早期血管功能檢測對心血管疾病的防治具有重要意義。本文主要研究了手指溫度監測曲線對心血管疾病預測的有效性，并與脈搏波速度檢測結果進行了比較研究。研究選取受試者112人[年齡（42.18±12.28）歲，50%為男性，37人確診患有心血管疾病]，分別進行了手指溫度監測記錄和脈搏波速度檢測。數據分析結果表明，心血管疾病相關參數集中在手指溫度下降階段。由十折交叉驗證選出預測效果最好的Logistic回歸模型，用于預測心血管疾病，其效果與脈搏波速度的檢測效果一致。結果還顯示，手指溫度曲線中的參數具有一定早期動脈硬化檢測能力。本文研究結果表明，手指溫度曲線具有預測心血管疾病的潛力，或可反映心血管疾病早期的血管功能。
引用本文： 王欣欣, 李霞, 褚熙, 董晴, 趙小靜, 陳卉, 張寬. 利用手指溫度監測血管功能的評測與脈搏波速度間關系的研究. 生物醫學工程學雜志, 2016, 33(6): 1084-1089. doi: 10.7507/1001-5515.20160173 復制
引言
心血管疾病(cardiovascular diseases,CVDs)給人們的健康和生命安全帶來嚴重威脅。2013 年中國心血管疾病患者高達 2.9 億，且患病率持續上升，死亡率居中國及世界首位[1]。心血管疾病發生和發展經歷著一個漫長的過程，造成心血管疾病的部分風險因子，如高血壓、高血脂、高血糖及肥胖等，均為可控因素。若能在血管形態和結構發生變化之前的早期發現其功能變化，并及時進行干預，將對心血管疾病的預防和治療起到關鍵作用[2]。
手指溫度監測(digital thermal monitor,DTM)是目前正在研究中的一種血管功能檢測方法。它通過對比阻斷肱動脈2~5 min前后手指溫度的變化來評價血管功能。有研究表明，DTM有良好的可重復性，且分別與Framingham心血管危險評分(Framingham Risk Score,FRS)和冠狀動脈鈣化(coronary artery calcium,CAC)積分強相關，與64層螺旋計算機斷層掃描(computed tomography,CT)分類的冠狀動脈疾病也呈現相關性[3-5]。另一方面，臂踝脈搏波速度(pulse wave velocity,PWV)主要利用脈搏波在彈性不同的動脈中傳播時的速度不同，可對動脈彈性進行檢測，臨床上常用其作為早期血管功能檢測指標[6-7]。研究已證實內皮功能損傷與動脈彈性變化具有一定相關性[8]。而DTM的結果能否反映動脈硬化尚有待研究。
在現有的DTM評價指標中，多使用溫度回彈值(temperature rebound,TR)和最低溫度點后的曲線下面積(area under curve,AUC)作為評判血管內皮功能的指標[9-10]。本文以董晴等[11]的研究為基礎，從DTM手指溫度變化曲線中進一步提取參數，以Logistic回歸篩選有效參數，結合十折交叉驗證方法，建立心血管疾病預測模型，并對DTM和PWV診斷疾病的水平進行對比評價，且以PWV檢測結果為準，研究DTM的動脈硬化早期檢測能力。
1 試驗方法
本研究由112名受試者組成[年齡 (42.18±12.28) 歲,50%為男性]，其中健康人75例(48%為男性)，動脈硬化相關疾病患者 37例(54%為男性)，分別設為健康組和患者組。受試者均簽署知情同意書。試驗前3 d，要求所有受試人員不能吸煙、飲酒，不能飲用茶、咖啡，不能熬夜。試驗前3 h受試者不能做劇烈運動[9]。患者組成員必須在測試前24 h停藥。環境溫度控制為22~24 ℃，試驗場地為濕度適宜、通風良好、光線溫和的房間[3]。試驗由經過培訓的有經驗的醫生及試驗人員進行。
試驗包含采集基本信息、PWV檢測、DTM檢測等3項內容。其中基本信息包括年齡、體重、身高、身體質量指數(body mass index,BMI)、體溫(Tb)、心輸出量(cardiac output,CO)、收縮壓(systolic blood pressure,SBP)、舒張壓(diastolic blood pressure,DBP)、脈壓差(pulse pressure,PP)等。試驗所用測量工具包括人體秤、卷尺、非接觸式電子體溫計、HC2180 指夾式無創血流參數檢測儀、水銀血壓計、PWV儀器、DTM儀器等。
1.1 DTM檢測
該檢測采用本課題組自主研發的硬件系統。系統包含壓力模塊、溫度模塊、血氧模塊和脈搏波模塊，壓力模塊采用自動充放氣模式，溫度傳感器分辨率為0.02 ℃。受試者適應環境并休息20 min后開始測量。整個測量過程包括：① 受試者基礎生理參數的記錄與測量：年齡、體重、身高、BMI、血壓、Tb、CO；② DTM試驗：設置好受試者編號、指定袖帶壓力(SBP+50 mm Hg)、加壓時間120 s的信息后，程序開始記錄手指指溫、血氧和脈搏波信號，試驗過程總共12 min，包括5 min的平靜狀態、2 min的袖帶加壓狀態和5 min的袖帶放氣后的平靜狀態。
圖 1為DTM檢測中某一受試者的手指溫度曲線，開始阻斷時刻為t0，此時的溫度設為初始溫度T0，阻斷結束時刻設置為t1，此時對應的溫度為T1。阻斷結束后，手指溫度會有一個短暫的下降過程，將最低溫度設為Tmin，達到最低溫度的時刻設為tmin。隨后的溫度曲線經歷上升到最大值之后再下降的過程，將溫度回升階段斜率最大值處的時刻和溫度設為t2和T2，溫度最大值處的時刻和溫度設為tmax和Tmax，最高溫度后的某一時刻，設為t3(根據計算AUC時的具體情況而定)。根據該曲線，提取的參數如表 1 所示。
圖1
DTM溫度參數示意圖
Figure1.
Temperature parameters diagram of DTM
表1
DTM溫度曲線參數表
Table1.
Temperature curve parameters of DTM
1.2 PWV檢測
PWV能夠反映大動脈及全身動脈的僵硬程度，是通過測量人體兩個部位動脈的脈搏波傳導距離和時間來進行計算，公式為PWV=距離/時間(m/s)[12]。本研究采用歐姆龍VP1000 設備，測量指標為PWV，袖帶位置為人體上臂肱動脈處和下肢腳踝上側。儀器全自動檢測并記錄數據。測量開始前，受試者休息 20 min。測量過程中受試者處于仰臥位并保持安靜狀態。記錄左右側PWV，并計算其平均數，當PWV≥14 m/s認為該患者動脈硬化[13]。
2 統計分析
數據分析采用SPSS 17.0 軟件(SPSS公司，美國)。所有連續變量以均值±標準差的形式列出，對符合正態性的參數進行獨立樣本t檢驗，同時符合正態性和方差齊次性的參數進行單因素方差分析，其他參數進行基于秩次的非參數檢驗(Mann-Whitney U)，統計結果P＜0.05(雙側)為有統計學意義。本研究對數據進行了兩種分類。第一種為能否用DTM參數對CVDs進行預測，依據受試者是否患心血管疾病為原則進行分類，即上文中提及的健康組和患者組[4]。運用二元Logistic回歸分析，建立兩種回歸模型，經十折交叉驗證，得出預測效果最好的模型，并給出模型判定分界點。模型的評價采用受試者工作特征(receiver operating characteristic,ROC)曲線進行，同時對比兩種模型和PWV的ROC曲線判定效果。第二種分類為研究無癥狀人群中，完全健康的受試者和潛在動脈硬化人群之間DTM參數是否有區別，即DTM參數與PWV的關系。根據PWV＜14 m/s和PWV≥14 m/s將健康組分為兩類，記為A組(完全健康組)和B組(潛在患者組)。受試者的年齡、BMI等生理參數的統計根據第一種分類給出，如表 2所示。
3 結果
根據第一種分類對受試者的身體狀況進行統計，如表 2 所示，列出了75 例健康人和37例患者的基礎生理參數，其中年齡、BMI、體重、SBP、DBP、PP、CO等差異具有統計學意義，且健康組普遍低于患者組，身高和Tb在兩組中差異無統計學意義。如表 3 所示，兩組人群的PWV在健康組和患者組中差異具有統計學意義，且前者低于后者，這和以往的研究結果一致。從DTM曲線提取的參數中，Sd和td1的差異無統計學意義，但Logistic回歸分析中這兩個參數對于疾病的診斷有意義，如表 4所示。未在表 3 中出現的表 1中的其他參數，在兩組間的差異沒有統計學意義。另外，T1、Td1、Sd1、AUCd1、Tmin和AUC3這6個參數的組間差異有統計學意義，如表 3 所示。
表2
受試者身體狀況
Table2.
Body conditions of the subjects
表3
PWV和DTM參數統計表
Table3.
Statistic parameters of PWV and DTM
表4
兩個與CVDs相關的DTM的Logistic模型
Table4.
Two Logistic models of DTM related to CVDs
3.1 手指溫度監測參數的回歸模型
如表 2 所示，健康組和患者組受試者的基礎生理參數之間的差異具有統計學意義，為了去除這些因素對DTM參數的影響，DTM需要在Logistic回歸模型中加入表 2 中代表受試者身體狀況的生理參數。本文計算了兩種校正模型:① 模型1:校正年齡、BMI，僅考慮這兩個生理參數對結果的影響；② 模型2:校正年齡、BMI、身高、體重、SBP、DBP、PP、Tb、CO，在模型1基礎上加入血壓、Tb等對DTM檢測結果的影響。校正模型前，受樣本量的限制，首先對DTM參數間是否有共線性進行分析，采用多元線性回歸，刪除部分變量。Logistic模型采用前進法篩選變量，通過十折交叉驗證選出預測結果最好的模型，結果表明，僅當td1、Sd兩個參數共同建立模型時，模型的預測結果最好。兩個模型的校正結果中，模型1中的年齡和BMI均在模型結果中得以保留；而模型2中除年齡和BMI外，僅SBP和Tb得以保留。兩個預測模型的系數及各個DTM參數的患者組對比健康組的優勢比(odds ratio,OR)值如表 4 所示。
3.2 手指溫度監測的回歸模型和脈搏波傳導速度預測心血管疾病的結果比較
兩個DTM參數、兩種模型及PWV的ROC曲線如圖 2 所示，兩個參數單獨進行疾病預測時，DTM兩個參數單獨的ROC曲線效果并不理想，td1無法分類，Sd的AUC為0.616±0.056。而兩個Logistic模型和PWV都有較好的疾病診斷能力，三者的診斷能力排名是：模型2(0.935±0.026)、模型1(0.893±0.031 )、PWV(0.879±0.033)。模型1和模型2的ROC曲線下面積差異有統計學意義(P=0.032)，說明在校正SBP和Tb后，模型2的預測能力要好于模型1，而兩個模型和PWV的ROC曲線下面積之間差異沒有統計學意義。
圖2
兩個DTM參量及模型1、2和PWV的ROC曲線
Figure2.
ROC curves of two DTM parameters,model 1,2 and PWV
模型2的分界點為0.50時，對應的約登指數為79.8%(=86.5%－6.7%)，可將 0.50 作為最佳診斷分界點。若以DTM參數模型值≥0.50 判為心血管疾病，則該診斷的敏感度為 86.5%,特異度為 93.4%。
3.3 手指溫度監測參數與脈搏波傳導速度的關系
由于PWV同樣受到年齡、BMI、血壓等生理參數的影響，因此統計過程中不再校正這些生理參數。從早期檢測的角度考慮，健康受試者中可能存在潛在動脈硬化人群。健康組中僅有1 例，由于單側PWV值靠近分類邊界，其左右側分組結果不一致。因此，分別按照PWV＜14 m/s和PWV≥14 m/s進行分組，把健康組75例受試者分為A、B兩組，如表 5 所示，4 個參數具有統計學意義，其中td1和AUCd1為A組小于B組，而TR和Tmax0則為A組大于B組。
表5
根據PWV分組的統計結果
Table5.
Statistic results based on PWV
4 討論
心血管疾病的發生和發展主要是血管功能的改變引起的。血管功能的改變主要體現在兩個方面：血管內皮功能紊亂和動脈彈性變差。內皮功能的紊亂會導致管壁結構和擴張能力的改變，這一改變也是動脈硬化發生的主要原因之一。同時，心血管疾病的風險因子，如吸煙、過量飲酒、高血壓、高血脂等，是內皮功能損傷和動脈硬化的共同風險因子。二者相互關聯，都是研究早期心血管疾病檢測的重要標志。目前已有研究通過脈搏波分析對動脈彈性和血管內皮功能進行評價[8, 14]。
DTM出現后主要用于動脈內皮功能的評價，通過阻斷肱動脈引起手指溫度下降，再開放后血管內皮受到血流剪切力，以及產生的一氧化氮作用于血管平滑肌，使得血管壁擴張和血流增大，最終導致手指溫度回升[15-17]。然而仔細分析肱動脈再開放過程，血管自身彈性也可能對手指溫度變化起到作用。因此本文通過從DTM的溫度曲線中提取參數，探討心血管疾病患者和健康人之間的區別。經本文研究結果統計分析，有效參數包括Sd、td1、Td1、Sd1、AUCd1等。以往研究沒有對溫度下降階段進行區分，而本文對溫度下降階段進行了更細致的劃分，分為阻斷過程中的溫度下降和阻斷結束后的溫度下降[10]。即使本文未對心血管疾病的種類進行嚴格的劃分，患者和健康人之間的DTM曲線在阻斷過程中和阻斷結束后仍有差異。以往的研究主要以TR和AUC作為衡量動脈內皮功能狀況的參數[3, 15]。相比之下，本研究中DTM能較好地區分心血管疾病患者和健康人，且根據Sd和td1，可以建立有效的心血管疾病預測模型，其預測水平與臨床動脈硬化篩查方法PWV一致。
在此基礎上，本文對DTM能否區分健康人群中的潛在動脈硬化人群進行了研究。以臨床檢測方法PWV為準，DTM參數中的td1和AUCd1兩個參數的差異仍具有統計學意義。結合DTM和心血管疾病的關系和Logistic回歸模型的研究，說明阻斷結束后手指溫度繼續下降階段的參數包含心血管疾病的相關信息，且可能有一定的早期動脈硬化檢測能力。而TR及Tmax0在本研究第一部分并沒有表現出差異，在以PWV為早期檢測標準時則表現出差異，結合部分已有的對DTM中TR的研究，說明TR作為一個早期檢測標準更加有效[3-5, 10, 15, 18]。本文中計算的是阻斷結束后AUC，較之以往的最小值后AUC有所不同，因此阻斷結束后的AUC并沒有在以PWV為早期檢測標準的統計中表現出差異性[15]。總之，DTM具有一定的在健康人群中分辨潛在的無癥狀心血管疾病人群的能力。
本研究仍有很多局限性，需要擴大樣本量對健康組和患者組組內PWV和DTM參數進行進一步的研究，并細化年齡、BMI、血壓等生理參數對PWV和DTM的影響程度。但從以上結論可以看出，DTM中的手指溫度曲線不僅包含血管內皮功能信息，還包含血管彈性信息，若深入研究其機制，有望通過簡單的肱動脈阻斷方式進行血管功能的早期檢測。
引言
心血管疾病(cardiovascular diseases,CVDs)給人們的健康和生命安全帶來嚴重威脅。2013 年中國心血管疾病患者高達 2.9 億，且患病率持續上升，死亡率居中國及世界首位[1]。心血管疾病發生和發展經歷著一個漫長的過程，造成心血管疾病的部分風險因子，如高血壓、高血脂、高血糖及肥胖等，均為可控因素。若能在血管形態和結構發生變化之前的早期發現其功能變化，并及時進行干預，將對心血管疾病的預防和治療起到關鍵作用[2]。
手指溫度監測(digital thermal monitor,DTM)是目前正在研究中的一種血管功能檢測方法。它通過對比阻斷肱動脈2~5 min前后手指溫度的變化來評價血管功能。有研究表明，DTM有良好的可重復性，且分別與Framingham心血管危險評分(Framingham Risk Score,FRS)和冠狀動脈鈣化(coronary artery calcium,CAC)積分強相關，與64層螺旋計算機斷層掃描(computed tomography,CT)分類的冠狀動脈疾病也呈現相關性[3-5]。另一方面，臂踝脈搏波速度(pulse wave velocity,PWV)主要利用脈搏波在彈性不同的動脈中傳播時的速度不同，可對動脈彈性進行檢測，臨床上常用其作為早期血管功能檢測指標[6-7]。研究已證實內皮功能損傷與動脈彈性變化具有一定相關性[8]。而DTM的結果能否反映動脈硬化尚有待研究。
在現有的DTM評價指標中，多使用溫度回彈值(temperature rebound,TR)和最低溫度點后的曲線下面積(area under curve,AUC)作為評判血管內皮功能的指標[9-10]。本文以董晴等[11]的研究為基礎，從DTM手指溫度變化曲線中進一步提取參數，以Logistic回歸篩選有效參數，結合十折交叉驗證方法，建立心血管疾病預測模型，并對DTM和PWV診斷疾病的水平進行對比評價，且以PWV檢測結果為準，研究DTM的動脈硬化早期檢測能力。
1 試驗方法
本研究由112名受試者組成[年齡 (42.18±12.28) 歲,50%為男性]，其中健康人75例(48%為男性)，動脈硬化相關疾病患者 37例(54%為男性)，分別設為健康組和患者組。受試者均簽署知情同意書。試驗前3 d，要求所有受試人員不能吸煙、飲酒，不能飲用茶、咖啡，不能熬夜。試驗前3 h受試者不能做劇烈運動[9]。患者組成員必須在測試前24 h停藥。環境溫度控制為22~24 ℃，試驗場地為濕度適宜、通風良好、光線溫和的房間[3]。試驗由經過培訓的有經驗的醫生及試驗人員進行。
試驗包含采集基本信息、PWV檢測、DTM檢測等3項內容。其中基本信息包括年齡、體重、身高、身體質量指數(body mass index,BMI)、體溫(Tb)、心輸出量(cardiac output,CO)、收縮壓(systolic blood pressure,SBP)、舒張壓(diastolic blood pressure,DBP)、脈壓差(pulse pressure,PP)等。試驗所用測量工具包括人體秤、卷尺、非接觸式電子體溫計、HC2180 指夾式無創血流參數檢測儀、水銀血壓計、PWV儀器、DTM儀器等。
1.1 DTM檢測
該檢測采用本課題組自主研發的硬件系統。系統包含壓力模塊、溫度模塊、血氧模塊和脈搏波模塊，壓力模塊采用自動充放氣模式，溫度傳感器分辨率為0.02 ℃。受試者適應環境并休息20 min后開始測量。整個測量過程包括：① 受試者基礎生理參數的記錄與測量：年齡、體重、身高、BMI、血壓、Tb、CO；② DTM試驗：設置好受試者編號、指定袖帶壓力(SBP+50 mm Hg)、加壓時間120 s的信息后，程序開始記錄手指指溫、血氧和脈搏波信號，試驗過程總共12 min，包括5 min的平靜狀態、2 min的袖帶加壓狀態和5 min的袖帶放氣后的平靜狀態。
圖 1為DTM檢測中某一受試者的手指溫度曲線，開始阻斷時刻為t0，此時的溫度設為初始溫度T0，阻斷結束時刻設置為t1，此時對應的溫度為T1。阻斷結束后，手指溫度會有一個短暫的下降過程，將最低溫度設為Tmin，達到最低溫度的時刻設為tmin。隨后的溫度曲線經歷上升到最大值之后再下降的過程，將溫度回升階段斜率最大值處的時刻和溫度設為t2和T2，溫度最大值處的時刻和溫度設為tmax和Tmax，最高溫度后的某一時刻，設為t3(根據計算AUC時的具體情況而定)。根據該曲線，提取的參數如表 1 所示。
圖1
DTM溫度參數示意圖
Figure1.
Temperature parameters diagram of DTM
表1
DTM溫度曲線參數表
Table1.
Temperature curve parameters of DTM
1.2 PWV檢測
PWV能夠反映大動脈及全身動脈的僵硬程度，是通過測量人體兩個部位動脈的脈搏波傳導距離和時間來進行計算，公式為PWV=距離/時間(m/s)[12]。本研究采用歐姆龍VP1000 設備，測量指標為PWV，袖帶位置為人體上臂肱動脈處和下肢腳踝上側。儀器全自動檢測并記錄數據。測量開始前，受試者休息 20 min。測量過程中受試者處于仰臥位并保持安靜狀態。記錄左右側PWV，并計算其平均數，當PWV≥14 m/s認為該患者動脈硬化[13]。
2 統計分析
數據分析采用SPSS 17.0 軟件(SPSS公司，美國)。所有連續變量以均值±標準差的形式列出，對符合正態性的參數進行獨立樣本t檢驗，同時符合正態性和方差齊次性的參數進行單因素方差分析，其他參數進行基于秩次的非參數檢驗(Mann-Whitney U)，統計結果P＜0.05(雙側)為有統計學意義。本研究對數據進行了兩種分類。第一種為能否用DTM參數對CVDs進行預測，依據受試者是否患心血管疾病為原則進行分類，即上文中提及的健康組和患者組[4]。運用二元Logistic回歸分析，建立兩種回歸模型，經十折交叉驗證，得出預測效果最好的模型，并給出模型判定分界點。模型的評價采用受試者工作特征(receiver operating characteristic,ROC)曲線進行，同時對比兩種模型和PWV的ROC曲線判定效果。第二種分類為研究無癥狀人群中，完全健康的受試者和潛在動脈硬化人群之間DTM參數是否有區別，即DTM參數與PWV的關系。根據PWV＜14 m/s和PWV≥14 m/s將健康組分為兩類，記為A組(完全健康組)和B組(潛在患者組)。受試者的年齡、BMI等生理參數的統計根據第一種分類給出，如表 2所示。
3 結果
根據第一種分類對受試者的身體狀況進行統計，如表 2 所示，列出了75 例健康人和37例患者的基礎生理參數，其中年齡、BMI、體重、SBP、DBP、PP、CO等差異具有統計學意義，且健康組普遍低于患者組，身高和Tb在兩組中差異無統計學意義。如表 3 所示，兩組人群的PWV在健康組和患者組中差異具有統計學意義，且前者低于后者，這和以往的研究結果一致。從DTM曲線提取的參數中，Sd和td1的差異無統計學意義，但Logistic回歸分析中這兩個參數對于疾病的診斷有意義，如表 4所示。未在表 3 中出現的表 1中的其他參數，在兩組間的差異沒有統計學意義。另外，T1、Td1、Sd1、AUCd1、Tmin和AUC3這6個參數的組間差異有統計學意義，如表 3 所示。
表2
受試者身體狀況
Table2.
Body conditions of the subjects
表3
PWV和DTM參數統計表
Table3.
Statistic parameters of PWV and DTM
表4
兩個與CVDs相關的DTM的Logistic模型
Table4.
Two Logistic models of DTM related to CVDs
3.1 手指溫度監測參數的回歸模型
如表 2 所示，健康組和患者組受試者的基礎生理參數之間的差異具有統計學意義，為了去除這些因素對DTM參數的影響，DTM需要在Logistic回歸模型中加入表 2 中代表受試者身體狀況的生理參數。本文計算了兩種校正模型:① 模型1:校正年齡、BMI，僅考慮這兩個生理參數對結果的影響；② 模型2:校正年齡、BMI、身高、體重、SBP、DBP、PP、Tb、CO，在模型1基礎上加入血壓、Tb等對DTM檢測結果的影響。校正模型前，受樣本量的限制，首先對DTM參數間是否有共線性進行分析，采用多元線性回歸，刪除部分變量。Logistic模型采用前進法篩選變量，通過十折交叉驗證選出預測結果最好的模型，結果表明，僅當td1、Sd兩個參數共同建立模型時，模型的預測結果最好。兩個模型的校正結果中，模型1中的年齡和BMI均在模型結果中得以保留；而模型2中除年齡和BMI外，僅SBP和Tb得以保留。兩個預測模型的系數及各個DTM參數的患者組對比健康組的優勢比(odds ratio,OR)值如表 4 所示。
3.2 手指溫度監測的回歸模型和脈搏波傳導速度預測心血管疾病的結果比較
兩個DTM參數、兩種模型及PWV的ROC曲線如圖 2 所示，兩個參數單獨進行疾病預測時，DTM兩個參數單獨的ROC曲線效果并不理想，td1無法分類，Sd的AUC為0.616±0.056。而兩個Logistic模型和PWV都有較好的疾病診斷能力，三者的診斷能力排名是：模型2(0.935±0.026)、模型1(0.893±0.031 )、PWV(0.879±0.033)。模型1和模型2的ROC曲線下面積差異有統計學意義(P=0.032)，說明在校正SBP和Tb后，模型2的預測能力要好于模型1，而兩個模型和PWV的ROC曲線下面積之間差異沒有統計學意義。
圖2
兩個DTM參量及模型1、2和PWV的ROC曲線
Figure2.
ROC curves of two DTM parameters,model 1,2 and PWV
模型2的分界點為0.50時，對應的約登指數為79.8%(=86.5%－6.7%)，可將 0.50 作為最佳診斷分界點。若以DTM參數模型值≥0.50 判為心血管疾病，則該診斷的敏感度為 86.5%,特異度為 93.4%。
3.3 手指溫度監測參數與脈搏波傳導速度的關系
由于PWV同樣受到年齡、BMI、血壓等生理參數的影響，因此統計過程中不再校正這些生理參數。從早期檢測的角度考慮，健康受試者中可能存在潛在動脈硬化人群。健康組中僅有1 例，由于單側PWV值靠近分類邊界，其左右側分組結果不一致。因此，分別按照PWV＜14 m/s和PWV≥14 m/s進行分組，把健康組75例受試者分為A、B兩組，如表 5 所示，4 個參數具有統計學意義，其中td1和AUCd1為A組小于B組，而TR和Tmax0則為A組大于B組。
表5
根據PWV分組的統計結果
Table5.
Statistic results based on PWV
4 討論
心血管疾病的發生和發展主要是血管功能的改變引起的。血管功能的改變主要體現在兩個方面：血管內皮功能紊亂和動脈彈性變差。內皮功能的紊亂會導致管壁結構和擴張能力的改變，這一改變也是動脈硬化發生的主要原因之一。同時，心血管疾病的風險因子，如吸煙、過量飲酒、高血壓、高血脂等，是內皮功能損傷和動脈硬化的共同風險因子。二者相互關聯，都是研究早期心血管疾病檢測的重要標志。目前已有研究通過脈搏波分析對動脈彈性和血管內皮功能進行評價[8, 14]。
DTM出現后主要用于動脈內皮功能的評價，通過阻斷肱動脈引起手指溫度下降，再開放后血管內皮受到血流剪切力，以及產生的一氧化氮作用于血管平滑肌，使得血管壁擴張和血流增大，最終導致手指溫度回升[15-17]。然而仔細分析肱動脈再開放過程，血管自身彈性也可能對手指溫度變化起到作用。因此本文通過從DTM的溫度曲線中提取參數，探討心血管疾病患者和健康人之間的區別。經本文研究結果統計分析，有效參數包括Sd、td1、Td1、Sd1、AUCd1等。以往研究沒有對溫度下降階段進行區分，而本文對溫度下降階段進行了更細致的劃分，分為阻斷過程中的溫度下降和阻斷結束后的溫度下降[10]。即使本文未對心血管疾病的種類進行嚴格的劃分，患者和健康人之間的DTM曲線在阻斷過程中和阻斷結束后仍有差異。以往的研究主要以TR和AUC作為衡量動脈內皮功能狀況的參數[3, 15]。相比之下，本研究中DTM能較好地區分心血管疾病患者和健康人，且根據Sd和td1，可以建立有效的心血管疾病預測模型，其預測水平與臨床動脈硬化篩查方法PWV一致。
在此基礎上，本文對DTM能否區分健康人群中的潛在動脈硬化人群進行了研究。以臨床檢測方法PWV為準，DTM參數中的td1和AUCd1兩個參數的差異仍具有統計學意義。結合DTM和心血管疾病的關系和Logistic回歸模型的研究，說明阻斷結束后手指溫度繼續下降階段的參數包含心血管疾病的相關信息，且可能有一定的早期動脈硬化檢測能力。而TR及Tmax0在本研究第一部分并沒有表現出差異，在以PWV為早期檢測標準時則表現出差異，結合部分已有的對DTM中TR的研究，說明TR作為一個早期檢測標準更加有效[3-5, 10, 15, 18]。本文中計算的是阻斷結束后AUC，較之以往的最小值后AUC有所不同，因此阻斷結束后的AUC并沒有在以PWV為早期檢測標準的統計中表現出差異性[15]。總之，DTM具有一定的在健康人群中分辨潛在的無癥狀心血管疾病人群的能力。
本研究仍有很多局限性，需要擴大樣本量對健康組和患者組組內PWV和DTM參數進行進一步的研究，并細化年齡、BMI、血壓等生理參數對PWV和DTM的影響程度。但從以上結論可以看出，DTM中的手指溫度曲線不僅包含血管內皮功能信息，還包含血管彈性信息，若深入研究其機制，有望通過簡單的肱動脈阻斷方式進行血管功能的早期檢測。