《American Journal of Preventive Cardiology》：AI-CVD-HF: A Heart Failure Risk Prediction Model Based on Coronary Artery Calcium Scans Compared With PREVENT-HF
编辑推荐：
心脏衰竭(HF)是重大公共卫生负担，早期预测工具仍存局限。本研究通过AI从非对比冠状动脉钙化(CAC)扫描中提取影像学特征，构建了生存模型AI-CVD-HF，在无症状多族裔人群中预测HF风险。结果显示，AI-CVD-HF在判别力(AUC 0.83 vs. 0.79)、校准度(Brier score更低)及临床净收益方面均优于当前最新临床风险评分PREVENT-HF，且在不同年龄、性别、种族/族裔亚组中表现一致。这拓展了CAC扫描在冠心病风险评估之外的用途，为利用现有影像进行机会性HF风险筛查提供了高效、客观的新途径。
在全球范围内，心力衰竭（Heart Failure, HF）影响着约6400万成年人，其5年死亡率高达50%-75%，构成了沉重的疾病与经济负担。由于HF在早期通常无症状，筛查对于早期发现和及时干预至关重要。目前，临床指南推荐使用多变量预测模型来评估HF风险并指导一级预防策略，例如弗明汉HF评分、健康ABC HF评分以及美国心脏协会（American Heart Association, AHA）最新推出的PREVENT-HF评分等。然而，这些基于临床问卷和实验室指标的模型存在明显局限：它们依赖于自我报告数据（如降压药使用、吸烟状况），这些数据往往缺乏精确性和一致性；单次测量的血压或体重指数（Body Mass Index, BMI）可能无法反映长期暴露水平；并且，依赖多重数据来源使得模型更容易受到数据缺失的影响，尤其在健康素养有限或保险覆盖不足的患者中。这些因素共同限制了现有风险评分在临床实践中的有效性和广泛应用。
因此，研究者们将目光投向了影像学标记物。影像能够直接捕获个体生命周期中亚临床的结构与功能变化，可能为HF预测提供更客观、实用的替代方案。冠状动脉钙化（Coronary Artery Calcium, CAC）扫描是评估动脉粥样硬化性心血管疾病（Atherosclerotic Cardiovascular Disease, ASCVD）风险的常规检查。AI-CVD倡议旨在超越传统的CAC评分，从CAC扫描中提取更多可操作信息。此前的研究已证明，结合人工智能（Artificial Intelligence, AI），CAC扫描有潜力测量广泛的特征，包括心腔容积、胸腔骨骼肌体积与密度、内脏与肝脏脂肪体积以及冠状动脉、心脏瓣膜、胸主动脉的钙化等。
基于此背景，研究团队提出了一个核心假设：利用从CAC扫描中提取的AI衍生特征构建的模型，能够准确预测无症状多族裔人群中的HF事件，并且其性能可比甚至超越经过良好验证的临床风险评分PREVENT-HF。为此，他们开展了一项研究，旨在：1）开发并验证一个基于CAC扫描的HF预测模型（AI-CVD-HF）；2）将其性能与PREVENT-HF进行比较；3）评估将PREVENT-HF的临床变量整合到影像学模型中是否能进一步提升预测性能。相关研究成果发表在《American Journal of Preventive Cardiology》上。
为开展研究，研究人员主要运用了以下几项关键技术方法：首先，研究数据汇集了来自动脉粥样硬化多种族研究（Multi-Ethnic Study of Atherosclerosis, MESA）和弗明汉心脏研究-子代研究（Framingham Heart Study–Offspring, FHS-O）两个大型前瞻性队列的6，743名无症状参与者（平均年龄62.3岁，47.2%为男性），中位随访时间长达17.1年，共观察到429起HF事件。其次，核心分析平台是名为“AI-CVD”的统一深度学习框架，该平台基于nnU-Net架构，能对非对比CAC扫描（甚至肺部CT）进行机会性分析，自动分割并量化包括冠状动脉钙化、心腔容积、脂肪分布、骨骼肌密度、胸主动脉钙化（Thoracic Aortic Calcification, TAC）等在内的九大类心血管和代谢表型特征，所有模块均获得美国食品药品监督管理局（FDA）批准。最后，在模型构建与评估方面，采用了随机森林进行初步特征重要性排序，最终使用随机生存森林（Random Survival Forest, RSF）开发AI-CVD-HF生存预测模型，并通过5折分层交叉验证严格评估其性能，使用受试者工作特征曲线下面积（Area Under the Receiver-Operating-Characteristic Curve, AUC）、精确率-召回率曲线下面积（Area Under the Precision-Recall Curve, AUPRC）、Brier评分、校准曲线及决策曲线分析（Decision Curve Analysis, DCA）等指标，与PREVENT-HF模型进行全面比较。
研究结果
3.1. AI-CVD-HF：基于CAC扫描的AI衍生特征
通过特征重要性分析（结合随机森林基尼重要性和SHAP值），并考虑共线性及临床可解释性，最终为AI-CVD-HF模型选定了九个预测变量：年龄、性别、AI计算的冠状动脉钙化评分（AI-CAC）、左心房容积指数（Left Atrial Volume Index, LAVI）、左心室质量指数（Left Ventricular Mass Index, LVMI）、左室/右室容积比（Left-to-Right Ventricular Volume Ratio, LV/RV）、胸腔骨骼肌平均密度（作为肌内脂肪变的指标）、内脏脂肪体积指数以及胸主动脉钙化（TAC）。
性能评估显示，AI-CVD-HF模型在中位17.1年的随访中，平均C指数（Harrell’s concordance index）为0.80，时间依赖性AUC为0.84。在预测10年HF风险方面，其AUC为0.83，显著高于PREVENT-HF模型的0.79。同时，AI-CVD-HF的AUPRC也显著优于PREVENT-HF。在校准度上，AI-CVD-HF的Brier评分更低，校准斜率更接近1，表明其预测风险与实际风险更为匹配。决策曲线分析表明，在一系列临床相关风险阈值下，AI-CVD-HF都比PREVENT-HF提供了更高的临床净收益。亚组分析显示，模型在不同年龄（<65岁与≥65岁）、性别及种族/族裔（白人、华裔、非裔美国人、西班牙裔）间的判别性能一致，体现了模型的公平性。此外，仅使用MESA队列训练并在FHS-O队列中进行的外部验证实验，也获得了与内部验证一致的性能，支持了模型的泛化能力。
3.2. 组合模型：PREVENT-HF组分与AI-CVD-HF特征的结合
将PREVENT-HF的临床变量与AI-CVD-HF的影像学特征结合构建的组合模型，其10年HF预测的AUC和AUPRC较单一的AI-CVD-HF模型有轻微但不显著的提升。然而，组合模型的C指数显著高于AI-CVD-HF。无论如何，组合模型和AI-CVD-HF模型均显著优于单一的PREVENT-HF模型。
3.3. AI-CVD-HF与PREVENT-HF定义的心力衰竭风险类别之间的重叠
在风险分类上，AI-CVD-HF将更多参与者归类为低风险（10年风险<5%），而PREVENT-HF则分类出更多高风险（>20%）参与者。值得注意的是，在被AI-CVD-HF判为低风险但被PREVENT-HF判为高风险的人群中，10年HF事件发生率为4.3%；相反，在被AI-CVD-HF判为高风险但被PREVENT-HF判为低风险的人群中，HF发生率高达23.1%。此外，有30.6%的参与者被PREVENT-HF归为临界或中等风险，但同时被AI-CVD-HF归为低风险，该群体的10年HF发生率仅为2.2%。
研究结论与讨论
本研究首次提出了一个完全基于影像的HF生存预测模型——AI-CVD-HF。该模型利用了从常规CAC扫描中提取的AI衍生特征，在无症状的多族裔人群中，其预测性能全面超越了最新的临床风险评分PREVENT-HF，具有更优的判别力、校准度和临床效用，且在关键人口学亚组和外部数据集中表现稳健。
模型所选特征涵盖了人口统计学、动脉粥样硬化负荷、心脏结构/重塑以及身体成分/心脏代谢健康四个互补的生理领域，与HF已知的病理生理机制高度吻合。例如，AI-CAC和TAC反映了动脉粥样硬化负荷和炎症；LAVI和LVMI是心脏重构的关键指标；LV/RV比率体现了心室间相互依赖；内脏脂肪指数和骨骼肌平均密度则关联于脂肪异常分布和肌肉质量下降，这些均是HF发展的重要驱动因素。
这项研究的临床意义深远。AI-CVD-HF模型架起了心脏影像学与预防心脏病学之间的桥梁。它可以直接应用于影像归档和通信系统（Picture Archiving and Communication System, PACS）中已有的图像，无需额外收集可能难以获得的临床或实验室信息，从而实现了对HF风险的“机会性筛查”。这不仅能降低医疗成本和患者负担，使HF风险评估在常规临床实践中更加高效和经济可行，还可能通过可视化的影像信息增强患者对风险的理解和治疗依从性。此外，该模型将更多个体归类为低风险，可能有助于减少不必要的医疗评估和治疗，优化医疗资源分配。其生存模型的框架还允许预测任意时间范围内的HF风险，支持更个性化的随访决策。
当然，研究也存在一些局限性，例如队列参与者的年龄范围可能限制了模型在极年轻或极年老人群中的普适性，模型未区分HF的不同亚型（如射血分数保留型HF与射血分数降低型HF），以及所用历史影像数据（如电子束CT）与现代多层探测器CT（Multi-Detector computed tomography, MDCT）之间的技术差异等。未来的研究需要在更广泛的人群和非门控CT扫描中进一步验证，并进行随机临床试验和成本效益分析，以评估其实际临床应用价值。
总之，AI-CVD-HF为利用现有胸部CT扫描进行HF风险的无创、客观评估提供了一种强大的新工具，有望拓展CAC扫描在心血管疾病预防中的用途，推动精准预防策略的发展。
