4月16日，《Circulation》期刊發布了一項科學聲明，闡述了當前用于預測心衰發病風險的定量評估工具證據，綜述了預防心衰發生的治療方案的循證依據，并提出了一級預防策略。

全文鏈接：https://www.ahajournals.org/doi/full/10.1161/CIR.0000000000001307

當前指南對心衰預防的建議

2022年，美國心臟病學會（ACC）、美國心臟協會（AHA）和美國心衰學會（HFSA）聯合發布的《心衰管理指南》，首次建議采用經過驗證的多變量風險評分來評估心衰的絕對發生風險；此外，對于心衰高風險患者，基于利鈉肽生物標志物的篩查，并結合多學科協作管理（包括心血管醫生優化指南指導的藥物治療[GDMT]），可有效預防左心室功能障礙（收縮性或舒張性）或新發心衰[1]。

然而，針對心衰的一級預防，關于檢測對象、檢測方式、干預時機等關鍵問題仍不明確。相比之下，風險預測模型作為動脈粥樣硬化性心血管疾病（ASCVD）預防的基石已應用二十余年，這些指南采用的風險分層方法，可延伸應用于心衰的一級預防制定。現有的CVD管理指南可為構建心衰預防體系提供重要參考。

圖1. 基于風險分層的心衰預防：現有指南與證據缺口

基于風險分層的心衰預防：以ASCVD為范本

風險分層預防理論的核心前提是：治療方案的絕對獲益與個體預測風險呈正相關。當預防性治療（如他汀藥物和降壓治療）在不同基線風險人群中提供相似的相對風險降低時，預測風險越高者，獲得的絕對風險降低就越顯著。

2013年，ACC/AHA專家工作組首次將凈獲益概念轉化為臨床實踐，建議基于匯總隊列方程（pooled cohort equations）估算的絕對風險值來考慮ASCVD一級預防的他汀治療[2]。2018年血脂管理指南[3]和2019年一級預防指南[4]進一步拓展該方法，引入計算-個體化-重分類（CPR）框架（圖2）。該框架可優化患者篩選效率，精準識別需要強化（或弱化）預防措施的人群。

在ASCVD防治指南中[3-5]，CPR方法包含三個步驟：計算臨床事件10年風險、根據患者特異性因素個體化評估風險、當存在治療決策不確定性時進行風險重分類。

圖2. 基于風險分層的心衰預防算法提議：借鑒ASCVD預防的C-P-R框架并加以改良

心衰風險預測：風險評估為首要步驟

相比ASCVD，制定預防心衰的風險分層策略面臨更大挑戰，因為目前尚未開展以風險為基礎的心衰一級預防臨床試驗。此外，關注心衰危險因素的試驗中，將心衰發生作為主要終點的研究也屈指可數。

隨著經過充分驗證的多變量風險預測工具PREVENT的問世[6]，采用絕對風險評估來指導預防策略的啟動和強度選擇（如強化降壓治療），現已可延伸應用于心衰防治。鑒于心衰發病率和死亡率負擔日益加重，這也成為開發以心衰為獨立終點、并將心衰納入總體心血管疾病終點的PREVENT模型的重要推動力。

下表總結了PREVENT模型開發過程中影響心衰風險預測的關鍵考量。該模型的核心優勢在于是基于超過320萬成年人開發的，涵蓋不同種族、地域和社會經濟背景，確保了模型的廣泛適用性。其次，該模型拓展了年輕成人的風險評估范圍，覆蓋30-79歲人群，可同時提供10年和30年風險預測，實現短期與長期風險評估。

第三，模型納入了與心衰風險及心血管-腎臟-代謝（CKM）綜合征負擔變化相關的預測指標，除傳統危險因素（如BMI、血壓、估算腎小球濾過率）外，附加模型還包含腎臟和代謝健康標志物（如尿白蛋白/肌酐比值、糖化血紅蛋白）。PREVENT還整合了健康社會決定因素（SDoH）。

表. 開發心衰PREVENT風險評估模型的核心要素

關鍵考量因素

PREVENT模型的描述

開發模型的人群來源

來自社區研究隊列和電子健康系統的基線數據（1992-2022年），納入超過300萬30-79歲無心血管疾病（ASCVD或心衰）的成年人

預測終點

心衰（涵蓋射血分數保留型、中間型和降低型）

預測時限

基線測量風險因素后的10年或30年

分層變量

性別特異性

預測因素

基礎模型：年齡、吸煙狀態、BMI、收縮壓、降壓治療、糖尿病狀態、估算腎小球濾過率
可選擴展：尿白蛋白/肌酐比值、糖化血紅蛋白、社會剝奪指數

外部驗證

來自社區研究隊列和電子健康系統（1922-2022年）外部數據集的300余萬獨立個體中完成驗證

區分度

C統計量0.81-0.84

校準度

觀測值與預測值斜率0.81-1.00

臨床應用

通過美國心臟協會官網提供在線計算工具和編程代碼[40]

PREVENT模型未納入心衰特異性血液生物標志物（如腦鈉肽[BNP]）或影像學指標（如左心室肥厚）。未來研究應考慮將BNP、超聲心動圖指標或其他生物標志物納入多變量方程，以評估其能否提升區分度或校準度。此外，心衰風險預測模型是否應分別評估不同亞型（如射血分數保留型心衰[HFpEF]、射血分數降低型心衰[HFrEF]）的風險仍存爭議。

心衰的風險增強因素：個性化評估為第二步

除傳統CVD危險因素外，越來越多的觀察性和流行病學數據證實多種非傳統風險因素對心衰的影響，這些因素可稱為"風險增強因素"，該定義與2018年AHA/ACC血脂管理指南[3]、2019年ACC/AHA心血管疾病一級預防指南[4]以及AHA報告中關于心血管-腎臟-代謝（CKM）綜合征的定義[7]相呼應。

納入風險增強因素至關重要，因為僅考慮傳統心衰風險因素，會低估許多患者的心衰風險。一項大型人群研究顯示，傳統危險因素僅能解釋約50%的心衰終生風險人群歸因分值，這凸顯了非傳統因素在心衰發生中的重要作用。

非傳統因素包括：慢性炎癥性疾病，心臟毒性暴露（如治療癌癥的蒽環類藥物、HER-2靶向治療、免疫檢查點抑制劑等），不良妊娠結局，代謝功能障礙相關脂肪性肝病，遺傳風險。

優化風險預測：重分類與心衰前期檢測為第三步

在心衰預防中，借鑒ASCVD預防的C-P-R（計算-個體化-重分類）框架時，需調整第三步，以實現額外檢測（如心臟生物標志物和影像學檢查）的目標：（1）優化風險預測；（2）早期識別心衰前期（pre-HF）。

目前，心衰預防領域的一個關鍵未解問題是：如何篩選最可能從心臟生物標志物和影像學檢測中獲益的人群？

雖然可考慮對所有人群進行心臟生物標志物檢測，但這可能導致過度檢測和醫療資源浪費，尤其是低風險人群。高風險人群（如2型糖尿病患者）可能獲益，例如，在CANVAS研究的事后分析中，50%的無心衰病史患者的NT-proBNP中位數≥81 pg/mL[8]。該研究納入的糖尿病患者均合并ASCVD或至少2項CVD危險因素，提示生物標志物檢測在ASCVD或心衰高風險人群中更具價值。

基于此，美國糖尿病協會（ADA）建議所有糖尿病患者每年進行BNP篩查。這種基于共病的策略可與定量風險評估（如PREVENT模型）結合，以優化檢測對象的選擇。

心衰一級預防的10大關鍵問題

以下十大關鍵問題亟待未來研究解決：

1.心衰風險干預閾值：預防性治療的凈獲益風險閾值如何界定？即，不同干預措施應在預測風險為何種水平時啟動

2.成本效益評估：針對糖尿病、慢性腎臟病和高血壓等高風險人群的預防性治療，是否具有成本效益？

3.風險導向的預防策略：若心衰預測風險極高但無傳統共病（如糖尿病或慢性腎臟病），僅基于風險分層的預防性治療是否可行？

4.人工智能與機器學習：如何利用AI優化初始風險評估或動態重分類風險？

5.疾病進展機制：從風險人群→心衰前期（pre-HF）→癥狀性心衰的病理機制是什么？能否為新療法提供靶點？

6.健康社會決定因素（SDoH）：更全面的SDoH評估能否提升風險預測的準確性與臨床實用性？

7.醫療公平性挑戰：如何針對不利的SDoH制定干預措施，確保反種族歧視的醫療實踐并公平降低心衰負擔？

8.衛生系統與政策改革：需哪些衛生系統干預、社區參與方案或政策支持以優化預防策略實施？

9.臨床助推策略：臨床醫生引導的"輕推（nudges）"策略能否優化風險評估與循證預防治療策略的實施？如何應對潛在后果與助推疲勞（nudge fatigue）？

10.數字技術應用：如何利用智能手機健康應用（mHealth）、可穿戴設備及藍牙遠程監測技術優化心衰的預防？

參考文獻：

1. Circulation. 2022;145:e876–e894.

2. Circulation. 2014;129:S1–S45.

3. Circulation. 2019;139:e1082–e1143.

4. Circulation. 2019;140:e596–e646.

5. Circulation. 2019;139:e1162–e1177.

6. The American Heart Association PREVENT Online Calculator. 2024. https://professional.heart.org/en/guidelines-and-statements/prevent-calculator. Accessed December 21, 2024.

7. Circulation. 2023;148:1606–1635.

8. J Card Fail. 2024;30:1544–1551.

文章整理自：Circulation. 2025 Apr 16. doi: 10.1161/CIR.0000000000001307.