687，优势比95.0可信区间（0.445，1.060）。

    方程有效性经χ²检验，差异有统计学意义(χ²=23.69，P<0.0001)，方程有效。

 

    四、ROC曲线

    1 ROC曲线：计算扭转峰值和收缩末期扭转角度对心功能不全诊断的灵敏性、特异性及假阳性率后，根据不同截断点下灵敏性及假阳性率绘制ROC曲线（图2）。

    2 ROC曲线下面积：经ROC分析计算，扭转峰值和收缩末期扭转角度的ROC曲线下面积分别为0.797(95 CI: 0.62–0.97)和0.891(95 CI: 0.77–1.01)。曲线下面积分别和0.5比较非参数检验差异有统计学意义（p=0.008p<0.001）。

    3 选择各曲线上最靠左上方的点，根据统计结果中各可能切点的灵敏度和特异度计算灵敏度特异度，最高值为临界值，从SPSS输出的表中查出具体值：收缩末期左室扭转角度=9.15°，左室扭转峰值=11.02°。界值处诊断心功能不全敏感性、特异性分别为81.25、83.34和75、 91.67（表5）。

 

 

    心功能不全在人群中占到2-5，老年人发病率更高，在出现心衰以前可无症状^[6]。目前有多种检查手段评价心功能不全，为临床提供有效的诊断依据^[7-10]。二维斑点追踪技术可判断局部心肌和心室整体形变能力，评价左心室整体收缩和舒张功能，且该技术成像时对声束无角度依赖，帧频较高时间分辨率好。近来研究表明STI 评价心功能不全患者左室旋转和扭转时有多个参数指标在病例组与对照组间差异存在统计学差异。本研究采用Logistic回归和ROC曲线的联合运用对各指标与心功能不全相关性进行综合分析。

 

    一、Logistic回归筛选变量

    Logistic回归是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法^[10]。自变量的数目较多时，为了使建立的Logistic回归模型比较稳定和便于解释，可以通过一定的方法将回归效果显著的自变量选入模型中，作用不显著的自变量则排除在外。本研究通过Logistic逐步回归分析进行变量筛选，最后选定收缩末期左室扭转角度和左室扭转峰值两个指标，并提示二者与心功能不全呈负相关。收缩末期左室扭转角度在评价心功能不全方面价值大于左室扭转峰值，原因尚不清楚。可能是收缩末期扭转角度体现在主动脉瓣关闭时左心室的扭转形变程度，这与心脏收缩功能紧密相连；而左室扭转峰值可以出现在收缩末期前后^[2、6]，与心脏收缩功能相关性稍差有关。本研究中，心尖旋转峰值、心底旋转峰值、收缩末期心尖旋转角度和心底旋转角度被排除在回归方程之外。是因为心肌扭转峰值和收缩末期扭转角度是通过心尖与心底旋转角度差计算得出，因此扭转峰值和收缩末期扭转角度在一定程度上包含上述四个指标的信息^[6]。

    临床实践中，综合利用多项检测指标来对患者做出诊断，常依赖医生的经验判断，而本研究是通过Logistic逐步回归分析对多项目进行筛选确定新的组合，得到个体预测值的一个Logistic逐步回归方程，建立起数学模型来对心功能不全做出科学诊断，避免主观判断的错误。

    通过本研究得出概率方程，根据该方程，若左室扭转峰值（χ₁）和收缩末期左室扭转角度（χ₂）均为8.995°，则其P=0.5，这意味着扭转峰值和收缩末期扭转角度均﹤8.995°时，心功能不全概率P>0.5，反之亦然。这样可以准确计算出每一个检查者是心功能不全的准确概率，但在超声心动图检查诊断实践中，该方法可能会因为计算复杂、不能够快速得出结论，使运用受到限制，为此需要寻找快捷的方法。

 

    二、ROC法确定界值

    ROC评价两种或两种以上诊断系统的诊断效能是十分常见，ROC曲线还可以用于任何分类的过程帮助确定判别界值^[12，13]。本研究正是通过绘制Logistic回归模型筛选出的变量的ROC曲线，同时确定界值，并比较不同的诊断界值下的敏感性、特异性，得出能全面反应诊断系统的效能的诊断界值。

    本研究通过对收缩末期左室扭转角度和左室扭转峰值角度绘制ROC曲线，获得界值分别为9.015°和11.02°。鉴于两个诊断指标的ROC曲线交叉尚不可评价哪个指标在诊断心功能不全方面更好，结合上述Logistic回归模型中结论收缩末期左室扭转角度优于左室扭转峰值（标准回归系数比较）。通过建立数学模型筛选变量，绘制各个变量的ROC曲线，并得出心功能不全的界值，克服经验判断所固有的主观性，使得超声心动图临床诊断更科学化、客观化，提高准确性和效率，并且这些指标在超声仪上操作简便，便于临床推广使用。

    本研究通过Logistic回归建立数学模型 与ROC联合运用将多项指标筛选、确定界值对心功能不全诊断价值给予定量分析克服了经验判断所固有的主观性使的得临床实验诊断更科学化客观化提高了准确性和效率。但本研究病例数较小，收缩末期左室扭转角度和左室扭转峰值的界值，都将有待于进一步大样本病例对照研究修正。不同病因、不同分级心功能不全的情况如何，还需进一步临床研究。