根据一项新研究，美国心脏协会（American Heart Association）开发的新型PREVENT风险计算器在进行心血管风险预测时，其校准效果因患者群体、基础合并症以及所使用的医疗系统而异。
在全美四个不同的医疗系统中，PREVENT在其中三个系统中低估了动脉粥样硬化性心血管疾病（ASCVD）事件的风险，该计算器的预测性能也因种族和民族的不同而有所差异。
研究人员表示，这些发现表明可能需要根据地区对PREVENT风险计算器进行校准，并建议医生对结果进行个性化分析，以准确评估患者的10年ASCVD风险。
“我对它的表现感到惊讶，”资深研究者Pradeep Natarajan医生（马萨诸塞州总医院，波士顿）告诉TCTMD。他补充说，此前的研究表明，PREVENT的预测风险通常低于汇集队列方程（PCE），但“由于其广泛且更现代的训练数据，人们普遍认为其校准效果会更好。我非常惊讶地发现，即使与汇集队列方程相比，PREVENT的校准效果实际上更差。”
PREVENT的校准情况——即预测风险与观察到的事件率之间的匹配程度——非常重要，因为治疗建议（例如是否需要进一步检查或开始降脂治疗）都是基于10年风险估计。虽然目前尚无临床指南采用该计算器作为风险预测工具，但人们普遍预计它将成为未来指南的一部分。
Natarajan表示：“我认为我们需要让临床医生和患者了解他们可能已经知道的事情：风险计算器的估计值存在一定的不精确性。他们需要结合计算器的结果、整体临床印象以及与患者相关的各种其他因素来决定下一步该怎么做。风险计算器仍然是一个有用的初始起点。”
PREVENT的局限性
PREVENT方程可用于年龄低至30岁的患者，更新了目前临床指南推荐用于一级预防决策的ASCVD汇集队列方程（PCE）。PREVENT涵盖了心血管、肾脏和代谢风险因素的完整谱系，旨在估算广泛患者群体的10年和30年心肌梗死、中风和心力衰竭风险。
PCE过去曾因高估患者风险并对某些群体（包括亚洲和西班牙裔成年人）的准确性较低而受到批评。PREVENT计算器基于一个更大、更多样化的群体开发，并且不再将种族/民族作为变量。
研究表明，PREVENT在老年人和脂蛋白(a)水平高的患者中表现良好。它在外部验证队列中也准确预测了心血管死亡风险。
然而，其他研究则表明，PREVENT给出的10年ASCVD风险显著较低。此外，研究显示，如果采用PREVENT而非PCE，将导致接受药物治疗（尤其是他汀类药物）的患者人数减少。例如，在一项分析中，估计超过1400万美国成年人将不再符合他汀类药物治疗资格，另有260万成年人将不再符合抗高血压药物治疗资格。
这项新研究发表于《美国心脏病学会杂志》（JACC），评估了PREVENT在四个整合医疗系统中的表现：新英格兰的马萨诸塞州总医院布里格姆医疗系统（MGB）、纽约、威彻斯特县和长岛的西奈山医疗系统（Mount Sinai）、宾夕法尼亚州及新泽西州和特拉华州部分地区的大都会医疗系统（Penn Medicine），以及田纳西州纳什维尔的范德比尔特大学医学中心（VUMC）。研究共纳入270,320名患者。
MGB的平均10年ASCVD预测风险为4.9%，Mount Sinai为6.0%，Penn Medicine为6.0%，VUMC为4.8%。在所有系统中，除了Penn Medicine外，PREVENT均低估了风险。例如，在MGB和VUMC，观察到的10年事件率分别为15.7%和16.1%。相比之下，Penn Medicine医疗系统中预测和观察到的ASCVD事件率更为接近。在所有四个医疗系统中，PREVENT对ASCVD事件的判别能力中等，C指数分别为MGB 0.70、Mount Sinai 0.74、Penn Medicine 0.69和VUMC 0.73。
此外，PREVENT预测ASCVD事件的能力因性别、种族、民族和基础疾病而异。在MGB和VUMC医疗系统的女性中，差异较小，但在Mount Sinai系统中的男性中较低。在MGB、Mount Sinai和VUMC中，PREVENT在所有种族和民族类别中均低估了ASCVD风险。
相比之下，在MGB、Mount Sinai和Penn Medicine医疗系统中，PCE得出的10年风险预测较高，但在VUMC中程度较轻。使用PREVENT后，35%至73%原本符合他汀类药物治疗资格的患者被重新分类为低风险类别。
作为一位从事预防性心脏病学的医生，Natarajan表示：“要做好我的工作，准确的风险预测至关重要。最终，我们和我们的患者并不那么关心不断改进我们的‘水晶球’，而是希望用它做出准确的推荐，或者至少做出能够识别出最可能受益的患者的预防性治疗和措施。”
PREVENT未涵盖的风险因素
他们的数据存在局限性，包括研究结果依赖于账单/程序代码的准确性。此外，由于各网络内外医疗使用情况的差异，可能存在偏倚。Natarajan指出，这可能导致ASCVD事件的漏报，从而进一步扩大预测与实际事件之间的差距。
在随附的社论中，耶鲁大学医学院的Yuan Lu博士和休斯顿卫理公会医院的Khurram Nasir医生写道，为了使PREVENT成为一个成功的临床工具，它需要在不同医疗环境中稳健运行，并在不同患者群体中保持准确性。
尽管PREVENT在PCE的基础上有所改进，“但本研究和其他年轻队列分析中展示的不一致校准再次突显了在异质人群中实现准确风险预测的长期挑战，”他们说。“从临床角度来看，这些发现支持在当前形式下谨慎使用PREVENT。认识到误分类——特别是对历史上服务不足人群的风险低估——对于避免不适当的治疗决策至关重要。”
Lu和Nasir还指出，在本地医疗层面，可以在使用前对PREVENT进行重新校准。然而，正如Natarajan所指出的，目前该计算器无法更改，因为PREVENT计算器目前是授权使用的。“这需要一些思考，”他说。“例如，汇集队列方程就曾证明过这一点。重新校准已被证明在应用于不同场景时可以提高准确性。”
【全文结束】
