纪立农教授：预测心血管-肾脏-代谢综合征临床结局的新方法 | 2024北大糖尿病论坛

2024年5月18日，第二十届“2024北大糖尿病论坛”在北京会议中心正式开幕，本届论坛一以贯之二十年来的糖尿病防治主题，就心血管、肾脏、代谢等多维度综合影响展开研讨。会上，北京大学人民医院纪立农教授以《预测心血管-肾脏-代谢综合征临床结局的新方法 》为题发表主题演讲，本文整理了重点，以飨读者。

纪立农教授

一、心血管-肾脏-代谢综合征（CKM）

概念：一种全身性疾病，其特征是代谢危险因素、CKD和心血管系统之间的病理生理相互作用，导致多器官功能障碍和较高的心血管不良事件发生率。

CKM分期：

0期：无心肾代谢危险因素，重视预防和保持心血管健康的状态。

1期：过度或异常的脂肪组织累积，包括超重/肥胖、腹型肥、胖糖耐量异常。

2期：合并代谢高危因素和慢性肾病（CKD），包括高血压（非代谢性高血压）、高脂血症、代谢综合征、2型糖尿病、中高危CKD（非代谢性慢性肾病）。

3期：合并亚临床CVD的CKM，包括亚临床动脉粥样硬化性心血管疾病（ASCVD）、亚临床心衰（HF）。

4期：合并临床CVD的CKM，包括冠心病（CHD）、HF、房颤、脑卒中、外周动脉疾病（PAD）。

CKM分期^[1]

二、CKM预测工具的更新迭代

（一）传统心血管疾病预测工具

目前各国指南都推荐对心血管疾病进行总体风险评估，并推出了适应本国的推荐心血管分层工具，以便于对CKM进行危险分层。各国根据本国社区队列进行10年心血管风险评估，采用不同变量、纳入人群，导致了不同结局，包括SCORE-2/OP、SCORE-2D、Framingham、汇总队列方程（PCE）、China-PAR等。

其中，被美国心脏学会（AHA）推荐的PCE模型预测工具值得重点关注，可用于不同性别、不同种族人群10年的ASCVD风险预测，纳入了年龄、性别、种族、总胆固醇、SBP、是否降压治疗、糖尿病史、当前吸烟状态等多方面变量。

（二）传统肾病风险预测工具

在美国肾脏病基金会制定的KDIGO 2024临床指南中，根据尿白蛋白肌酐比（ACR）和肾小球滤过率（GFR≥60）指标，对慢性肾脏病的预后进行了预测。ACR<30 mg/g或者<3 mg/mmol合并GFR≥60ml/min/1.73㎡，在没有其他肾脏疾病标志的情况下，CKD预后呈现低风险。反之，ACR越高合并GFR越低，CKD预后风险越高。

（三）CKM综合预测工具——PREVENT

过去，CKD、CVD和代谢性疾病分别由不同科室独立管理，但现在研究发现，这些疾病有很深的相互关联性，应作为一个整体——CKM看待，在评估时，各科室应采用统一的标准。

为更好预测CKM风险，做好预后关联，AHA/ACC更新了其官方心血管疾病风险预测工具，从原先的PCE转变为新的PREVENT模型。PREVENT模型的开发基于对大量美国成年人数据的分析，考虑了传统心血管疾病风险因素以及估算GFR。此外，该模型还包括了可选的预测因子，如糖化血红蛋白（HbA1c）、ACR以及社会人口指数（SDI），后者反映了教育、收入等社会经济状态。

这一更新反映了心血管疾病风险评估的演进，特别是在考虑到CKD和代谢性疾病对心血管疾病风险的影响。通过纳入GFR等肾脏健康指标，PREVENT模型能够为患有CKD或糖尿病的个体提供更为个性化的风险评估。该模型可分为基础模型与增强型模型，基础模型为传统危险因素，增强型模型加入代谢指标、肾脏指标及社会因素，可预测ASCVD、HF、ASCVD+HF三种结局事件。

AHA的这一更新强调了心血管疾病风险预测的多因素性质，并鼓励医疗专业人员采用这一新工具来指导临床决策，包括预防策略的制定和治疗计划的个性化。PREVENT模型的在线计算器使得医疗专业人员和患者能够方便地访问和使用这一工具，以评估和管理心血管疾病风险。

PREVENT模型与CKM分期相对应，每个CKM阶段内描述了CVD分布的绝对风险梯度，其中在CKM的0期阶段（无CKM风险因素）CVD患病风险低＜5%，在CKM的3期阶段CVD患病风险低≥20%。

PREVENT模型具有显著的预测优势。可用于预测CVD的风险，包括ASCVD和HF的综合风险，以及单独每种CVD亚型的风险；移除种族作为风险预测因素，认为种族是社会构造而非生物标志物，将社会剥夺指数SD1作为预测因子；降低开始进行风险预测的年龄至30岁，提供10年和30年时间跨度的CVD风险估计；鉴于CKM的负担日益增加，提供肾脏及代谢增强模型。

三、心血管-肾脏-代谢综合征临床结局预测方法的局限及改进

（一）CVD预测模型在糖尿病患者中的准确度下降

全人群中开发的CVD预测模型，在糖尿病高危人群中的预测准确度明显下降。全人群开发的CVD预测模型旨在涵盖广泛的个体，包括各种年龄、性别、种族和健康状况的人。这种模型的优势在于能够捕捉到广泛的风险因素，从而为一般人群提供较为全面的风险评估。然而，当这些模型应用于特定的亚群，如糖尿病高危人群时，它们的预测准确度可能会下降。这是因为糖尿病高危人群具有一些独特的生理和代谢特征，例如，糖尿病高危人群可能存在胰岛素抵抗、高血糖、血脂异常等特定风险因素，这些因素在全人群模型中可能没有被赋予足够的权重。也在间接方面证实了糖尿病代谢与心血管疾病之间有着关键重要相互作用。

相比之下，在2型糖尿病人群中开发的CVD预测模型的预测准确度高于在普通人群中开发的模型。因此，在未来设计CVD预测工具时，基于糖尿病人群开发，预测结果会更加准确。

（二）基于机器学习的动态心血管预测模型

基于机器学习的动态心血管预测模型代表了心血管疾病风险评估领域的一个重大进步。与传统的统计模型相比，机器学习模型能够揭示数据中的复杂和非线性关系，从而显著提高预测的准确性。

另外，动态模型的一个关键优势在于它们能够实时更新和调整，以反映患者的最新健康状况。这意味着它们可以为患者提供个性化的风险评估，并指导医生进行危险分层，从而为每位患者制定最合适的治疗和管理计划。此外，通过监测药物治疗前后的变化，这些模型能够早期发现药物的治疗效果，帮助医生及时调整治疗方案，以实现最佳的治疗效果。

更重要的是，基于机器学习的模型能够早期识别出对特定药物有良好反应的患者群体。这不仅有助于实现个性化医疗，还可以减少不必要的药物试验和潜在的副作用，从而提高治疗的安全性和效率。随着医疗数据的不断积累和技术的不断进步，基于机器学习的动态心血管预测模型有望在未来的心血管疾病管理中发挥越来越重要的作用。

参考文献：

[1] Ndumele CE, Rangaswami J, Chow SL, et al. Cardiovascular-Kidney-Metabolic Health: A Presidential Advisory From the American Heart Association. Circulation. 2023 Nov 14;148(20):1606-1635.