PREVENT心血管风险预测模型在电子病历中的临床应用价值

PREVENT心血管风险预测方程在美国医疗中心的真实电子病历数据中表现出强大的判别力，即使在数据缺失情况下也保持良好性能。然而，该模型在不同种族和社会经济阶层患者中存在校准差异，建议临床实施前进行本地化调整。

背景

准确预测心血管疾病风险是制定个体化预防策略的基础。传统的心血管风险预测模型通常在研究人群中表现良好，但在真实临床环境中的表现往往受到数据完整性、患者多样性等因素的影响。PREVENT方程是一种最新的、不基于种族的心血管风险预测模型，专门为电子健康记录（EHR）系统设计，旨在为临床医生提供可靠的风险估计。然而，这些方程在实际应用中是否能够应对常见的数据缺失问题，以及是否能公平地适用于各种族和社会经济背景的患者，仍需深入评估。

主要发现

• 强大的判别力：PREVENT方程在严格队列中表现出强大的判别能力（男性和女性的C指数均为0.75-0.77），在允许缺失数据的宽松队列中也保持了相似的性能，表明该模型对不完整数据具有良好的抗干扰能力
• 校准差异存在：严格队列（完整数据）中的校准比率更高，说明PREVENT方程在处理缺失数据时（宽松队列）会低估风险，这种低估现象在黑人患者和社会经济地位较低的人群中尤为明显
• 本地化调整的有限收益：使用Cox比例风险模型、离散时间神经网络和重新校准的PREVENT模型进行本地适应，对判别力的影响微乎其微，但能适度改善校准效果，提示PREVENT模型在相对风险排名中具有良好泛化性，但用于绝对风险估计时可能需要本地校准
• 人群间性能差异：模型在亚洲患者和女性患者中表现最佳，判别力最强；而在黑人患者和来自社会经济地位较低地区的患者中性能较弱，提示需关注不同人群的预测准确性差异
• 数据缺失的耐受性：研究纳入了406,230名患者的宽松队列（允许缺失数据并使用种族-性别中位数插补）和127,151名患者的严格队列（完整记录），PREVENT方程在两个队列中均维持了良好的泛化性，说明在适当插补的条件下，该模型可应对实际临床中常见的数据不完整问题

临床意义

本研究的发现对中国临床医疗实践具有重要参考价值。首先，PREVENT方程在真实EHR环境中的可靠性为其在国内医疗机构推广应用提供了证据支撑。当患者缺少某些实验室检查或生命体征数据时，临床医生仍可利用该模型进行患者群体层面的风险分层和相对风险排名，这对资源优化配置和重点干预人群筛选具有实际意义。

其次，研究强调了本地化校准的必要性。虽然本地适应对改善判别力的帮助有限，但对校准精度的改善值得重视。医疗机构在实施PREVENT模型确定绝对风险阈值之前，应当开展亚组特异性校准评估，特别是对于少数族裔和社会经济地位较低患者的校准检查，以确保模型性能的公平性和准确性。

再次，数据缺失的耐受性提示该模型具有较强的实用性。在中国医疗环境中，不同医疗机构的数据完整性存在差异，部分基层医疗机构可能无法获得全部检测指标。PREVENT方程能够在数据不完整的情况下仍保持较好的风险判别能力，这使其在基层医疗推广应用中具有潜力。

局限性

研究数据来自美国单一医疗系统，患者特征可能与中国人群存在差异，直接应用前需要考虑本地人口学特征、疾病谱和医疗实践的不同。此外，虽然研究评估了种族和社会经济因素对模型性能的影响，但不同遗传背景和生活方式的群体间可能存在未被识别的差异，需要在多种族和多地区的大规模研究中进一步验证。

研究采用中位数插补处理缺失数据，这是一种相对简单的方法，可能不如更复杂的插补策略准确。临床应用时应根据具体场景选择合适的数据处理方法。最后，虽然研究包含了神经网络等复杂模型的对比，但并未深入探讨什么情况下应选择哪种模型，这在实际临床决策中仍需进一步指导。

Original paper: Performance of PREVENT Cardiovascular Risk in Electronic Health Record-Based Clinical Practice. — JAMA network open. 10.1001/jamanetworkopen.2026.6838

🎧 收听播客