基于机器学习算法构建高血压并发视网膜病变的风险预测模型.pdf

收稿日期:作者简介:秦伟国(),男,学士,住院医师,主要从事心胸外科学的研究.通信作者:许国安,主任医师,E m a i l:q q c o m;周水莲,副主任医师,E m a i l:z h o u s h u i l i a n c o m.基于机器学习算法构建高血压并发视网膜病变的风险预测模型秦伟国,淦帆,殷波,徐婷,邓武昌,刘彬,朱良炎,龚攀,许国安,周水莲(中国人民解放军联勤保障部队第 医院胸心外科,南昌 ;江西省人民医院、南昌医学院第一附属医院眼科,南昌 ;永修县马口镇中心卫生院全科,江西 永修 )摘要:目的运用机器学习算法构建原发性高血压并发视网膜病变风险的预测模型.方法选取 年月至 年月在中国人民解放军联勤保障部队第 医院体检中心确诊的原发性高血压患者 例,其中原发性高血压并发视网膜病变患者 例(观察组),单纯原发性高血压患者 例(对照组).收集组患者 个相关研究指标作为原发性高血压并发视网膜病变的可能影响因素,并采用单因素分析、S p e a r m a n相关系数及最小绝对收缩和选择算子方法(L a s s o回归)筛选变量后,将所有研究对象按随机分为训练集和测试集,在训练集中运用机器学习算法构建支持向量机(S VM)、K邻近(KNN)、分类决策树(D e c i s i o n T r e e)、随机森林(R F)、极端随机树(E x t r a T r e e s)、X G B o o s t及L i g h t G BM预测模型,在测试集中进行验证.运用准确率、A U C值、敏感性及特异性对模型进行评价.结果经单因素分析、S p e a r m a n相关系数及L a s s o回归筛选出 个变量,构建了S VM、KNN、D e c i s i o n T r e e、R F、E x t r a T r e e s、X G B o o s t、L i g h t G BM预测模型.其中综合性能最高的为E x t r a T r e e s模型,其准确率高达,A U C值高达 .结论基于机器学习算法构建的原发性高血压并发视网膜病变的S VM、KNN、D e c i s i o n T r e e、R F、E x t r a T r e e s、X G B o o s t及L i g h t G BM预测模型中,E x t r a T r e e s模型预测效果最好,可作为辅助诊断工具应用到高血压视网膜病变的筛查中,可能为今后早期高血压视网膜病变的筛查提供便利.关键词:机器学习算法;高血压;视网膜病变;预测模型中图分类号:R 文献标志码:A文章编号:()D O I:/j c n k i n c d m C o n s t r u c t i o n o fR i s kP r e d i c t i o nM o d e l f o r H y p e r t e n s i o nC o m p l i c a t e db yR e t i n o p a t h y B a s e do nM a c h i n eL e a r n i n gA l g o r i t h mQ I N W e i g u o,G A NF a n,Y I NB o,X UT i n g,D E N G W u c h a n g,L I UB i n,Z H UL i a n g y a n,G O N GP a n,X UG u o a n,Z H O US h u i l i a n(D e p a r t m e n t o fC a r d i o t h o r a c i cS u r g e r y,t h e t hH o s p i t a l o fC h i n e s eP e o p l esL i b e r a t i o nA r m yJ o i n tL o g i s t i cS u p p o r tF o r c e,N a n c h a n g ,C h i n a;D e p a r t m e n t o fO p h t h a l m o l o g y,J i a n g x iP r o v i n c i a lP e o p l esH o s p i t a l,t h eF i r s tA f f i l i a t e dH o s p i t a lo fN a n c h a n gM e d i c a lC o l l e g e,N a n c h a n g ,C h i n a;D e p a r t m e n t o fG e n e r a l,Y o n g x i uC o u n t yM a k o uT o w nC e n t e rH e a l t h,J i u j i a n g ,C h i n a)A B S T R A C T:O b j e c t i v e T oc o n s t r u c t ar i s k p r e d i c t i o nm o d e l f o rp r i m a r yh y p e r t e n s i o nc o m p l i c a t e db yr e t i n o p a t h yu s i n gm a c h i n e l e a r n i n ga l g o r i t h m M e t h o d s At o t a l o f p a t i e n t sw i t he s s e n t i a lh y p e r t e n s i o nd i a g n o s e d i nt h ep h y s i c a l e x a m i n a t i o nc e n t e ro f t h e t hH o s p i t a lo f t h eC h i n e s eP e o p l esL i b e r a t i o nA r m yJ o i n tL o g i s t i cS u p p o r tF o r c ef r o m M a r c h t o M a r c h w e r es e l e c t e d,i n c l u d i n g p a t i e n t sw i t he s s e n t i a l h y p e r t e n s i o nc o m p l i c a t e db yr e t i n o p a t h y(o b 南昌大学学报(医学版)年第 卷第期J o u r n a l o fN a n c h a n gU n i v e r s i t y(M e d i c a lS c i e n c e s),V o l N o s e r v a t i o ng r o u p)a n d p a t i e n t sw i t hs i m p l e e s s e n t i a l h y p e r t e n s i o n(c o n t r o l g r o u p)T h i r t y f o u r r e l a t e di n d i c a t o r sw e r ec o l l e c t e da st h ep o s s i b l ei n f l u e n c i n gf a c t o r sf o re s s e n t i a lh y p e r t e n s i o nc o m p l i c a t e db yr e t i n o p a t h y A f t e rv a r i a b l e sw e r es c r e e n e db yu n i v a r i a t ea n a l y s i s,S p e a r m a nc o r r e l a t i o nc o e f f i c i e n t,l e a s t a b s o l u t es h r i n k a g ea n ds e l e c t i o no p e r a t o r(L a s s or e g r e s s i o n),a l l t h es u b j e c t sw e r er a n d o m l yd i v i d e di n t ot r a i n i n gs e ta n dt e s ts e ta c c o r d i n gt oI nt h et r a i n i n gs e t,m a c h i n e l e a r n i n ga l g o r i t h m w a su s e dt oc o n s t r u c ts u p p o r tv e c t o rm a c h i n e s(S VM),K n e a r e s tN e i g h b o r(KNN),D e c i s i o n T r e e,R a n d o m F o r e s t(R F),e x t r e m e l yr a n d o m i z e dt r e e s(E x t r a T r e e s),X G B o o s ta n dL i g h t G BMp r e d i c t i o nm o d e l s T h ev a l i d a t i o nw a sp e r f o r m e d i nt h et e s ts e t T h ea c c u r a c y,AU C,s e n s i t i v i t ya n ds p e c i f i c i t yw e r eu s e d t oe v a l u a t e t h em o d e l s R e s u l t s N i n e t e e nv a r i a b l e sw e r es e l e c t e db yu n i v a r i a t ea n a l y s i s,S p e a r m a nc o r r e l a t i o nc o e f f i c i e n ta n dL a s s or e g r e s s i o n,a n dt h eS VM,KNN,D e c i s i o n T r e e,R F,E x t r a T r e e s,X G B o o s ta n dL i g h t G BM p r e d i c t i o n m o d e l sw e r ec o n s t r u c t e d T h eE x t r a T r e e sm o d e l h a s t h eb e s t c o m p r e h e n s i v ep e r f o r m a n c e,w i t ha na c c u r a c yo f a n da nA U Co f C o n c l u s i o nAm o n gt h eS VM,KNN,D e c i s i o n T r e e,R F,E x t r a T r e e s,X G B o o s ta n dL i g h t G BM p r e d i c t i o n m o d e l sc o n s t r u c t e db a s e do n m a c h i n el e a r n i n ga l g o r i t h m,E x t r a T r e e sh a s t h eo p t i m a l p r e d i c t i o ne f f i c a c y T h i sm o d e l c a nb eu s e da sa na u x i l i a r yd i a g n o s t i c t o o l t h a tp r o v i d e sc o n v e n i e n c e f o re a r l ys c r e e n i n go fh y p e r t e n s i v er e t i n o p a t h y K E Y WO R D S:m a c h i n e l e a r n i n ga l g o r i t h m;h y p e r t e n s i o n;r e t i n o p a t h y;p r e d i c t i o nm o d e l高血压是一个日益严重的全球健康问题,其通过损害多个靶器官,如心血管系统、肾脏、中枢神经系统(C N S)和眼底来威胁人体健康.高血压最常见的眼部并发症是高血压性视网膜病变,慢性高血压视网膜的病变根据其严重程度分为期:期,视网膜动脉收缩血管变窄,表现为银丝或铜丝样征象;期,表现为视网膜动脉硬化,有动静脉交叉的病理性特征;期,表现为视网膜渗出,可见棉绒斑或硬性渗出;期,在期的基础上出现视乳头水肿.中晚期会导致视力下降,因此,早期预测高血压视网膜病变就尤为重要.近年来,机器学习算法因其可以通过数据驱动的方法处理大量变量,而被广泛应用于疾病的风险预测中 .本研究采用机器学习算法建立原发性高血压并发视网膜病变的风险预测模型,以期在临床诊疗过程中辅助医生尽早识别原发性高血压并发视网膜病变患者,为临床防治工作提供参考依据.对象与方法研究对象本研究采用回顾性研究方法,随机选取 年月至 年月在中国人民解放军联勤保障部队第 医院体检中心确诊的原发性高血压并发视网膜病变患者 例纳入观察组,单纯原发性高血压患者 例纳入对照组.根据中国高血压防治指南制定病例纳入与排除标准.)观察组纳入标准:首次诊断为高血压视网膜病变,既往史中无高血压视网膜病变病史;符合原发性高血压诊断,即收缩压 mmH g(mm H g k P a),舒张压 mmH g;高血压性视网膜病变级及以上.排除标准:其他疾病如糖尿病等引起的眼底改变;合并有严重危及生命的原发性疾病及精神病患者;妊娠或哺乳期患者.)对照组纳入标准:明确诊断为原发性高血压;无高血压心、脑、肾及眼底血管病变.排除标准:合并有青光眼、黄斑变性等眼部疾病及继发性高血压等.本研究经中国人民解放军联勤保障部队第 医院医学伦理委员会审核批准,所有受试者及其家属均签署知情同意书.研究指标收集患者的一般资料(性别、年龄、居住情况、受教育程度、离退休情况、年收入情况、口味、饮食情况、缺乏运动情况)、吸烟史、饮酒史、家族史(脑卒中、冠心病、高血压、糖尿病)、既往史(脑卒中、心脏病、糖尿病、高血脂)、服药情况(降压药、降脂药)、血压测量情况、体重指数(BM I)、腰围、收缩压、舒张压、脉搏、空腹血糖、糖化血红蛋白、甘油三脂、胆固醇、高密度脂蛋白、同型半胱氨酸、颈部斑块情况等共 个变量作为原发性高血压并发视网膜病变的可能影响因素.统计学方法筛选变量首先采用S P S S 对研究指标进行单因素分析,正态分布的计量资料以xs表示,比较采用成南昌大学学报(医学版)年 月,第 卷第期组t检验,偏态分布的计量资料以中位数(四分位数)M(P,P)表示,比较采用两独立样本秩和检验,计数资料以n()表示,比较采用卡方检验,将单因素分析差异有统计学意义(P)的指标保留.其次将定性变量及等级变量转为哑变量,并利用p y t h o n 软件对筛选出的变量进行正则化处理后,采用S p e a r m a n的方法计算变量之间的相关系数,若两个变量相关性,则删除与其他变量总体上相关系数较大的变量.采用最小绝对收缩和选择算子方法(L a s s o回归),利用惩罚系数进一步选择最重要的变量,并计算各变量的权重系数.建立预测模型将上述筛选后的变量作为输入变量,以是否发生高血压视网膜病变作为结局变量,采用p y t h o n 软件,调用s c i k i t l e a r n 包,按照划分训练集(n )和测试集(n),在训练集中分别 构 建 支 持 向 量 机(s u p p o r tv e c t o r m a c h i n e s,S VM)、K邻近(K N e a r e s tN e i g h b o r,KNN)、分类决策树(D e c i s i o n T r e e)、随机森林(R a n d o m F o r e s t,R F)、极端随机树(E x t r e m e l yr a n d o m i z e dt r e e s,E x t r a T r e e s)、X G B o o s t及L i g h t G BM预测模型.评价模型性能将构建的模型应用于测试集,绘制不同模型的准确率柱状图和折线图曲线,受试者工作特征曲线(R O C曲线)并计算R O C曲线下面积(A U C).运用准确率、A U C值、敏感性及特异性对模型进行评价.结果基线资料比较组患者的性别、年龄、吸烟史、饮酒史、缺乏运动情况、脑卒中家族史、冠心病家族史、糖尿病家族史、脑卒中既往史、心脏病既往史、糖尿病既往史、高血脂既往史、降脂药的服药情况、BM I、腰围、舒张压、空腹血糖值、糖化血红蛋白、甘油三脂、高密度脂蛋白、颈部斑块情况等 个指标比较差异有统计学意义(P),见表.表组基线资料比较指标观察组(n )对照组(n )/t/ZP性别/n()男()()女 ()()年龄(xs)/岁 居住情况/n()与家人 ()()与他人()()独居()()受教育程度/n()小学()()初中()()高中()()大学()()离退休情况/n()已退休 ()()未退休()()年收入情况/n()元()()元()()元()()元 ()()吸烟史/n()有吸烟史()()无吸烟史 ()()饮酒史/n()无饮酒 ()()少量()()大量()()秦伟国等:基于机器学习算法构建高血压并发视网膜病变的风险预测模型表(续)指标观察组(n )对照组(n )/t/ZP口味/n()偏淡()()适中()()偏咸()()饮食情况/n()素食为主()()荤素均衡 ()()肉食为主()()缺乏运动情况/n()缺乏()()不缺乏 ()()家族史/n()脑卒中家族史()()冠心病家族史()()高血压家族史()()糖尿病家族史()()既往史/n()脑卒中()()心脏病()()糖尿病()()高血脂 ()()服药情况/n()降压药()()降脂药()()血压测量情况/n()从不测量 ()()偶尔测量()()经常测量()()BM I(xs)/(k gm)腰围(xs)/c m 收缩压(xs)/mmH g 舒张压(xs)/mmH g 脉搏(xs)/(次m i n)空腹血糖M(P,P)/(mm o lL)(,)(,)糖化血红蛋白M(P,P)/(,)(,)甘油三脂M(P,P)/(mm o lL)(,)(,)胆固醇M(P,P)/(mm o lL)(,)(,)高密度脂蛋白M(P,P)/(mm o lL)(,)(,)同型半胱氨酸M(P,P)/(m o lL)(,)(,)颈部斑块/n()()():无数据.L a s s o回归进一步筛选变量结果使用L a s s o回归,得到最优 ,并通过最优筛选出其中c o e f 的 个变量用于构建预测模型,按权重系数依次排序为:高脂血症、颈部斑块情况、糖尿病史、脑卒中家族史、脑卒中史、缺乏运动情况、心脏病史、吸烟史、BM I、甘油三酯、冠心病家族史、空腹血糖、降脂药的服药情况、腰围、糖尿病家族史、舒张压、高密度脂蛋白、糖化血红蛋白、年龄,见图.构建预测模型将L a s s o回归模型筛选出的 个变量纳入训练集和测试集,在训练集中构建S VM、KNN、D e c i s i o n T r e e、R F、E x t r a T r e e s、X G B o o s t、L i g h t G BM预测模型.各模型超参设置见表.评价模型性能将构建的模型运用于测试集,各模型在测试集和训练集中的准确率柱状图见图,各模型的准确率、A U C、敏感性及特异性,见表,各模型在测试集中的R O C曲线见图.其中S VM、E x t r a T r e e s模型准确率最高,且E x t r a T r e e s模型的A U C值最高.南昌大学学报(医学版)年 月,第 卷第期h i s t_H P L:高脂血症;C e r v i c a l p l a q u e:颈部斑块情况;h i s t_d i a b e t s:糖尿病史;F_s t r o k e:脑卒中家族史;h i s t_s t r o k e:脑卒中史;e x e r c i s e:缺乏运动情况;h i s t_C HD:心脏病史;S m o k i n g:吸烟史;T G:甘油三酯;F_C HD:冠心病家族史;G l u:空腹血糖;L L D:降脂药的服药情况;t h e w a i s t:腰围;F_d i a b e t e s:糖尿病家族史;D B P:舒张压;HD L:高密度脂蛋白;H b A c:糖化血红蛋白;a g e:年龄.图通过L a s s o回归筛选出的变量权重系数表各模型的超参设置模型超参设置KNNa l g o r i t h mk d_t r e eD e c i s i o n T r e em a x_d e p t h N o n e,m i n_s a m p l e s_s p l i t,r a n d o m_s t a t e R a n d o m F o r e s tn_e s t i m a t o r s ,m a x_d e p t h N o n e,m i n_s a m p l e s_s p l i t,r a n d o m_s t a t e E x t r a T r e en_e s t i m a t o r s ,m a x_d e p t h N o n e,m i n_s a m p l e s_s p l i t,r a n d o m_s t a t e X G B o o s tn_e s t i m a t o r s ,m a x_d e p t h,o b j e c t i v e r e g:s q u a r e d e r r o r,e v a l_m e t r i c r m s eL i g h t G BMn_e s t i m a t o r s ,m a x_d e p t h,o b j e c t i v e r e g r e s s i o nExtraTreesRandomForestDecisionTreeKNNSVMXGBoostLightGBM1.00.80.60.40.20.0准确率训练集测试集图各模型在测试集和训练集中的准确率表各模型在测试集中对原发性高血压并发视网膜病变的预测性能评价模型准确率敏感性特异性A U C C IS VM (,)KNN (,)D e c i s i o n T r e e (,)R F (,)E x t r a T r e e s (,)X G B o o s t (,)L i g h t G BM (,)0.80.60.40.20.01.01.00.80.60.40.20.0敏感性 特异性图各模型在测试集中预测原发性高血压并发视网膜病变的R O C曲线图秦伟国等:基于机器学习算法构建高血压并发视网膜病变的风险预测模型讨论原发性高血压并发视网膜病变是慢性高血压引起的血管损伤标志,是高血压的临床特征和全身性表现,是成人高血压患者视力损害的主要原因之一 ,与高血压的严重程度相关 .眼底检查虽然可以诊断高血压性视网膜病变,但准确的眼底检查仍依赖于眼底照相及经验丰富的眼科医生,而我国高血压人群基数庞大,且早期高血压性视网膜病变并不会对患者的视力造成损害.眼底照相并不适用于高血压视网膜病变的筛查.本研究运用机器学习算法结合患者的一般资料、常规体检项目中的检验指标及检查指标,构建了S VM、KNN、D e c i s i o n T r e e、R F、E x t r a T r e e s、X G B o o s t、L i g h t G BM预测模型.其中综合性能最高的为E x t r a T r e e s模型,其准确率高达,A U C值高达 .E x t r a T r e e s模型为树模型,其不易受离群点和缺失值的影响,且E x t r a T r e e s模型与普通树模型相比更具随机性,这可能是其性能最佳的原因.所以,E x t r a T r e e s模型可作为辅助诊断工具应用到高血压视网膜病变的筛查中,可能为早期高血压视网膜病变的筛查提供便利.L a s s o回归模型的结果显示,高脂血症、颈动脉斑块、糖尿病史、脑卒中家族史和既往史、缺乏锻炼、冠心病史、吸烟史以及BM I权重系数较高,对模型预测结果影响较大.以往的研究 亦表明随着血压升高,视网膜循环会发生一系列的病理生理变化.血管收缩初期,由于局部自动调节机制,出现血管痉挛和视网膜小动脉张力增加,这一阶段在临床上表现为视网膜小动脉的硬化.强锐等 运用多因素L o g i s t i c回归分析方法,发现与正常相比,肥胖时发生视网膜动脉硬化的风险为其 倍,年龄增加、收缩压增高、合并糖尿病、颈动脉斑块也是视网膜动脉硬化的独立危险因素.另有研究发现高脂血症、糖尿病、肥胖、吸烟是导致动脉粥样硬化的危险因素 .在本研究的预测模型中,高脂血症、颈动脉斑块及糖尿病史权重系数较高.高脂血症与钙化性动脉粥样硬化有关,会诱导血管内膜狭窄,颈动脉斑块的形成则是颈动脉硬化的标志,而晚期糖尿病则会引起微血管病变.本研究首次运用高脂血症、颈动脉斑块、糖尿病史等多个危险因素建立高血压视网膜动脉硬化的预测模型,不仅实现了疾病的自动筛查,也进一步说明了上述危险因素在动脉硬化中的作用.与传统的L o g i s t i c回归相比,运用L a s s o回归模型筛选变量,更好地解决了变量间的共线性问题,更高效地模拟了实际临床工作中多种危险因素共同作用下,高血压视网膜病变发生的趋势,结果更真实可靠.但本研究仍有不足之处,本研究样本量较小,且为单中心研究,未进行外部验证,可能不适用于所有的医疗机构.在今后的研究中可增大样本量,进行多中心研究得到更可靠的模型.综上,本研究运用机器学习算法构建了基于S VM、KNN、D e c i s i o n T r e e、R F、E x t r a T r e e s、X G B o o s t、L i g h t G BM的原发性高血压并发高血压视网膜动脉硬化预测模型,结果显示E x t r a T r e e s模型预测效果最好,可作为辅助诊断工具应用到高血压视网膜病变的筛查中,可能为今后早期高血压视网膜病变的筛查提供便利.参考文献:L I UY,L I NY,Z HAN G M M,e t a l T h e r e l a t i o n s h i po f p l a s m ar e n i n,a n g i o t e n s i n,a n da l d o s t e r o n e l e v e l s t ob l o o dp r e s s u r ev a r i a b i l i t ya n dt a r g e to r g a nd a m a g e i nc h i l d r e nw i t he s s e n t i a lh y p e r t e n s i o nJBMCC a r d i o v a s cD i s o r d,():HA R J A S OU L I HA A,RA I J IV,GA R C I A GON Z A L E ZJMR e v i e wo fh y p e r t e n s i v er e t i n o p a t h yJ D i sM o n,():L IR W,C HE N Y,R I T C H I E M D,e ta l E l e c t r o n i ch e a l t hr e c o r d sa n dp o l y g e n i cr i s ks c o r e sf o rp r e d i c t i n gd i s e a s er i s kJN a tR e vG e n e t,():C HUA W,P URMAH Y,C A R D O S O V R,e ta l D a t a d r i v e nd i s c o v e r ya n dv a l i d a t i o no fc i r c u l a t i n gb l o o d b a s e db i o m a r k e r sa s s o c i a t e dw i t hp r e v a l e n ta t r i a lf i b r i l l a t i o nJ E u rH e a r tJ,():刘力生,孙宁玲,孙英贤,等中国高血压防治指南 年修订版J心脑血管病防治,():S H I NYI,NAM KY,L E E W H,e t a l P e r i p a p i l l a r ym i c r o v a s c u l a r c h a n g e s i np a t i e n t sw i t hs y s t e m i ch y p e r t e n s i o n:a no p t i c a lc o h e r e n c e t o m o g r a p h ya n g i o g r a p h ys t u d yJS c iR e p,():Z HAN GYJ,Z HAOL,L IH Y,e ta l R i s kf a c t o r sf o rh y p e r t e n s i v er e t i n o p a t h y i naC h i n e s ep o p u l a t i o nw i t hh y p e r t e n s i o n:t h eB e i j i n ge y es t u d yJE x pT h e rM e d,():S T R Y J EWS K ITP,P A P AKO S T A STD,VAVVA SDP r o l i f e r a t i v eh y p e r t e n s i v er e t i n o p a t h yJJ AMAO p h t h a l m o l,():WAN GJ,C HE N H,Z HAN G H,e ta l T h ep e r f o r m a n c eo fad i a b e t i cr e t i n o p a t h yr i s ks c o r ef o rs c r e e n i n gf o rd i a b e t i cr e t i n o p a t h y i nC h i n e s eo v e r w e i g h t/o b e s ep a t i e n t sw i t ht y p ed i a b e t e sm e l l i t u sJ A n nM e d,():WON GTY,HU B B A R DLD,K L E I NR,e t a l R e t i n a lm i c r o v a s c u l a ra b n o r m a l i t i e sa n db l o o dp r e s s u r e i no l d e rp e o p l e:t h ec a r d i o v a s c u l a rh e a l t hs t u d yJ B rJ O p h t h a l m o l,():S HA R R E T TAR,HU B B A R DLD,C OO P E RLS,e t a l R e t i n a l a r t e r i o l a rd i a m e t e r sa n de l e v a t e db l o o dp r e s s u r e:t h ea t h e r o s c l e r o s i sr i s ki nc o mm u n i t i e ss t u d yJ AmJE p i d e m i o l,():(下转第 页)南昌大学学报(医学版)年 月,第 卷第期c h o n d r i a l s i r t u i n sS I R Ta n dS I R TJJ M o lB i o l,():L I UB,C H EWL,Z H E N GCZ,e t a l S I R T:a s a f e g u a r da g a i n s to x i d a t i v es t r e s s i n d u c e da p o p t o s i si nc a r d i o m y o c y t e sJ C e l lP h y s i o lB i o c h e m,():S UNJ,C A I JZ,C HE NJH,e t a l K r p p e l l i k e f a c t o r s i l e n c i n gp r e v e n t so x i d a t i v es t r e s sa n dn e u r o l o g i c a ld y s f u n c t i o nf o l l o w i n g i n t r a c e r e b r a lh e m o r r h a g ev i as i r t u i n/N r f/HO a x i sJF r o n tA g i n gN e u r o s c i,:Z HE NGDF,Z E N G Q W,HED,e ta l S I R Ta l l e v i a t e sh e p a t i c i s c h e m i aa n dr e p e r f u s i o n i n j u r yb yd i m i n i s h i n go x i d a t i v es t r e s s a n d i n f l a mm a t i o nv i a e l e v a t i n gS O D a n d I DH e x p r e s s i o nJE x pC e l lR e s,():L IY,GAOM,Y I NLH,e t a l D i o s c i na m e l i o r a t e sm e t h o t r e x a t e i n d u c e d l i v e ra n dk i d n e yd a m a g e sv i aa d j u s t i n gm i R NA p m e d i a t e do x i d a t i v es t r e s sJ F r e eR a d i cB i o l M e d,:KUAN GJY,C HE NL,T AN GQ,e t a l T h e r o l eo fS I R T i no b e s i t ya n dd i a b e t e sJF r o n tP h y s i o l,:L IXK,L I UL,L IT,e t a l S I R T i ns e n e s c e n c e a n da g i n g r e l a t e dc