摘要

目的：Stanford B型主动脉夹层（TBAD）是一种严重的主动脉疾病，在过去十年中保持稳定的死亡率。然而，目前缺乏在常规体检中诊断TBAD的有效方法。本研究的重要目的是建立诊断模型以提升人群中该疾病的筛查效率。

方法：使用蛋白质组学结合机器学习的方法，从88例参与者的血样中筛选血清生物标志物。之后在另外80名参与者中使用ELISA验证结果。结合血清生物标志物和临床指标，在机器学习的帮助下构建TBAD诊断模型并评估其性能。

结果：在发现和推导队列中，使用蛋白质组学和机器学习方法鉴定出6个差异表达蛋白。其中5个（GDF-15、IL6、CD58、LY9、Siglec-7）在在验证队列中使用ELISA得到进一步验证。并且，10个血液相关的检查指标被选为临床指标。联合生物标志物和临床指标，机器学习模型在相对定量蛋白质组学数据中展示出了良好的TBAD诊断效果（生物标志物模型AUC = 0.865，临床指标模型AUC = 0.904，联合模型AUC = 0.909）。进一步地，机器学习模型的效果在绝对定量ELISA数据中得到了验证（生物标志物模型AUC = 0.866，临床指标模型AUC = 0.868，联合模型AUC = 0.886）。联合模型展示出了更佳的效果，好于单独的生物标志物模型或者临床指标模型。

结论：使用蛋白组学，我们鉴定出了血清GDF-15、IL6、CD58、LY9、Siglec-7作为TBAD的生物标志物。基于机器学习的诊断模型仅使用血液样本即可在体检人群中筛查TBAD，显示出了较大的应用潜力。