作者：Antonio Greco（意大利卡塔尼亚大学附属医院）、Davide Capodanno（意大利卡塔尼亚大学）
J. Cardiovasc. Dev. Dis. 2025, 12(9), 344;
接收日期：2025年7月16日 / 修订日期：2025年9月4日 / 接受日期：2025年9月5日 / 发表日期：2025年9月8日
（本文章属于心血管研究特刊《纪念Patrick Serruys教授》）
摘要
风险预测模型在冠状动脉疾病（CAD）管理中的应用日益广泛，涵盖诊断分层、预后评估到治疗指导等多个维度。在经皮冠状动脉介入治疗（PCI）领域，临床决策常依赖风险评分来估算缺血和出血事件的概率，从而制定抗血栓策略。传统评分基于临床、解剖、操作和实验室变量建立，其性能通过区分度和校准度指标评估。尽管许多成熟模型具有简单易懂和外部验证充分的特点，但其预测能力往往有限，可能因队列过时、过拟合或普适性不足而受限。近期人工智能和机器学习模型通过处理大规模高维数据，可发现传统方法难以识别的复杂模式，但同样面临临床转化挑战。值得注意的是公平性等伦理问题，如模型应用中的过度分层和实际实施效果需要特别关注。理想的预测模型应具备准确性、普适性和临床可操作性。本综述系统梳理了CAD领域主要预测模型，并讨论了方法学挑战。
1. 引言
全球冠状动脉疾病患病率持续增长，2019年达2549/10万人口。该疾病每年导致全球约1800万死亡，其经济负担显著，包括反复住院、有创治疗、长期药物治疗及生产力损失。针对CAD的预防和治疗策略需根据患者临床表现、疾病阶段、个体特征及具体临床、影像和经济社会状况综合决策。近年来个性化医疗的发展催生了从临床评分到复杂机器学习算法的预测模型，这些工具通过整合人口统计学、合并症、实验室、影像、基因组和蛋白质组数据实现更精准的风险分层和治疗指导，但也存在衍生、验证、可解释性、使用便捷性、无偏见及临床整合等局限性。
本综述旨在综述CAD领域主要预测模型，探讨方法学挑战，并聚焦模型优缺点及适用场景。特别关注来自大型试验或临床应用广泛模型，不全面覆盖所有现有模型。
2. 风险分层与评分
精准医疗通过共享临床或生物特征对患者分层，提升预测和治疗效果；个性化医疗则整合基因组、影像组学、可穿戴设备生理监测、生活方式、患者偏好等多层信息。但整合组学、数字健康指标和心理社会背景仍受限于成本、复杂性和缺乏验证路径。
心血管风险量化概念起源于1970年代弗雷明汉心脏研究，通过年龄、性别、收缩压等变量分层冠心病风险。动态风险特征要求适时重复评估。尽管心血管领域开发了大量风险评分，其临床应用有限，原因包括：特异性队列衍生模型在个体患者应用准确性不足、医师更倾向直接患者数据而非抽象概率、静态评分未考虑疾病动态演变等。
风险模型关键性能指标包括区分度（C统计量）和校准度。C统计量0.5表示无区分能力，0.6以上可接受，>0.75良好。但个体水平0.75的C统计量意味着约25%患者分类错误。校准度反映预测绝对风险与观察估计的接近程度，可通过Hosmer-Lemeshow拟合优度检验。Brier评分综合评估概率预测准确性（预测概率与实际结果的均方误差），值越低越准确。
以下重点介绍CAD管理中主要临床风险评分：
2.1 心血管风险评估与一级预防
风险分层在一级预防中至关重要，通过生活方式改变或药物干预预防显性CAD。全局心血管风险评估工具包括弗雷明汉风险评分、欧洲系统性冠状动脉风险评估（SCORE）系列、美国汇集队列方程等。其中：
- 弗雷明汉风险评分基于年龄、性别、收缩压等变量
- SCORE模型整合年龄、性别、收缩压、吸烟、总胆固醇等
- SCORE2扩展至估算致命和非致命心血管事件
- 美国汇集队列方程包含种族特异性方程
2.2 急性冠状动脉综合征
ACS管理中风险分层对短期和长期预后及治疗决策至关重要。主要预测模型包括：
- GRACE评分：包含年龄、Killip分级、收缩压、ST段偏移等，住院死亡预测C统计量0.83
- TIMI风险评分：STEMI患者30天死亡预测，含年龄、心率、糖尿病等，C统计量0.78
- SIMPLE风险指数：基于年龄、心率、收缩压预测30天死亡，C统计量0.78
2.3 慢性冠状动脉综合征与PCI
CCS和PCI管理中风险分层对预防手术和长期并发症至关重要。主要工具包括：
- SYNTAX评分：基于12项解剖特征量化冠脉病变复杂性，用于优化血运重建策略
- SYNTAX II评分：整合解剖SYNTAX评分与临床变量（年龄、肌酐清除率等）
- CONFIRM评分：基于压力心脏磁共振和CT血管造影数据预测主要不良心血管事件（C统计量0.86）
2.4 出血与抗血小板治疗调制
抗血小板治疗需平衡缺血和出血风险，相关评分包括：
- CRUSADE评分：预测PCI住院期间大出血（C统计量0.72）
- PRECISE-DAPT评分：估算PCI后12个月TIMI大出血风险（C统计量0.73）
- ARC-HBR标准：标准化高出血风险定义（包含20项标准）
2.5 人工智能风险预测
传统模型依赖预设线性关联，而人工智能可处理高维非线性数据。例如：
- PRAISE模型：机器学习预测ACS后1年全因死亡、心梗和大出血（外部验证C统计量0.92）
- AIRE模型：人工智能从标准心电图预测全因死亡、心律失常等风险（C统计量0.70-0.79）
- 混合模型：结合应激心脏磁共振和CT血管造影数据预测MACE（C统计量0.86）
机器学习在影像（冠脉CTA自动斑块量化）、电子健康记录（整合人口统计学、合并症等）等领域表现突出，但需解决"黑箱"问题、验证普适性、处理性能漂移等挑战。联邦学习等新方法有望在保护隐私的同时实现模型训练。
3. 预测模型的优势与局限
预测模型可用于诊断或预后目的，CAD领域应用包括疾病概率估算、预后预测、抗血栓治疗选择等。模型开发需注意：
- 统计挑战：过拟合（小样本或高度选择性数据集）、校准度差异、谱偏倚
- 实施挑战：数据质量、定期更新需求、人口差异适应性
伦理关注点包括模型应用公平性（特定人群风险低估/高估）、过度分层导致的过度治疗、临床实施成本及用户界面友好性。机器学习带来的新挑战包括"黑箱"问题、大数据需求和数据偏见风险。
4. 结论
预测模型仍是当代心血管医学核心，近年人工智能和机器学习通过整合复杂数据提升了性能，但也带来透明度和验证新挑战。未来模型应在准确性与易用性间取得平衡，纳入影像、基因等新数据源，推动心血管精准医疗发展。
参考文献（节选）
- Vaduganathan M, et al. 全球心血管疾病负担. J Am Coll Cardiol. 2022
...
- Corral-Acero J, et al. 心脏病学数字孪生技术. Eur Heart J. 2020
（注：完整参考文献及版权信息略）
【全文结束】
