Nature Medicine | 革新心血管疾病预测：QR4算法提升心血管病风险评估准确性

该研究开发并外部验证了一个新的心血管疾病风险预测算法（CVD risk prediction algorithm），名为QR4。该算法纳入了新的风险因子，并分别针对男性和女性估算10年内的心血管疾病风险。研究使用了来自英国的约1600万成年人的健康数据进行算法的推导和验证。

QR4算法识别了几种之前未被广泛认为与心血管疾病（CVD）风险相关的新风险因子。这些包括脑癌（brain cancer）、肺癌（lung cancer）、唐氏综合症（Down syndrome）、血癌（blood cancer）、慢性阻塞性肺病（COPD）、口腔癌（oral cancer）和学习障碍（learning disability）。此外，对于女性，还额外发现了子痫前期（pre-eclampsia）和产后抑郁症（postnatal depression）作为新的风险因子。

QR4在外部验证中表现出比以往的QRISK3版本及其他国际心血管风险评分系统如ASCVD和SCORE2更高的预测准确性。其C统计值（C statistic）显示，QR4在预测男性和女性的心血管疾病风险方面均有所提高。

QR4算法的使用可能导致临床上重要的风险评估变化，特别是对于那些具有新风险因子的个体。这可能促使在更年轻的年龄进行干预，从而在心血管疾病发展初期就提供帮助。此外，QR4还考虑了非心血管死亡（non-CVD death）的竞争风险，有助于减少在老年人群中对风险的过度预测。

该研究介绍了一种新的心血管疾病（CVD）风险预测算法，名为QR4。该算法使用了大量的人群数据来帮助临床医生识别高心血管疾病风险的个体。

首先，研究团队使用了两个电子记录研究数据库：QResearch和Clinical Practice Research Datalink (CPRD) GOLD。这些数据库收集了在常规国家卫生服务（NHS）临床护理过程中匿名化的数据。研究者基于这些数据开发了新的预测模型，并与现有的心血管疾病风险评分系统（如QRISK3、Systematic Coronary Risk Evaluation 2 (SCORE2)和动脉粥样硬化心血管病风险评分（ASCVD））进行了比较。

在开发模型的过程中，研究者采用了因果特定的Cox模型（cause-specific Cox models）来预测心血管疾病风险，并通过外部验证来评估QR4的性能。他们发现，QR4模型在预测男性和女性的10年心血管病风险时，C统计值（C statistic）高于其他评分系统。

此外，QR4还纳入了一些新的风险因素，包括脑癌、肺癌、唐氏综合症（Down syndrome）、血癌、慢性阻塞性肺病（COPD）、口腔癌和学习障碍等，这些都是之前的评分系统中未涉及的。对于女性，还额外考虑了妊娠期高血压（pre-eclampsia）和产后抑郁（postnatal depression）作为新的风险因素。

心血管疾病（Cardiovascular Disease, CVD）

心血管疾病是全球范围内最主要的死亡原因。这些疾病主要包括冠状动脉疾病（coronary artery disease）、心肌梗死（myocardial infarction）和脑卒中（stroke）。心血管疾病不仅影响富裕国家，更是低收入和中等收入国家的重大公共健康问题。全球化、城市化及人口老龄化等趋势使得心血管疾病的负担日益加重。根据全球疾病负担研究（Global Burden of Disease Study），心血管疾病的发病率和死亡率在过去几十年持续增加。

心血管疾病不仅对个人健康构成威胁，同时也给社会经济带来重大负担。根据研究，心血管疾病的直接医疗费用以及因疾病导致的生产力损失，对全球经济造成了巨大压力。在美国，每年用于心血管疾病治疗的费用估计高达数百亿美元。

鉴于心血管疾病的高发病率和死亡率，加强预防和管理显得尤为重要。全球范围内的公共卫生策略已经开始更加重视心血管疾病的预防措施，包括推广健康生活方式、控制烟草使用、以及改善急慢性病管理。这些策略的目标是减少心血管疾病的主要风险因素，如高血压（hypertension）、糖尿病（diabetes）和高胆固醇（hypercholesterolemia）。

国际间的政策合作与健康系统的改善对于减轻心血管疾病的全球负担至关重要。WHO和各国卫生部门正致力于制定和实施包括早期筛查、治疗以及公众教育在内的综合措施，以提高心血管疾病的诊断、治疗和管理效率。

经典的心血管疾病风险预测工具

QRISK3

QRISK3 是一种在英国广泛使用的心血管疾病风险评估工具，用于预测未来 10 年内个体患心血管疾病的风险。此模型综合考虑了多种因素，如年龄、性别、吸烟状态、血压水平以及是否患有糖尿病等。它还包括了社会经济地位和族裔背景等变量，使得预测更具个性化和精准性。根据相关研究，QRISK3 的 C 统计值（C statistic）在不同验证队列中表现良好，一般高于 0.8，表明其具有较高的区分度。

SCORE2

欧洲心脏病学会推出的SCORE2（Systematic Coronary Risk Evaluation 2）是另一种流行的心血管疾病风险评估工具。它主要用于欧洲人群，评估 10 年内死于心血管疾病的风险。SCORE2 更新了先前的风险因素数据库，考虑了各国的心血管病死亡率差异。这种模型特别关注于年龄、性别、血压、胆固醇水平以及吸烟行为等基础信息。

ASCVD

美国心脏协会（AHA）和美国心脏病学院（ACC）合作开发的ASCVD（Atherosclerotic Cardiovascular Disease）风险评估工具，用于预测未来 10 年内美国成年人发生动脉粥样硬化性心血管疾病事件的风险。此模型涵盖了心脏病、中风和外周动脉疾病的风险因素，包括年龄、性别、种族、总胆固醇、HDL胆固醇、血压、糖尿病状态和吸烟状态。ASCVD 的评分系统也显示了良好的预测性能和校准能力。

用于衡量和比较QR4与以前算法性能的统计指标

在比较QR4和之前的算法（如QRISK3, SCORE2和ASCVD）的性能时，主要使用了几种关键的统计指标：C统计量（C statistic）、校准斜率（calibration slope）和校准截距（calibration intercept）。C统计量是衡量预测模型准确性的一种指标，其值越接近1表示模型的预测能力越好。校准斜率和校准截距是评估预测风险与实际观察到的风险之间一致性的指标，理想情况下，校准斜率接近1，校准截距接近0。

C统计量的比较

根据研究数据，QR4在女性中的C统计量为0.835（95% 置信区间 (CI), 0.833–0.837），而QRISK3为0.831（95% CI, 0.829–0.832）。在男性中，QR4的C统计量为0.814（95% CI, 0.812–0.816），而QRISK3为0.812（95% CI, 0.810–0.814）。这表明在英格兰的验证队列中，无论是男性还是女性，QR4的表现略优于QRISK3。

校准结果的分析

校准分析表明，QR4与QRISK3相比，表现出更好的校准性能。例如，在英格兰的女性中，QR4的校准斜率和校准截距均表现更接近理想值。这意味着QR4预测的10年心血管疾病（CVD）风险与实际观察到的风险更为吻合。

临床决策曲线分析（Decision Curve Analysis）

决策曲线分析显示，与QRISK3和其他模型相比，QR4在不同的风险阈值下提供了更大的净效益。这种分析帮助医生在实际临床中判断使用QR4模型进行预测的优势大小，尤其是在不同治疗干预的决策场景下。

潜在的局限性

样本数据的代表性限制 (Limited Representativeness of Sample Data)

该研究主要使用了英国的人群数据来开发和验证QR4算法。尽管样本量庞大，但可能不完全适用于其他国家或地区的人群，因为不同地区的遗传、生活方式和环境因素可能影响心血管疾病(CVD)的风险。

临床数据的完整性 (Completeness of Clinical Data)

研究中提到，一些数据在记录时不完整，特别是在非英国地区的数据更是如此。数据的不完整可能影响风险预测的准确性和可靠性。

新风险因素的普遍性和独立性验证 (Generalizability and Independence Verification of New Risk Factors)

研究识别了几个新的CVD风险因素，如脑癌、肺癌、唐氏综合症(Down syndrome)等。然而，需要进一步的研究来验证这些因素在其他人群中的普遍性和它们作为独立风险因素的稳定性。

长期趋势和新兴风险的评估 (Assessment of Long-term Trends and Emerging Risks)

虽然算法考虑了当前已知的风险因素，但可能无法预见未来可能出现的新风险因素或长期趋势的变化。此外，COVID-19大流行期间的数据可能对心血管疾病的风险估计产生了特殊影响，需要进一步分析和验证。

比较其他风险评估工具的全面性 (Comprehensiveness in Comparing Other Risk Assessment Tools)

研究对比了QR4与其他几个常用的CVD风险评估工具，如ASCVD和SCORE2。然而，对于这些工具的评估可能没有包括所有相关的变量和条件，这可能限制了结果的全面性和应用的普遍性。

潜在的研究方向

新的心血管病(CVD)风险预测模型的开发与验证

进一步验证新模型在不同种族和地区的适用性，以及模型在实际临床环境中的表现。

竞争风险模型的应用

研究如何结合多种竞争风险，改进心血管疾病(CVD)风险的预测准确性。

包含新风险因素的模型效果

研究新风险因素（如癌症、学习障碍）对预测模型的影响，并探索如何将这些因素纳入现有的预测工具中。

针对特定人群的风险评估

开发和验证针对有特定病史如产后抑郁(postnatal depression)和妊娠前期毒血症(pre-eclampsia)患者的风险评估工具。

数据的完整性与缺失数据处理

探讨如何处理缺失数据，以及如何利用不完全数据来提高预测模型的准确性和可靠性。

治疗决策的模型辅助

研究如何将这些模型应用于临床决策支持系统，帮助医生为患者制定更个性化的治疗方案。