Choroba wieńcowa – Rokowania, prognozy i postęp choroby

Choroba wieńcowa
Rokowania, prognozy i postęp choroby

Choroba wieńcowa (CAD) pozostaje wiodącą przyczyną zgonów globalnie, a precyzyjne przewidywanie rokowania jest kluczowe dla optymalizacji leczenia. Nowoczesne metody statystyczne i algorytmy uczenia maszynowego (ML) przewyższają tradycyjną ocenę kliniczną w dokładności prognozowania, zwłaszcza w podgrupach wysokiego ryzyka, takich jak pacjenci z migotaniem przedsionków. Modele ML, takie jak regularyzowana regresja logistyczna (AUC 0,732), las losowy (AUC 0,728) i maszyny wektorów nośnych (AUC 0,712), wykazują wysoką skuteczność, a model regresji logistycznej rekomendowany jest do praktyki klinicznej ze względu na najlepszą specyficzność i interpretowalność. Wartości predykcyjne EKG zostały znacznie rozszerzone dzięki głębokim sieciom neuronowym typu CNN, np. narzędzie SEER prognozuje 5-letnią śmiertelność sercowo-naczyniową z AUC 0,83, co poprawia stratyfikację ryzyka, zwłaszcza u pacjentów z pośrednim ryzykiem według Pooled Cohort Equations (PCE). System CAD-RADS z kolei umożliwia standaryzację raportów CCTA i jest silnym predyktorem MACE (HR 3,39–8,63) oraz śmiertelności z wszystkich przyczyn (HR 1,50–3,09).

Prognoza w chorobie wieńcowej

Choroba wieńcowa (ang. Coronary Artery Disease, CAD) pozostaje jedną z głównych przyczyn zgonów zarówno w krajach rozwiniętych, jak i rozwijających się. Przewidywanie rokowania u pacjentów z chorobą wieńcową jest kluczowym elementem procesu terapeutycznego, pozwalającym na wdrożenie odpowiedniego leczenia oraz podjęcie właściwych decyzji klinicznych. W ostatnich latach nastąpił znaczący postęp w dziedzinie oceny rokowania, szczególnie dzięki zastosowaniu nowoczesnych metod statystycznych oraz algorytmów uczenia maszynowego.¹

Modele statystyczne vs ocena ekspercka

Badania porównujące skuteczność modeli statystycznych z oceną doświadczonych kardiologów w przewidywaniu długoterminowego rokowania u pacjentów z chorobą wieńcową wykazały, że modele oparte na starannie zebranych danych zapewniają bardziej precyzyjne prognozy niż oceny dokonywane przez klinicystów. Przewidywania modelowe wykazują lepszą korelację z rzeczywistymi wynikami leczenia pacjentów.²

Pomimo ich skuteczności, standardowe wieloczynnikowe funkcje ryzyka wykazują znaczną heterogenność, gdy są stosowane w różnych populacjach. Badania wykazały istotne różnice w trzech aspektach: szeregowaniu ryzyka, wielkości ryzyka względnego oraz szacowaniu ryzyka bezwzględnego. Szczególnie widoczne jest to przy próbie zastosowania modelu z jednej populacji do innej, gdzie ryzyko bezwzględne może być znacząco przeszacowane lub niedoszacowane. Na przykład, funkcja predykcyjna Framingham dla białych mężczyzn w średnim wieku przeszacowywała bezwzględne ryzyko choroby wieńcowej u Amerykanów pochodzenia japońskiego, mężczyzn pochodzenia hiszpańskiego oraz kobiet rdzennych Amerykanów, a także w populacjach europejskich (Francja, Szwecja, Włochy).³

Uczenie maszynowe w przewidywaniu rokowania

Uczenie maszynowe (Machine Learning, ML) stanowi obiecujące podejście do przewidywania rokowania w chorobie wieńcowej, ponieważ pozwala na uwzględnienie bardziej różnorodnych i złożonych zmiennych przy konstruowaniu modeli predykcyjnych. Badania wykazały, że modele oparte na uczeniu maszynowym mogą skutecznie przewidywać śmiertelność z wszystkich przyczyn u pacjentów z chorobą wieńcową, zwłaszcza w podgrupach wysokiego ryzyka, takich jak pacjenci z migotaniem przedsionków (AF).⁴

W analizie porównawczej różnych algorytmów uczenia maszynowego do przewidywania śmiertelności z wszystkich przyczyn u pacjentów z CAD i AF, model regularyzowanej regresji logistycznej, model lasu losowego oraz model maszyn wektorów nośnych osiągnęły wartości AUC (Area Under the Curve) odpowiednio 0,732, 0,728 i 0,712. Model regularyzowanej regresji logistycznej został rekomendowany do zastosowania w praktyce klinicznej ze względu na najwyższą wartość AUC, specyficzność i dokładność, a także większą prostotę i interpretowalność.⁴⁵

W innym badaniu wykorzystującym dane demograficzne, laboratoryjne, z badania fizykalnego i stylu życia, model uczenia maszynowego osiągnął wysoką dokładność predykcyjną (AUROC = 0,89) w przewidywaniu choroby wieńcowej. Najsilniejszymi predyktorami choroby wieńcowej były wiek, całkowite stężenie cholesterolu, liczba płytek krwi oraz rodzinny wywiad zawału serca.¹

Elektrokardiogram jako narzędzie prognostyczne

Elektrokardiogram (EKG) jest najczęściej wykonywanym badaniem diagnostycznym w kardiologii, jednak jego potencjał w przewidywaniu długoterminowego ryzyka sercowo-naczyniowego nie był w pełni wykorzystywany. Ostatnie badania wykazały, że głębokie sieci neuronowe typu konwolucyjnego (CNN) mogą dokładnie przewidywać długoterminowe ryzyko śmiertelności sercowo-naczyniowej i chorób na podstawie samego spoczynkowego EKG.⁶

Stanford Estimator of ECG Risk (SEER), narzędzie oparte na CNN, prognozuje 5-letnią śmiertelność sercowo-naczyniową z AUC wynoszącym 0,83 w zestawie testowym Stanford oraz z AUC wynoszącym odpowiednio 0,78 i 0,83 przy niezależnej ocenie w Cedars-Sinai Medical Center i Columbia University Irving Medical Center. SEER może również przewidywać inne schorzenia sercowo-naczyniowe, takie jak niewydolność serca i migotanie przedsionków.⁶

SEER, stosowany obok równań Pooled Cohort Equations (PCE) i innych narzędzi oceny ryzyka, może znacznie poprawić stratyfikację ryzyka sercowo-naczyniowego i pomóc w podejmowaniu decyzji medycznych. Szczególnie skutecznie stratyfikuje pacjentów z pośrednim ryzykiem według wyniku PCE, pokazując potencjał do pełnienia podobnej roli jak obecnie wynik zwapnienia tętnic wieńcowych (CAC).⁷⁸

System CAD-RADS w ocenie rokowania

System klasyfikacji i raportowania choroby wieńcowej (Coronary Artery Disease Reporting and Data Systems, CAD-RADS) został wprowadzony, aby ujednolicić raporty z tomografii komputerowej tętnic wieńcowych (CCTA). Metaanaliza badań oceniających wartość prognostyczną systemu CAD-RADS wykazała, że wszystkie oryginalne kategorie CAD-RADS mogą być predyktorami poważnych zdarzeń sercowo-naczyniowych (MACE) z współczynnikami ryzyka (HR) wahającymi się od 3,39 do 8,63, a wszystkie kategorie, z wyjątkiem CAD-RADS 1, mogą przewidywać śmiertelność z wszystkich przyczyn (HR od 1,50 do 3,09).⁹

Wyższe kategorie CAD-RADS były związane ze zwiększonym współczynnikiem ryzyka dla niekorzystnych wyników wśród pacjentów z CAD (p_{dla MACE} = 0,007 i p_{dla śmiertelności z wszystkich przyczyn} = 0,018). Dowody wskazują, że system klasyfikacji CAD-RADS może być wykorzystywany do przewidywania wystąpienia MACE i śmiertelności z wszystkich przyczyn, wspierając lekarzy w ocenie ryzyka pacjentów i prognozowaniu ich rokowania.⁹¹⁰

Przewidywanie rokowania po przezskórnej interwencji wieńcowej

Tradycyjna ocena ryzyka prognostycznego u pacjentów z chorobą wieńcową poddawanych przezskórnej interwencji wieńcowej (PCI) opiera się na ograniczonym wyborze wyników klinicznych i obrazowych. Modele uczenia maszynowego poprawiły przewidywanie długoterminowej śmiertelności z wszystkich przyczyn u pacjentów z chorobą wieńcową przed PCI.¹¹

W porównaniu różnych modeli, model lasu losowego (RF) wykazał lepszą wydajność niż inne modele, zapewniając znaczącą stratyfikację długoterminowych wyników u pacjentów z chorobą wieńcową po PCI. Ciśnienie rozkurczowe, wiek i peptyd natriuretyczny typu B okazały się trzema najważniejszymi czynnikami ryzyka 5-letniej śmiertelności u pacjentów poddawanych PCI. Badania sugerują, że pacjenci wysokiego ryzyka, którzy zostali wyselekcjonowani przed PCI, powinni być ściślej monitorowani po zabiegu.¹¹

Wielowymiarowy model predykcyjny dla ostrych zespołów wieńcowych

W przypadku pacjentów z ostrym zespołem wieńcowym (ACS) poddawanych PCI, opracowano wielowymiarowy model predykcyjny, który integruje odpowiedź zapalną po wystąpieniu objawów, wydolność fizyczną i tolerancję wysiłku przed wypisem oraz codzienną aktywność po wypisie, aby przewidzieć długoterminowe rokowanie.¹²

Badanie wykazało, że rokowanie pacjentów z zawałem mięśnia sercowego (AMI) po PCI było związane z przedoperacyjnym poziomem białych krwinek (WBC) i efektywnym autonomicznym układem nerwowym (ANS) w domu. Podobnie, rokowanie pacjentów z niestabilną dławicą piersiową (UA) po PCI było związane z przedoperacyjnym poziomem WBC, VO₂ na progu beztlenowym (AT) przed wypisem oraz efektywnym ANS w domu.¹³

Wieloczynnikowy model predykcyjny uwzględnia różne okresy i czynniki, co pozwala na dokładniejszą stratyfikację ryzyka pacjenta, umożliwiając zindywidualizowaną, ukierunkowaną i precyzyjną rehabilitację dla pacjentów z różną stratyfikacją ryzyka. Model wielowymiarowy okazał się skuteczniejszy niż model jednoczynnikowy w ocenie ryzyka u pacjentów z ACS.¹³

Znaczenie czynników ryzyka w prognozowaniu

Różne badania zidentyfikowały kluczowe czynniki ryzyka wpływające na rokowanie w chorobie wieńcowej. Do najważniejszych należą:

Czynniki demograficzne: wiek, płeć, rasa/pochodzenie etniczne¹
Parametry biochemiczne: całkowite stężenie cholesterolu, cholesterol HDL i LDL, poziom glukozy na czczo¹²
Markery stanu zapalnego: liczba białych krwinek, neutrofilów, monocytów¹²
Parametry hemodynamiczne: ciśnienie rozkurczowe krwi¹¹
Biomarkery sercowe: peptyd natriuretyczny typu B¹¹
Wywiad rodzinny: historia zawałów serca w rodzinie¹
Funkcja autonomicznego układu nerwowego (szczególnie po wypisie ze szpitala)¹³
Wydolność fizyczna i tolerancja wysiłku przed wypisem¹³

Ograniczenia i wyzwania w prognozowaniu

Pomimo znaczących postępów w dziedzinie prognozowania rokowania w chorobie wieńcowej, istnieją pewne ograniczenia i wyzwania, które należy uwzględnić:

Heterogenność populacji: Znacząca różnorodność w odpowiedzi na czynniki ryzyka między różnymi populacjami powoduje, że model opracowany dla jednej grupy może nie być odpowiedni dla innej³
Złożoność interakcji czynników ryzyka: Czynniki ryzyka mogą wchodzić w złożone interakcje, które trudno uwzględnić w tradycyjnych modelach⁴
Dynamiczna natura choroby: Choroba wieńcowa jest stanem dynamicznym, który może ewoluować w czasie, co komplikuje długoterminowe przewidywania¹³
Potrzeba walidacji zewnętrznej: Modele predykcyjne wymagają walidacji w różnych populacjach i ośrodkach przed szerszym zastosowaniem klinicznym⁵

Przyszłe kierunki w prognozowaniu choroby wieńcowej

Przyszłe kierunki badań w dziedzinie prognozowania rokowania w chorobie wieńcowej obejmują:

Integracja różnych źródeł danych: Łączenie danych klinicznych, obrazowych, genetycznych i stylu życia w celu stworzenia kompleksowych modeli predykcyjnych⁷
Implementacja uczenia głębokiego: Dalszy rozwój algorytmów uczenia głębokiego do analizy złożonych danych, takich jak EKG czy obrazy CCTA⁶
Personalizacja modeli predykcyjnych: Dostosowanie modeli do specyficznych podgrup pacjentów i różnych kontekstów klinicznych¹³
Wykorzystanie danych w czasie rzeczywistym: Włączenie danych monitorowanych w czasie rzeczywistym do ciągłej aktualizacji oceny ryzyka¹³
Szersze zastosowanie kliniczne: Opracowanie łatwych w użyciu narzędzi klinicznych opartych na zaawansowanych modelach, które można stosować w codziennej praktyce⁵

Obecne badania wskazują, że wielowymiarowe podejście do prognozowania rokowania, uwzględniające różne aspekty choroby wieńcowej i różne okresy leczenia, pozwala na najbardziej precyzyjną stratyfikację ryzyka i dostosowanie terapii do indywidualnych potrzeb pacjenta.¹³

Kolejne rozdziały

Zapraszamy do dalszego czytania naszego leksykonu.

Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.

Materiały źródłowe

#1 Use of machine learning to identify risk factors for coronary artery disease | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0284103
Coronary artery disease (CAD) is the leading cause of death in both developed and developing nations. The objective of this study was to identify risk factors for coronary artery disease through machine-learning and assess this methodology. Machine learning models can effectively predict coronary artery disease using demographic, laboratory, physical exam, and lifestyle covariates. Age, total cholesterol, total platelets, and family history of heart attack are the strongest predictors of coronary artery disease. […] The greatest predictors for coronary artery disease included age, total cholesterol, total platelets, and family history of a heart attack. […] In this retrospective, cross sectional cohort of United States adults, a machine learning model utilizing demographic, laboratory, physical examination, and lifestyle questionnaire data had strong predictive accuracy (AUROC = 0.89).
#2 Predicting outcome in coronary disease. Statistical models versus expert clinicians – PubMed
https://pubmed.ncbi.nlm.nih.gov/3963036/
To study the accuracy with which long-term prognosis can be predicted in patients with coronary artery disease, prognostic predictions from a data-based multivariable statistical model were compared with predictions from senior clinical cardiologists. […] Overall, model predictions correlated better with actual patient outcomes than did the doctors’ predictions. […] In coronary artery disease, statistical models developed from carefully collected data can provide prognostic predictions that are more accurate than predictions of experienced clinicians made from detailed case summaries.
#3 Prediction of mortality from coronary heart disease among diverse populations: is there a common predictive function?
https://pmc.ncbi.nlm.nih.gov/articles/PMC1767330/
Objectives: To examine the generalisability of multivariate risk functions from diverse populations in three contexts: ordering risk, magnitude of relative risks, and estimation of absolute risk. […] The prediction of absolute risk was not very accurate in most of the cases when a model derived from one study was applied to a different study. […] However, when considered quantitatively, there was significant heterogeneity in all three aspects: ordering risk, magnitude of relative risks, and estimation of absolute risk. […] The absolute risk was overestimated when applying the northern European model to southern European populations and vice versa. […] The Framingham predictive function for white middle aged men overestimated absolute CHD risks in Japanese American and Hispanic men and Native American women, in France, in Sweden, and in Italy. […] We showed that there was significant variation between the studies in all aspects of multivariate risk. […] The heterogeneity of the risk factor-CHD relation across population groups should not be overlooked.
#4 Prediction of all-cause mortality in coronary artery disease patients with atrial fibrillation based on machine learning models | BMC Cardiovascular Disorders | Full Text
https://bmccardiovascdisord.biomedcentral.com/articles/10.1186/s12872-021-02314-w
Machine learning (ML) can include more diverse and more complex variables to construct models. This study aimed to develop models based on ML methods to predict the all-cause mortality in coronary artery disease (CAD) patients with atrial fibrillation (AF). […] The occurrence of AF is closely related to the unfavorable outcomes of CAD patients, including heart failure, cerebrovascular events, acute kidney injury, and in-hospital mortality. Even in carefully treated patients, their prognosis can be worsened by the occurrence of AF. Therefore, a tool predicting all-cause mortality in CAD patients with AF is necessary for the intervention and treatment. […] The AUC of the regularization logistic regression model, random forest model, and support vector machines model was 0.732, 0.728, and 0.712, respectively. The regularization logistic regression model had the highest AUC value, specificity, and accuracy among the three models. However, the ROC curve of the three models had no significant difference.
#5 Prediction of all-cause mortality in coronary artery disease patients with atrial fibrillation based on machine learning models | BMC Cardiovascular Disorders | Full Text
https://bmccardiovascdisord.biomedcentral.com/articles/10.1186/s12872-021-02314-w
The regularization logistic regression model was recommended to be used in clinical practice, because it was simpler and more interpretable. […] This study provided three ML models to predict all-cause mortality in patients with CAD and AF. The regularization logistic regression model may provide a tool to predict the all-cause mortality of CAD patients with AF, and provide clinicians with early intervention for patients who may be at high risk of mortality, which has important clinical significance for improving the prognosis of patients. […] Combining the performance of all aspects of the models, the regularization logistic regression model was recommended to be used in clinical practice. A better model based on large samples and multiple centers will be needed in future studies.
#6 A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease | npj Digital Medicine
https://www.nature.com/articles/s41746-023-00916-6
The electrocardiogram (ECG) is the most frequently performed cardiovascular diagnostic test, but it is unclear how much information resting ECGs contain about long term cardiovascular risk. […] Here we report that a deep convolutional neural network can accurately predict the long-term risk of cardiovascular mortality and disease based on a resting ECG alone. […] SEER predicts 5-year cardiovascular mortality with an area under the receiver operator characteristic curve (AUC) of 0.83 in a held-out test set at Stanford, and with AUCs of 0.78 and 0.83 respectively when independently evaluated at Cedars-Sinai Medical Center and Columbia University Irving Medical Center. […] SEER can also predict several other cardiovascular conditions such as heart failure and atrial fibrillation. […] SEER, used alongside the Pooled Cohort Equations and other risk tools, can substantially improve cardiovascular risk stratification and aid in medical decision making.
#7 A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease | npj Digital Medicine
https://www.nature.com/articles/s41746-023-00916-6
Using a large dataset of ECGs from Stanford University Medical Center (Stanford), we developed SEER, the Stanford Estimator of ECG Risk, a CNN-based risk score to predict long-term risk of cardiovascular mortality and other cardiovascular diseases from only a single resting 12-lead ECG. […] SEER is trained on Stanford ECGs to predict 5-year cardiovascular mortality, but can accurately predict a range of cardiovascular disease across an array of time-scales. […] We demonstrated its performance relative to the existing PCE risk score, the most commonly used method in the United States for estimating long-term cardiovascular risk and guiding lipid therapy. […] We showed that SEER encompasses known ECG risk factors, but also performs at a level beyond a model based solely on those risk factors.
#8 A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease | npj Digital Medicine
https://www.nature.com/articles/s41746-023-00916-6
SEER also stratifies patients with intermediate risk according to the PCE score, showing potential to perform a similar role to what the CAC score currently plays. […] Our risk score, SEER, identifies groups of patients to be up-risked and successfully stratifies intermediate risk patients for risk of ASCVD and cardiovascular mortality.
#9 The value of Coronary Artery Disease â Reporting and Data System (CAD-RADS) in Outcome Prediction of CAD Patients; a Systematic Review and Meta-analysis | Archives of Academic Emergency Medicine
https://journals.sbmu.ac.ir/aaem/index.php/AAEM/article/view/1997
Introduction: Coronary computed tomographic angiography (CCTA) reporting has traditionally been operator-dependent, and no precise classification is broadly used for reporting Coronary Artery Disease (CAD) severity. The Coronary Artery Disease Reporting and Data Systems (CAD-RADS) was introduced to address the inconsistent CCTA reports. This systematic review with meta-analysis aimed to comprehensively appraise all available studies and draw conclusions on the prognostic value of the CAD-RADS classification system in CAD patients. […] Our analysis demonstrated that all original CAD-RADS categories can be a predictor of MACE [Hazard ratios (HR) ranged from 3.39 to 8.63] and all categories, except CAD-RADS 1, can be a predictor of all-cause mortality (HRs ranged from 1.50 to 3.09). Moreover, higher CAD-RADS categories were associated with an increased hazard ratio for unfavorable outcomes among CAD patients (p for MACE = 0.007 and p for all-cause mortality = 0.018).
#10 The value of Coronary Artery Disease â Reporting and Data System (CAD-RADS) in Outcome Prediction of CAD Patients; a Systematic Review and Meta-analysis | Archives of Academic Emergency Medicine
https://journals.sbmu.ac.ir/aaem/index.php/AAEM/article/view/1997
The evidence demonstrated that the CAD-RADS classification system can be used to predict incidence of MACE and all-cause mortality. This indicates that the implementation of CAD-RADS into clinical practice, besides enhancing the communication between physicians and improving patient care, can also guide physicians in risk assessment of the patients and predicting their prognosis.
#11 Machine learning-based long-term outcome prediction in patients undergoing percutaneous coronary intervention – Liu – Cardiovascular Diagnosis and Therapy
https://cdt.amegroups.org/article/view/69917/html
Traditional prognostic risk assessment in patients with coronary artery disease undergoing percutaneous coronary intervention (PCI) is based on a limited selection of clinical and imaging findings. […] Machine learning (ML) models improved the prediction of long-term all-cause mortality in patients with coronary artery disease before PCI. […] The performance of the RF model was better than that of the other models, providing a meaningful stratification of long-term outcomes in coronary patients following PCI. […] Diastolic blood pressure, age, and brain natriuretic peptide are the top three risk factors for 5-year mortality in patients undergoing PCI. […] High-risk patients who were screened before PCI should be managed more strictly after PCI.
#12 Development of a multidimensional prediction model for long-term prognostic risk in patients with acute coronary syndromes after percutaneous coronary intervention: A retrospective observational cohort study | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0318445
The aim of this study is to examine the critical variables that impact the long-term prognosis of patients with acute coronary syndrome (ACS) after percutaneous coronary intervention (PCI) and to create a multidimensional predictive risk assessment model that can serve as a theoretical basis for accurate cardiac rehabilitation. […] We observed substantial increases in weight, fasting plasma glucose (FPG), total cholesterol, high-density lipoprotein cholesterol (HDL-C), low-density lipoprotein cholesterol (LDL-C), white blood cell (WBC) count, neutrophil granulocyte count, monocyte count, hemoglobin (Hb) levels, aspartate aminotransferase (AST), and alanine aminotransferase (ALT) levels in the acute myocardial infarction (AMI) cohort relative to the unstable angina (UA) cohort. […] This study developed a multimodal predictive model that integrates the inflammatory response after onset, physical performance and exercise tolerance before discharge, and daily activity after discharge to predict the long-term prognosis of patients with ACS. The multidimensional model is more effective than the single-factor model for assessing risk in ACS patients.
#13 Development of a multidimensional prediction model for long-term prognostic risk in patients with acute coronary syndromes after percutaneous coronary intervention: A retrospective observational cohort study | PLOS One
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0318445
The study found that the prognosis of AMI patients after PCI was related to their pre-operative WBC level and Effective ANS at home. Similarly, the prognosis of UA patients after PCI was related to their pre-operative WBC level, pre-discharge VO2 at AT, and Effective ANS at home. […] The multifactorial prediction model considers different periods and factors to improve the limitation of single-factor prognosis prediction. It accurately stratifies a patient’s risk, allowing for individualized, targeted, and precise rehabilitation for patients with different risk stratification. […] This study found that the inflammatory response after onset, physical performance and exercise tolerance before discharge, and daily activity after discharge were the independent risk factors for predicting the long-term prognosis of patients with ACS. The multidimensional prognostic model to risk-stratify for the patients with ACS, was better than the single factor model.