Identification of Factors Associated with Persistent Atrial Fibrillation and Development of a Classification Model

doi:10.12114/j.issn.1007-9572.2025.0360

Abstract

Abstract:

Background

Atrial fibrillation (AF) severely impairs patients' quality of life, leads to high morbidity and mortality, and increases healthcare costs. Current classification methods for atrial fibrillation primarily rely on clinical symptoms and examination results, but they struggle to quantify the underlying pathophysiological burden, often leading to treatment strategies that do not match patients' actual risks.

Objective

To investigate the factors associated with persistent AF and to develop a classification model based on these factors.

Methods

Patients diagnosed with paroxysmal and persistent AF at the First Affiliated Hospital of Xinjiang Medical University between April 2012 and September 2023 were enrolled in this study. Clinical data, including demographic characteristics, biochemical parameters, renal function indices, and cardiac function-related metrics, were collected for analysis. Initially, univariate Logistic regression analysis was performed to screen for variables associated with the type of AF. The Least Absolute Shrinkage and Selection Operator (LASSO) regression was applied for further feature selection to reduce model complexity and prevent overfitting. A multivariate Logistic regression model was then constructed to identify factors independently associated with persistent AF. Utilizing the bootstrap resampling method, the significant variables were incorporated into six machine learning algorithms—Random Forest (RF), Decision Tree (DT), Naive Bayes (NB), Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and eXtreme Gradient Boosting (XGB)—to establish classification models. The discriminative performance of these models was evaluated using receiver operating characteristic (ROC) curves. Finally, the SHapley Additive exPlanations (SHAP) method was employed to evaluate the contribution of each variable to the classification models.

Results

A total of 6 938 patients were enrolled, including 5 085 with paroxysmal AF and 1 853 with persistent AF. Univariate Logistic regression analysis initially identified 19 statistically significant independent variables. Following LASSO regression selection, 13 key variables were retained for multivariate Logistic regression analysis. The results indicated that the following were independently associated with persistent AF (all P<0.05): gender (OR=1.248, 95%CI=1.086-1.435), surgical history (OR=0.809, 95%CI=0.706-0.926), BMI (OR=1.028, 95%CI=1.012-1.045), mean platelet volume (MPV) (OR=1.121, 95%CI=1.059-1.186), serum magnesium (Mg_plus2 ) (OR=0.098, 95%CI=0.046-0.208), cardiac output (CO) (OR=1.115, 95%CI=1.009-1.233), left ventricular posterior wall thickness (LVPW) (OR=0.777, 95%CI=0.665-0.909), left atrial diameter (LAD) (OR=1.144, 95%CI=1.123-1.166), left ventricular ejection fraction (LVEF) (OR=0.955, 95%CI=0.938-0.972), right atrial diameter (RAD) (OR=1.031, 95%CI=1.005-1.057), triglycerides (TG) (OR=0.821, 95%CI=0.751-0.898), uric acid (UA) (OR=1.003, 95%CI=1.002-1.003), and left ventricular end-diastolic diameter (LVEDD) (OR=0.903, 95%CI=0.879-0.927). ROC curve analysis demonstrated that the XGB model achieved the best performance (mean AUC=0.823), followed by the SVM model (mean AUC=0.820) and the RF model (mean AUC=0.814). SHAP analysis of the XGB model revealed that LAD and RAD had the highest SHAP values, suggesting that atrial structural parameters exert the greatest influence on model classification.

Conclusion

Increased BMI, male sex, elevated MPV, higher UA, decreased TG levels, decreased Mg_plus2, reduced LVEF, decreased LVEDD, no surgical history, and enlarged RAD and LAD were all closely associated with the occurrence of persistent AF. These clinical parameters can be readily obtained through routine examinations, most of which are non-invasive, and may serve as important clinical indicators for identifying patients with persistent AF, thereby supporting early clinical risk stratification and the development of targeted intervention strategies.

Key words: Atrial fibrillation, Paroxysmal AF, Persistent AF, LASSO regression, Logistic regression

摘要：

背景

心房颤动（简称房颤）会严重影响患者的生活质量，导致高致残率和死亡率，并增加医疗费用。当前的房颤分型方法主要依赖于临床症状与检查结果，但难以量化其背后潜在的病理生理负荷，易导致治疗策略与患者的实际风险不匹配。

目的

探讨持续性房颤的影响因素，并基于此构建判别模型。

方法

纳入2012年4月—2023年9月在新疆医科大学第一附属医院就诊的阵发性与持续性房颤患者为观察对象。收集患者的一般资料、生化指标、肾功能指标、心脏功能相关指标等进行分析。首先采用单因素Logistic回归分析筛选与房颤类型相关的变量，使用最小绝对收缩与选择算子（LASSO）回归方法进一步筛选特征变量，以降低模型复杂性并避免过拟合。随后构建多因素Logistic回归模型以识别与持续性房颤独立相关的影响因素。采用Bootstrap重抽样方法，将显著变量纳入随机森林（RF）、决策树（DT）、朴素贝叶斯（NB）、支持向量机（SVM）、K近邻（KNN）及极限梯度提升算法（XGB）共6种机器学习判别模型，并通过受试者工作特征（ROC）曲线评估模型的判别能力。最后基于SHAP方法评估各变量对判别模型的贡献。

结果

共收集到6 938例患者信息，其中包括5 085例阵发性房颤患者和1 853例持续性房颤患者。单因素Logistic回归分析共筛选出19个有统计学意义的自变量。经LASSO回归筛选，最终确定13个关键变量纳入多因素Logistic回归分析，结果显示，性别（OR=1.248，95%CI=1.086~1.435）、个人手术史（OR=0.809，95%CI=0.706~0.926）、BMI（OR=1.028，95%CI=1.012~1.045）、平均血小板体积（MPV）（OR=1.121，95%CI=1.059~1.186）、血清镁（Mg_plus2）（OR=0.098，95%CI=0.046~0.208）、心输出量（CO）（OR=1.115，95%CI=1.009~1.233）、左心室后壁厚度（LVPW）（OR=0.777，95%CI=0.665~0.909）、左心房内径（LAD）（OR=1.144，95%CI=1.123~1.166）、左心室射血分数（LVEF）（OR=0.955，95%CI=0.938~0.972）、右心房内径（RAD）（OR=1.031，95%CI=1.005~1.057）、甘油三酯（TG）（OR=0.821，95%CI=0.751~0.898）、尿酸（UA）（OR=1.003，95%CI=1.002~1.003）、左心室舒张末期内径（LVEDD）（OR=0.903，95%CI=0.879~0.927）均为持续性房颤的独立影响因素（P<0.05）。ROC曲线分析结果显示，XGB模型表现最佳（ROC曲线下面积为0.823），其次为SVM模型（0.820）和RF模型（0.814）。评估各变量对XGB模型判别结果的相对贡献，结果显示，LAD与RAD的SHAP值最高，提示心房结构参数在判别模型中具有显著的影响。

结论

BMI升高、男性、MPV增高、UA升高、TG降低、Mg_plus2水平降低、LVEF降低、LVEDD减小、无个人手术史以及RAD和LAD增大，均与持续性房颤的发生密切相关。这些临床指标均可以通过常规检查手段获得，其中大多数为无创检查，能够作为判别持续性房颤患者的重要参考因素，辅助临床早期风险分层与干预策略的制定。

关键词: 心房颤动, 阵发性房颤, 持续性房颤, LASSO回归, Logistic回归

CLC Number:

R 541.75

LI Chaohui,LIU Hui,WANG Kai. Identification of Factors Associated with Persistent Atrial Fibrillation and Development of a Classification Model[J]. Chinese General Practice, 2026, 29(20): 2846-2853. DOI: 10.12114/j.issn.1007-9572.2025.0360.
李超辉,刘慧,王凯. 持续性心房颤动的影响因素识别及判别模型构建研究[J]. 中国全科医学, 2026, 29(20): 2846-2853. DOI: 10.12114/j.issn.1007-9572.2025.0360.

Figures/Tables 7

References 30

[1]	Tan S Y, Zhou J B, Veang T, et al. Global, regional, and national burden of atrial fibrillation and atrial flutter from 1990 to 2021: sex differences and global burden projections to 2046-a systematic analysis of the Global Burden of Disease Study 2021[J]. Europace, 2025, 27(2): euaf027. DOI: 10.1093/europace/euaf027.
[2]	Heeringa J, Van Der Kuip D A M, Hofman A, et al. Prevalence, incidence and lifetime risk of atrial fibrillation: the Rotterdam study[J]. Eur Heart J, 2006, 27(8): 949-953.
[3]	Benjamin E J, Virani S S, Callaway C W, et al. Heart disease and stroke statistics-2018 update: a report from the American heart association[J]. Circulation, 2018, 137(12): e67-e492.
[4]	Roth G A, Mensah G A, Johnson C O, et al. Global burden of cardiovascular diseases and risk factors, 1990-2019: update from the GBD 2019 study[J]. J Am Coll Cardiol, 2020, 76(25): 2982-3021. DOI: 10.1016/j.jacc.2020.11.010.
[5]	Van Staa T P, Setakis E, Di Tanna G L, et al. A comparison of risk stratification schemes for stroke in 79 884 atrial fibrillation patients in general practice[J]. J Thromb Haemost, 2011, 9(1): 39-48. DOI: 10.1111/j.1538-7836.2010.04085.x.
[6]	Souresrafil A, Abutorabi A, Peighambari M M, et al. Cost-effectiveness of new oral anticoagulants for the prevention of stroke in patients with atrial fibrillation in low and middle-income countries: a systematic review[J]. Med J Islam Repub Iran, 2022, 36: 6. DOI: 10.47176/mjiri.36.6.
[7]	Lippi G, Sanchis-Gomar F, Cervellin G. Global epidemiology of atrial fibrillation: an increasing epidemic and public health challenge[J]. Int J Stroke, 2021, 16(2): 217-221. DOI: 10.1177/1747493019897870.
[8]	Thrall G, Lane D, Carroll D, et al. Quality of life in patients with atrial fibrillation: a systematic review[J]. Am J Med, 2006, 119(5): 448.e1-e19. DOI: 10.1016/j.amjmed.2005.10.057.
[9]	Brundel B J J M, Ai X, Hills M T, et al. Atrial fibrillation[J]. Nat Rev Dis Primers, 2022, 8: 21. DOI: 10.1038/s41572-022-00347-9.
[10]	January C T, Wann L S, Calkins H, et al. 2019 AHA/ACC/HRS focused update of the 2014 AHA/ACC/HRS guideline for the management of patients with atrial fibrillation: a report of the American college of cardiology/American heart association task force on clinical practice guidelines and the heart rhythm society in collaboration with the society of thoracic surgeons[J]. Circulation, 2019, 140(2): e125-e151. DOI: 10.1161/CIR.0000000000000665
[11]	Hindricks G, Potpara T, Dagres N, et al. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery (EACTS): the task force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology (ESC) developed with the special contribution of the European Heart Rhythm Association (EHRA) of the ESC[J]. Eur Heart J, 2021, 42(5): 373-498. DOI: 10.1093/eurheartj/ehaa612.
[12]	中华医学会心血管病学分会, 中国生物医学工程学会心律分会. 心房颤动诊断和治疗中国指南[J]. 中华心血管病杂志, 2023, 51(6): 572-618. DOI: 10.3760/cma.j.cn112148-20230416-00221.
[13]	Nguyen B O, Weberndorfer V, Crijns H J, et al. Prevalence and determinants of atrial fibrillation progression in paroxysmal atrial fibrillation[J]. Heart, 2022, 109(3): 186-194.
[14]	Middeldorp M E, Sandhu R K, Mao J, et al. Risk factors for the development of new-onset persistent atrial fibrillation: subanalysis of the VITAL study[J]. Circ Arrhythm Electrophysiol, 2023, 16(12): 651-662. DOI: 10.1161/CIRCEP.123.012334.
[15]	Patel V A, Bushi G, Balaraman A K, et al. Left ventricular ejection fraction as a prognostic marker in atrial fibrillation management[J]. Int J Surg Open, 2024, 62(6): 830-832. DOI: 10.1097/io9.0000000000000217.
[16]	Del Pinto R, Ferri C. Inflammation-accelerated senescence and the cardiovascular system: mechanisms and perspectives[J]. Int J Mol Sci, 2018, 19(12): 3701. DOI: 10.3390/ijms19123701.
[17]	Choi D H, Kang S H, Song H. Mean platelet volume: a potential biomarker of the risk and prognosis of heart disease[J]. Korean J Intern Med, 2016, 31(6): 1009-1017. DOI: 10.3904/kjim.2016.078.
[18]	Ha S I, Choi D H, Ki Y J, et al. Stroke prediction using mean platelet volume in patients with atrial fibrillation[J]. Platelets, 2011, 22(6): 408-414. DOI: 10.3109/09537104.2011.560306.
[19]	Bayar N, Arslan S, Cagirci G, et al. Usefulness of mean platelet volume for predicting stroke risk in paroxysmal atrial fibrillation patients[J]. Blood Coagul Fibrinolysis, 2015, 26(6): 669-672. DOI: 10.1097/MBC.0000000000000334.
[20]	Turfan M, Erdogan E, Ertas G, et al. Usefulness of mean platelet volume for predicting stroke risk in atrial fibrillation patients[J]. Blood Coagul Fibrinolysis, 2013, 24(1): 55-58.
[21]	Misialek J R, Lopez F L, Lutsey P L, et al. Serum and dietary magnesium and incidence of atrial fibrillation in whites and in African Americans—Atherosclerosis Risk in Communities (ARIC) study[J]. Circ J, 2013, 77(2): 323-329.
[22]	Ding M Z, Viet N N, Gigante B, et al. Elevated uric acid is associated with new-onset atrial fibrillation: results from the Swedish AMORIS cohort[J]. J Am Heart Assoc, 2023, 12(3): e027089.
[23]	Lee H J, Lee S R, Choi E K, et al. Low lipid levels and high variability are associated with the risk of new-onset atrial fibrillation[J]. J Am Heart Assoc, 2019, 8(23): e012771.
[24]	Li G Y, Elimam A M, Lo L W, et al. Factors predicting the progression from paroxysmal to persistent atrial fibrillation despite an index catheter ablation[J]. J Cardiovasc Electrophysiol, 2023, 34(12): 2504-2513. DOI: 10.1111/jce.16100.
[25]	Boixel C, Fontaine V, Rücker-Martin C, et al. Fibrosis of the left Atria during progression of heart failure is associated with increased matrix metalloproteinases in the rat[J]. J Am Coll Cardiol, 2003, 42(2): 336-344. DOI: 10.1016/s0735-1097(03)00578-3.
[26]	Vitolo M, Proietti M, Imberti J F, et al. Factors associated with progression of atrial fibrillation and impact on all-cause mortality in a cohort of European patients[J]. J Clin Med, 2023, 12(3): 768. DOI: 10.3390/jcm12030768.
[27]	Ozcan C, Battaglia E, Young R, et al. LKB1 knockout mouse develops spontaneous atrial fibrillation and provides mechanistic insights into human disease process[J]. J Am Heart Assoc, 2015, 4(3): e001733. DOI: 10.1161/JAHA.114.001733.
[28]	Rudra P, Krishna Krishnamaneni V, Chandan P, et al. Determinants of atrial fibrillation progression and its influence on overall mortality in a cohort of patients from south India[J]. Cureus, 2023, 15(9): e45082. DOI: 10.7759/cureus.45082.
[29]	Wang H B, Liu M X, Wang X X, et al. MFAP4 deletion attenuates the progression of angiotensin II-induced atrial fibrosis and atrial fibrillation[J]. Europace, 2022, 24(2): 340-347.
[30]	Bakir E O, Yurdam F S, Dolu A K, et al. The relationship between the left atrium/left ventricle ratio and atrial fibrillation in patients with ischemic stroke without significant left atrial enlargement[J]. Int J Cardiovasc Imaging, 2025, 41(10): 2025-2032. DOI: 10.1007/s10554-025-03512-9.

一般资料	阵发性房颤（n=5 085）	持续性房颤（n=1 853）
性别[例（%）]
女	2 083（41）	693（37）
男	3 002（59）	1 160（63）
年龄[M（P₂₅，P₇₅），岁]	66.0（56.0，75.0）	65.0（56.0，73.0）
个人手术史[例（%）]
无	2 646（52）	1 075（58）
有	2 439（48）	778（42）
饮酒情况[例（%）]
无	3 932（77）	1 422（77）
有	1 153（23）	431（23）
BMI[M（P₂₅，P₇₅），kg/m²]	24.9（22.5，27.4）	25.6（23.4，28.1）
MPV[M（P₂₅，P₇₅），fL]	10.60（9.90，11.40）	10.80（10.10，11.60）
Crea[M（P₂₅，P₇₅），μmol/L]	73.25（61.00，88.00）	78.00（65.00，92.40）
Urea[M（P₂₅，P₇₅），mmol/L]	5.70（4.60，7.13）	6.20（4.90，7.79）
UA[M（P₂₅，P₇₅），μmol/L]	315.90（253.00，383.99）	364.00（297.00，439.21）
TG[M（P₂₅，P₇₅），mmol/L]	1.19（0.88，1.69）	1.09（0.80，1.52）
HDL-C[M（P₂₅，P₇₅），mmol/L]	1.00（0.82，1.22）	0.98（0.81，1.18）
LDL-C[M（P₂₅，P₇₅），mmol/L]	2.28（1.75，2.86）	2.21（1.67，2.76）
Mg_plus2[M（P₂₅，P₇₅），mmol/L]	0.87（0.82，0.92）	0.85（0.80，0.90）
LDH[M（P₂₅，P₇₅），U/L]	180.47（154.00，216.30）	190.00（164.20，231.80）
Cys-C[M（P₂₅，P₇₅），mg/L]	0.99（0.82，1.22）	1.07（0.89，1.32）
D-Dimer[M（P₂₅，P₇₅），μg/L]	150.00（74.00，418.00）	148.00（74.00，410.00）
Ccr[M（P₂₅，P₇₅），mg/dL]	80.90（61.60，106.10）	80.60（61.90，105.50）
eGFR[M（P₂₅，P₇₅），mL·min^-1·（1.73 m²）^-1]	84.10（68.70，101.50）	79.70（65.70，95.30）
CO[M（P₂₅，P₇₅），L/min]	5.03（4.13，5.89）	5.11（3.92，6.30）
LAD[M（P₂₅，P₇₅），mm]	36.00（32.00，40.00）	42.00（38.00，47.00）
LVESD[M（P₂₅，P₇₅），mm]	32.00（30.00，35.00）	34.00（31.00，37.00）
LVEDD[M（P₂₅，P₇₅），mm]	48.00（45.00，51.00）	49.00（45.00，53.00）
LVEF[M（P₂₅，P₇₅），%]	61.90（56.00，64.04）	58.00（46.63，62.68）
LVPW[M（P₂₅，P₇₅），mm]	9.00（8.00，9.00）	9.00（8.00，9.00）
RAD[M（P₂₅，P₇₅），mm]	34.00（32.00，36.00）	38.00（34.00，44.00）

一般资料	阵发性房颤（n=5 085）	持续性房颤（n=1 853）
性别[例（%）]
女	2 083（41）	693（37）
男	3 002（59）	1 160（63）
年龄[M（P₂₅，P₇₅），岁]	66.0（56.0，75.0）	65.0（56.0，73.0）
个人手术史[例（%）]
无	2 646（52）	1 075（58）
有	2 439（48）	778（42）
饮酒情况[例（%）]
无	3 932（77）	1 422（77）
有	1 153（23）	431（23）
BMI[M（P₂₅，P₇₅），kg/m²]	24.9（22.5，27.4）	25.6（23.4，28.1）
MPV[M（P₂₅，P₇₅），fL]	10.60（9.90，11.40）	10.80（10.10，11.60）
Crea[M（P₂₅，P₇₅），μmol/L]	73.25（61.00，88.00）	78.00（65.00，92.40）
Urea[M（P₂₅，P₇₅），mmol/L]	5.70（4.60，7.13）	6.20（4.90，7.79）
UA[M（P₂₅，P₇₅），μmol/L]	315.90（253.00，383.99）	364.00（297.00，439.21）
TG[M（P₂₅，P₇₅），mmol/L]	1.19（0.88，1.69）	1.09（0.80，1.52）
HDL-C[M（P₂₅，P₇₅），mmol/L]	1.00（0.82，1.22）	0.98（0.81，1.18）
LDL-C[M（P₂₅，P₇₅），mmol/L]	2.28（1.75，2.86）	2.21（1.67，2.76）
Mg_plus2[M（P₂₅，P₇₅），mmol/L]	0.87（0.82，0.92）	0.85（0.80，0.90）
LDH[M（P₂₅，P₇₅），U/L]	180.47（154.00，216.30）	190.00（164.20，231.80）
Cys-C[M（P₂₅，P₇₅），mg/L]	0.99（0.82，1.22）	1.07（0.89，1.32）
D-Dimer[M（P₂₅，P₇₅），μg/L]	150.00（74.00，418.00）	148.00（74.00，410.00）
Ccr[M（P₂₅，P₇₅），mg/dL]	80.90（61.60，106.10）	80.60（61.90，105.50）
eGFR[M（P₂₅，P₇₅），mL·min^-1·（1.73 m²）^-1]	84.10（68.70，101.50）	79.70（65.70，95.30）
CO[M（P₂₅，P₇₅），L/min]	5.03（4.13，5.89）	5.11（3.92，6.30）
LAD[M（P₂₅，P₇₅），mm]	36.00（32.00，40.00）	42.00（38.00，47.00）
LVESD[M（P₂₅，P₇₅），mm]	32.00（30.00，35.00）	34.00（31.00，37.00）
LVEDD[M（P₂₅，P₇₅），mm]	48.00（45.00，51.00）	49.00（45.00，53.00）
LVEF[M（P₂₅，P₇₅），%]	61.90（56.00，64.04）	58.00（46.63，62.68）
LVPW[M（P₂₅，P₇₅），mm]	9.00（8.00，9.00）	9.00（8.00，9.00）
RAD[M（P₂₅，P₇₅），mm]	34.00（32.00，36.00）	38.00（34.00，44.00）

自变量	β	SE	Wald χ²值	P值	OR值（95%CI）
性别（以女性为参照）
男	0.150	0.056	7.18	0.007	1.16（1.04~1.30）
年龄	-0.003	0.002	1.87	0.172	1.00（0.99~1.00）
个人手术史（以无为参照）
有	-0.240	0.055	19.03	<0.001	0.79（0.71~0.88）
饮酒情况（以无为参照）
有	0.017	0.066	0.07	0.794	1.02（0.89~1.16）
BMI	0.047	0.007	46.05	<0.001	1.05（1.03~1.06）
MPV	0.150	0.024	39.59	<0.001	1.16（1.11~1.22）
Crea	0	0.000	0.22	0.636	1.00（1.00~1.00）
Urea	0.033	0.007	20.74	<0.001	1.03（1.02~1.05）
UA	0.004	0.000	251.26	<0.001	1.00（1.00~1.00）
TG	-0.209	0.037	32.49	<0.001	0.81（0.75~0.87）
HDL-C	-0.275	0.091	9.09	0.003	0.76（0.63~0.91）
LDL-C	-0.170	0.040	17.96	<0.001	0.84（0.78~0.91）
Mg_plus2	-2.794	0.318	77.14	<0.001	0.06（0.03~0.11）
LDH	0	0.000	0.73	0.397	1.00（1.00~1.00）
Cys-C	0.146	0.044	11.28	<0.001	1.16（1.06~1.26）
D-Dimer	0	0.000	1.18	0.294	1.00（1.00~1.00）
Ccr	0	0.001	0.66	0.417	1.00（1.00~1.00）
eGFR	-0.005	0.001	29.45	<0.001	1.00（0.99~1.00）
CO	0.049	0.020	5.70	0.030	1.05（1.01~1.10）
LAD	0.111	0.005	492.93	<0.001	1.12（1.11~1.13）
LVESD	0.046	0.005	98.46	<0.001	1.05（1.04~1.06）
LVEDD	0.023	0.005	24.92	<0.001	1.02（1.01~1.03）
LVEF	-0.040	0.003	157.27	<0.001	0.96（0.95~0.97）
LVPW	-0.045	0.020	4.85	0.038	0.96（0.92~1.00）
RAD	0.062	0.010	36.55	0.001	1.06（1.04~1.09）

自变量	β	SE	Wald χ²值	P值	OR值（95%CI）
性别（以女性为参照）
男	0.150	0.056	7.18	0.007	1.16（1.04~1.30）
年龄	-0.003	0.002	1.87	0.172	1.00（0.99~1.00）
个人手术史（以无为参照）
有	-0.240	0.055	19.03	<0.001	0.79（0.71~0.88）
饮酒情况（以无为参照）
有	0.017	0.066	0.07	0.794	1.02（0.89~1.16）
BMI	0.047	0.007	46.05	<0.001	1.05（1.03~1.06）
MPV	0.150	0.024	39.59	<0.001	1.16（1.11~1.22）
Crea	0	0.000	0.22	0.636	1.00（1.00~1.00）
Urea	0.033	0.007	20.74	<0.001	1.03（1.02~1.05）
UA	0.004	0.000	251.26	<0.001	1.00（1.00~1.00）
TG	-0.209	0.037	32.49	<0.001	0.81（0.75~0.87）
HDL-C	-0.275	0.091	9.09	0.003	0.76（0.63~0.91）
LDL-C	-0.170	0.040	17.96	<0.001	0.84（0.78~0.91）
Mg_plus2	-2.794	0.318	77.14	<0.001	0.06（0.03~0.11）
LDH	0	0.000	0.73	0.397	1.00（1.00~1.00）
Cys-C	0.146	0.044	11.28	<0.001	1.16（1.06~1.26）
D-Dimer	0	0.000	1.18	0.294	1.00（1.00~1.00）
Ccr	0	0.001	0.66	0.417	1.00（1.00~1.00）
eGFR	-0.005	0.001	29.45	<0.001	1.00（0.99~1.00）
CO	0.049	0.020	5.70	0.030	1.05（1.01~1.10）
LAD	0.111	0.005	492.93	<0.001	1.12（1.11~1.13）
LVESD	0.046	0.005	98.46	<0.001	1.05（1.04~1.06）
LVEDD	0.023	0.005	24.92	<0.001	1.02（1.01~1.03）
LVEF	-0.040	0.003	157.27	<0.001	0.96（0.95~0.97）
LVPW	-0.045	0.020	4.85	0.038	0.96（0.92~1.00）
RAD	0.062	0.010	36.55	0.001	1.06（1.04~1.09）

变量	β	SE	Z值	P值	OR值（95%CI）
性别	0.222	0.071	3.130	0.002	1.248（1.086~1.435）
个人手术史	-0.213	0.069	-3.088	0.002	0.809（0.706~0.926）
BMI	0.028	0.008	3.411	<0.001	1.028（1.012~1.045）
MPV	0.114	0.029	3.974	<0.001	1.121（1.059~1.186）
Mg_plus2	-2.322	0.379	-6.130	<0.001	0.098（0.046~0.208）
CO	0.109	0.044	2.478	0.037	1.115（1.009~1.233）
LVPW	-0.252	0.063	-3.999	0.008	0.777（0.665~0.909）
LAD	0.135	0.009	15.482	<0.001	1.144（1.123~1.166）
LVEF	-0.046	0.008	-5.984	<0.001	0.955（0.938~0.972）
RAD	0.030	0.010	2.906	0.024	1.031（1.005~1.057）
TG	-0.197	0.045	-4.390	<0.001	0.821（0.751~0.898）
UA	0.003	0.000	10.005	<0.001	1.003（1.002~1.003）
LVEDD	-0.102	0.012	-8.655	<0.001	0.903（0.879~0.927）