脑血管血液循环脉动流模型及评估方法

技术领域

本发明涉及医学模型机评估方法技术领域，具体为脑血管血液循环脉动流模型及评估方法。

背景技术

中风具有高死亡率、高复发率和高致残率的特点，它严重危害着人类的健康和生命，中风的治愈率低，因此应该重视早期预防、诊断和治疗。

脑血管血液动力学检测是继TCD后由国内首创用于检测脑血流动力学变化的超声检查。在表浅动脉，通过直接测量流速与血管壁压力提供循环灌注和血管功能方面的信息，从而反映脑部灌注状态的最大(Vmax)、最小(Vmin)和平均流速(Vmean)以及平均流量(Qmean)，该类数值增高表明脑循环灌注增多，血管充盈度高：反之，提示灌注减少，血管充盈度小。研究表明，获得颈动脉的血液动力学指标包括颈动脉平均血流量、颈动脉平均血流速度、颈动脉最大血流速度、颈动脉最小血流速度、脉搏波波速，通过计算得出特性阻抗、外周阻力、动态阻力、临界压力、压差，可以得出积分等级，通过积分等级评估脑卒中发病率大小。该方法因为重复性好，已成为动态观察病情变化和疗效的主要方法。

现已有多种脑血管血液动力学分析仪，TCD着重检测并无评估脑血管系统功能的确定模型，但其数学模型均较粗糙，检测方法和计算指标尚有缺陷，本发明的目的在于研究适合脑血管血液循环脉动流模型，提出实际可用，可靠精密具备较好预测功能及评估方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了脑血管血液循环脉动流模型及评估方法。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：脑血管血液循环脉动流模型及评估方法，包括脑血管血液动力学监测仪、脑卒中预测模型、及如下脑血管血液循环脉动流模型建立用各项指标：

平均血流量、平均血流速度、最大血流速度、最小血流速度、脉搏波波速、特性阻抗、外周阻力、动态阻力、临界压力、舒张压与临界压之差；

所述脑血管血液循环脉动流模型各项指标计算步骤如下：

(1)颈动脉平均血流量Qmean

Qmean＝Vmean×S，其中：Vmean为平均血流速度，S为血管的横截面积。

(2)颈动脉平均血流速度Vmean

(3)颈动脉最大血流速度Vmax

流速探头测得的流速采样数据的最大值。

(4)颈动脉最小血流速度Vmin

流速探头测得的流速采样数据的最小值。

(5)脉搏波波速Wv

其中：Zcv为特性阻抗，ρ为定值1.05g/cm3。

(6)特性阻抗Zcv

为输入阻抗在高频取得平均值。

(7)外周阻力Rv

Rv＝Pmean/Vmean，其中：Pmean为压力探头测得的压力采样数据的平均值，Vmean为平均血流速度，计算公式见上文：(2)颈动脉平均血流速度Vmean。

(8)动态阻力DR

DR＝(Pmean-Pd)/(Vmean-Vmin)，

其中：Pmean为对压力探头测得的压力采样数据取平均值，Pd为舒张压，Vmean为平均血流速度，计算公式见上文：(2)颈动脉平均血流速度Vmean，Vmin为颈动脉最小血流速度Vmin。

(9)临界压力CP

CP＝Pd-DR×Vmin，

其中：Pd为舒张压，

DR为动态阻力，

Vmin为颈动脉最小血流速度Vmin。

(10)差压DP

DP＝Pd-CP，

其中：Pd为舒张压，CP为临界压力，计算公式见上文：(9)临界压力CP。

(11)积分输出

评估积分Integral：Integral＝100-∑(ScoreL[i]+ScoreR[i])，

其中：ScoreL[i]和ScoreR[i]为根据前述十项脑血管血液动力学指标的左侧和右侧的计算值，通过查分段函数表(见附图)，得到评估分数值。

优选的，所述脑血管血液动力学监测仪通过计算机嵌入式系统、设计专用数学模型、结合临床大数据筛查，实现软硬件的模块化集论成化总线化设计。

优选的，所述脑血管血液动力学监测仪具体为采用多普勒超声探头和压阻式压力传感器的CVHD，所述CVHD用于无创伤检测颈内动脉的血流速度和血管压力脉搏波信息，通过建立在严格的脑循环动力学理论基础上的分析模型，计算得到反应左右两侧脑血管动力学和运动学的循环指标。

优选的，所述脑卒中预测模型由脑血管血液动力学参数CVHI及脑卒中的主要危险因素建立构成。

优选的，所述脑卒中预测模型具体建立方法如下：

一、以整群抽样的方法选择我国东北、华北、华东、西北、华南、西南六大行政区25355名，进行人口学特征、脑卒中主要危险因素的调查和CVHI检测，随访监测人群中脑卒中的发病情况；

二、将基线调查时的CVHI检测结果进行主成分分析，再以各主成分和主要脑卒中危险因素为自变量，以随访中脑卒中发病为应变量进行回归分析，根据回归系数建立脑卒中预测模型，计算发病概率，绘制ROC曲线，确定最佳截断点，评价预测模型的预测效能；

三、结果四个主成分的累积贡献率依次为58.1％、79.4％、88.4％和94.6％，被筛检进入logistic回归方程的变量分别为第一至第四主成分、高血压病史、年龄和性别，ROC曲线下面积为0.855，最佳截断点为预测概率≥0.05，预测脑卒中的敏感度、特异度和准确度分别为80.7％，78.5％，78.5％；

四、结论通过主成分回归分析，建立具有良好效能的脑卒中预测模型。

其中主成分的回归分析步骤如下：

步骤一、通过大样本的人群检测和统计分析，建立根据各单项指标综合评估的积分方法；

步骤二、首先采用主成分分析，其累积贡献率达到94.6％，即提取了9对检测指标中约95％的信息量，随后，将各主成分与卒中主要危险因素一起进行多元logistic回归分析，获得了各变量的偏回归系数，由此建立了预测方程，计算出脑卒中患病的概率；

步骤三、根据建立的方程，计算出每一个体脑卒中患病的预测概率，但所获得的概率是一组0～1之间的连续变量，仍然无法满足临床早期诊断和高危个体筛检的需求，为此，本产品取队列人群中CVHD检测后3年内发生脑卒中的个体和其他非脑卒中个体进行了筛检试验评价。

优选的，所述步骤一中CVHD积分方法计算出的CVHD积分作为卒中危险因素，当CVHD积分低于75分，卒中发病的相对危险度为7.3当CVHD积分值降低和高血，压同时出现，相对危险度上升至13，而且积分值与卒中风险间具有显著的量效关系，CVHD积分异常提示的脑血管功能异常是卒中最强的独立危险因素。

优选的，所述步骤三中通过评价，获得了该模型预测脑卒中的最佳截断点为≥0.05，即使用该模型进行脑卒中预测，能使80％3年内将发生脑卒中的“超高危”个体被预测出，同时能将近80％3年内不发生脑卒中的个体被明确排除。

优选的，所述CVHD总分预测卒中发病风险的最佳截断点在75分，ROC曲线下最大面积(0.855)，以75分为截断点，CVHD检测后4年内预测卒中的敏感度、特异度、准确度分别为80.7％，78.5％，78.5％。

优选的，所述积分依据如下，以卒中前瞻随访中卒中发病作为应变量，以CVHD检测指标作为自变量，进行logistic回归分析，根据各检测指标的偏回归系数，结合临床检测经验，确定其对卒中发病影响的贡献率，用加权的方法进行积分。

脑血管血液循环脉动流模型的评估方法，所述评估方法如下：

设定检测结果属正常范围的分值为满分100分，根据CVHD各检测指标的检测结果结合同年龄组正常参考值按权重进行逐项扣分，每个个体的分值范围为100-0分，分值越低，提示CVHD检测结果越差，脑血管的功能损害越明显，以卒中前瞻随访中卒中发病作为应变量，以CVHD检测指标作为自变量，进行logistic回归分析，根据各检测指标的偏回归系数，结合临床检测经验，确定其对卒中发病影响的贡献率，用加权的方法进行积分。

(三)有益效果

本发明提供了脑血管血液循环脉动流模型及评估方法。具备以下有益效果：

通过评价，获得了该模型预测脑卒中的最佳截断点为≥0.05，即使用该模型进行脑卒中预测，能使3年内80％将发生脑卒中的超高危个体被预测出，同时能将近3年内80％不发生脑卒中的个体被明确排除，提示建立的模型具有较好的预测效能。

附图说明

图1为本发明提出的分析计算软件参数计算流程图；

图2为本发明提出的男性评估积分分段函数表的平均流量及平均流速表示意图；

图3为本发明提出的男性评估积分分段函数表的最大流速表示意图；

图4为本发明提出的男性评估积分分段函数表的最小流速表示意图；

图5为本发明提出的男性评估积分分段函数表的脉搏波速表示意图；

图6为本发明提出的男性评估积分分段函数表的特性阻抗表示意图；

图7为本发明提出的男性评估积分分段函数表的外周阻力表示意图；

图8为本发明提出的男性评估积分分段函数表的动态阻力、临界压力及差压表示意图；

图9为本发明提出的女性评估积分分段函数表的平均流量及平均流速表示意图；

图10为本发明提出的女性评估积分分段函数表的最大流速表示意图；

图11为本发明提出的女性评估积分分段函数表的最小流速表示意图；

图12为本发明提出的女性评估积分分段函数表的脉搏波速表示意图；

图13为本发明提出的女性评估积分分段函数表的特性阻抗表示意图；

图14为本发明提出的女性评估积分分段函数表的外周阻力表示意图；

图15为本发明提出的女性评估积分分段函数表的动态阻力、临界压力及差压表示意图；

图16为本发明提出的CVHI检测指标各主成分的因子负荷量和累积贡献率表；

图17为本发明提出的多因素logistic回归分析表；

图18为本发明提出的25355名队列人群患病概率与发病的ROC曲线表。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1-15所示，本发明实施例提供脑血管血液循环脉动流模型及评估方法。

脑血管血液动力学监测仪基本原理

根据血液动力学原理建立的计算脑血管动力学参数的方法，计算获得人体颈动脉系统的外周阻力、动态阻力、临界压力及搏动指数等反映脑循环功能状况的动力学参数。仪器通过采用计算机嵌入式系统、设计专用数学模型，结合临床大数据筛查，实现了软硬件的模块化集论成化总线化设计。

CVHD采用多普勒超声探头和压阻式压力传感器，无创伤检测颈内动脉的血流速度和血管压力脉搏波信息，通过建立在严格的脑循环动力学理论基础上的分析模型，计算得到反应左右两侧脑血管动力学和运动学的循环指标。为定量评估脑血管生理、病理状态下的功能状况提供了一系列可靠的指标，是判断脑血管功能的一种可靠的工具。此外，经过对CVHD连续20余年的大规模科研数据累积，国内已建立卒中预警模型，通过多次大样本人群验证和多中心扩展性试验验证结果表明，CVHD中风预警效果良好，已在国内临床和开展社区中风预防工作中逐步得到普及应用。

数学模型-脑血管血液循环脉动流模型建立过程

脑血管血液动力学监测仪是通过检测颅外颈动脉的血流速度数值和波形，颈动脉管径，以及只检测人体的脉搏波波速(WV)，特性阻抗(Zcv)，管外周阻力(Rv)，动态阻力(DR)，临界压力(CP)，差压(DP)计算出一些能反映脑血管弹性，阻力，以及调节功能等的动力学参数。除了流量、流速等参数外，还为临床提供脑血管的外周阻力Rv、动态阻力DR、脉搏波波速WV、临界压力CP、动态阻力(DR)、临界压(CP)、舒张压与临界压的差值(DP)等反映脑循环功能状况的动力学指标；

这些指标的临床意义是：

平均血流量(Qmean)表示单位时间内流过颈动脉某检测点横截面的血液的体积。

平均血流速度(Vmean)是检测时间内血液在血中流动的运动学指标。

最大血流速度(Vmax)是反映心脏快速充盈期颈动脉的血流速度。

最小血流速度(Vmin)是在心脏减慢充盈期，大血管瞬间回弹时的血流速度。

脉搏波波速(WV)心脏射血时对动脉产生的压力脉搏波沿血管壁传播的平均速度。

特性阻抗(Zcv)是脉搏波在血管床中沿着一个方向传播时所遇到的阻抗。

外周阻力(Rv)是反映小动脉和毛细血管床通畅程度的定量指标。

动态阻力(DR)是反映脑血管血流速度变化的自身调节难易程度的指标。

临界压力(CP)是毛细血管开放的压力。

舒张压与临界压之差(DP)临床意义同临界压力。

所述脑血管血液循环脉动流模型各项指标计算步骤如下：

(1)颈动脉平均血流量Qmean

Qmean＝Vmean×S，其中：Vmean为平均血流速度，S为血管的横截面积。

(2)颈动脉平均血流速度Vmean

(3)颈动脉最大血流速度Vmax

流速探头测得的流速采样数据的最大值。

(4)颈动脉最小血流速度Vmin

流速探头测得的流速采样数据的最小值。

(5)脉搏波波速Wv

其中：Zcv为特性阻抗，ρ为定值1.05g/cm3。

(6)特性阻抗Zcv

为输入阻抗在高频取得平均值。

(7)外周阻力Rv

Rv＝Pmean/Vmean，其中：Pmean为压力探头测得的压力采样数据的平均值，Vmean为平均血流速度，计算公式见上文：(2)颈动脉平均血流速度Vmean。

(8)动态阻力DR

DR＝(Pmean-Pd)/(Vmean-Vmin)，

其中：Pmean为对压力探头测得的压力采样数据取平均值，Pd为舒张压，Vmean为平均血流速度，计算公式见上文：(2)颈动脉平均血流速度Vmean，Vmin为颈动脉最小血流速度Vmin。

(9)临界压力CP

CP＝Pd-DR×Vmin，

其中：Pd为舒张压，

DR为动态阻力，

Vmin为颈动脉最小血流速度Vmin。

(10)差压DP

DP＝Pd-CP，

其中：Pd为舒张压，CP为临界压力，计算公式见上文：(9)临界压力CP。

(11)积分输出

评估积分Integral：Integral＝100-∑(ScoreL[i]+ScoreR[i])，

其中：ScoreL[i]和ScoreR[i]为根据前述十项脑血管血液动力学指标的左侧和右侧的计算值，通过查分段函数表(见附图)，得到评估分数值。

建立积分评估参数模型及评价

脑血管血液动力学参数(CVHI)是脑血管功能的测量指标，在脑血管疾病的早期诊断、脑卒中高危人群筛选、预防和治疗效果观察等方面均具有重要的应用价值。常用的CVHI检测指标有10对，20个之多，给临床脑血管功能的综合评价带来一定困难。为了探讨通过CVHI综合评价脑血管功能的方法，本产品通过CVHI人群检测和脑卒中队列随访资料建立了脑卒中的预测模型，并对预测效果进行初步评价。

根据脑血管血液动力学参数(CVHI)和脑卒中的主要危险因素建立脑卒中预测模型。方法是以整群抽样的方法选择我国东北、华北、华东、西北、华南、西南六大行政区25355名，进行人口学特征、脑卒中主要危险因素的调查和CVHI检测，随访监测人群中脑卒中的发病情况。将基线调查时的CVHI检测结果进行主成分分析，再以各主成分和主要脑卒中危险因素为自变量，以随访中脑卒中发病为应变量进行回归分析，根据回归系数建立脑卒中预测模型，计算发病概率，绘制ROC曲线，确定最佳截断点，评价预测模型的预测效能。结果四个主成分的累积贡献率依次为58.1％、79.4％、88.4％和94.6％，被筛检进入logistic回归方程的变量分别为第一至第四主成分、高血压病史、年龄和性别，ROC曲线下面积为0.855，最佳截断点为预测概率≥0.05，预测脑卒中的敏感度、特异度和准确度分别为80.7％，78.5％，78.5％。结论通过主成分回归分析，可以建立具有良好效能的脑卒中预测模型。

其中回归分析具体步骤如下：

通过大样本的人群检测和统计分析，建立了根据各单项指标综合评估的积分方法。CVHD积分方法计算出的CVHD积分作为卒中危险因素，当CVHD积分低于75分，卒中发病的相对危险度为7.3当CVHD积分值降低和高血，压同时出现，相对危险度上升至13，而且积分值与卒中风险间具有显著的量效关系。CVHD积分异常提示的脑血管功能异常是卒中最强的独立危险因素。

首先采用主成分分析，其累积贡献率达到94.6％，即提取了9对检测指标中约95％的信息量。随后，将各主成分与卒中主要危险因素一起进行了多元logistic回归分析，获得了各变量的偏回归系数，由此建立了预测方程，计算出脑卒中患病的概率，其ROC曲线下面积已经达到0.855。上述结果显示建立的模型可能具有良好的预测效能。

根据建立的方程，可计算出每一个体脑卒中患病的预测概率。但所获得的概率是一组0～1之间的连续变量，仍然无法满足临床早期诊断和高危个体筛检的需求。为此，本产品取队列人群中CVHD检测后3年内发生脑卒中的个体和其他非脑卒中个体进行了筛检试验评价。通过评价，获得了该模型预测脑卒中的最佳截断点为≥0.05。即使用该模型进行脑卒中预测，能使80％3年内将发生脑卒中的“超高危”个体被预测出，同时能将近80％3年内不发生脑卒中的个体被明确排除。提示建立的模型具有较好的预测效能。

积分的依据

以卒中前瞻随访中卒中发病作为应变量，以CVHD检测指标作为自变量，进行logistic回归分析，根据各检测指标的偏回归系数，结合临床检测经验，确定其对卒中发病影响的贡献率，用加权的方法进行积分。

积分的累积方法

设定检测结果属正常范围的分值为满分100分，根据CVHD各检测指标的检测结果结合同年龄组正常参考值按权重进行逐项扣分，每个个体的分值范围为100-0分，分值越低，提示CVHD检测结果越差，脑血管的功能损害越明显。

积分方法的应用效果评价

以4年随访中卒中的发生为观察终点并以此作为金标准，用标准筛检试验的方法评价CVHD检测总积分的最佳截断点和预测4年内发生卒中风险的真实性和可靠性。结果显示，用CVHD总分预测卒中发病风险的最佳截断点在75分，ROC曲线下最大面积(0.855)；以75分为截断点，CVHD检测后4年内预测卒中的敏感度、特异度、准确度分别为80.7％，78.5％，78.5％。

CVHD检测所提供的正常人CVHI检测值可作为脑血管血液动力学研究和临床应用的参考标准。CVHI的分布特征主要表现为Vmean、Vmax、Vmin等反映脑血流速度的指标随着年龄的增长而降低，在易患人群、高危人群、卒中发病前个体和急性期卒中患者等不同人群中依次降低，而RV、Zcv、WV、DR等反映外周阻力、血管弹性和血管调节能力的指标则随着年龄的增长而上升，在上述人群中依次升高；不同性别、不同地区间各检测指标也存在一定差异；左侧的Vmean、Vmax、Vmin测定值显著高于右侧，而RV、Zcv、WV、DR、CP和DP显著低于右侧；CVHD总积分在正常人群、易患人群、高危人群、卒中前个体、急性期卒中患者和恢复期卒中患者中的异常率(<75分)分别为1.1％、29.6％、36.8％、74.1％、100％和67.7％，这些分布特征和变化规律为脑血管血液动力学的研究和临床应用奠定了良好的基础。

选择分析的变量包括脑血管血流速度平均值(Vmean)、最大值(Vmax)、最小值(Vmin)，脑血管外周阻力(RV)、特性阻抗(Zcv)、脉搏波波速(WV)、动态阻力(DR)、临界压(CP)、舒张压与临界压的差值(DP)和高血压病史、心脏病史、糖尿病史、吸烟史、饮酒史(DNK)、高血压家族史、中风家族史、年龄、性别、体重指数(BMI)。由于血流量(Qmean)不是直接测定或由模型分析得出，故在分析中予以省略。

统计学分析：将调查结果、检测指标和随访结果建立数据库，用SPSS10.0数据分析软件进行主成分分析、logistic回归分析，用筛检试验评价预测效能和确定最佳截断点。

CVHI检测指标的主成分分析：将左右两侧CVHI检测指标合并后再取均值，得9个变量。用9个变量进行主成分分析，当主成分的个数为4个时，累积贡献率达94.6％。各因子负荷量和各主成分的累积贡献率见说明书附图16；

多元回归分析：以CVHI检测后随访中脑卒中的发病为应变量，以CVHI检测指标各主成分的因子负荷量和累积贡献率表中的四个主成分和年龄、性别及高血压病史等危险因素为自变量(其中高血压病史、性别为二值变量，年龄为1岁1组的连续变量，各主成分也为连续变量)进行logistic回归分析。被筛选进入方程的变量分别为第一、第二、第三、第四主成分和高血压病史、年龄和性别，见说明书附图17；

预测概率分析：根据多因素logistic回归分析表的回归结果，建立脑卒中的预测方程，计算队列人群中每一个体中风的患病概率；再根据概率和实际发病情况，绘制ROC曲线，曲线下面积为0.855，见说明书附图18；

确定最佳截断点，评价预测效能；

选择在检测后随访3年内发生脑卒中的患者，根据预测概率的大小取不同的截断点，当取值0.05时，Youden指数的值最大，该预测概率点为最佳截断点；再进行预测效能的筛检试验评价，结果提示该预测模型预测3年内发生脑卒中的敏感度为80.7％，特异度为78.5％，准确度为78.5％。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。