要点速览
PREVENT-HF 风险方程可有效预测整体 10 年心力衰竭（heart failure，HF）风险，且对射血分数保留型心力衰竭（heart failure with preserved ejection fraction，HFpEF）的区分能力优于射血分数降低型心力衰竭（heart failure with reduced ejection fraction，HFrEF）。
在 5 项纵向队列研究和 2 个大型医疗系统电子健康记录（electronic health record，EHR）数据集中的验证表明，该模型可推广至既往无心血管疾病的多样化人群。
校准指标提示其绝对风险估计较为可靠，但亚型特异性风险阈值仍需进一步明确，方可用于临床实施。
研究结果强调了将 PREVENT-HF 纳入预防性心脏病学和个体化风险评估的潜力，尤其适用于目前风险分层需求尚未满足的 HFpEF。
研究背景
心力衰竭（HF）仍然是全球发病和死亡的重要原因。临床上，HF 可分为两种亚型——射血分数保留型心力衰竭（HFpEF）和射血分数降低型心力衰竭（HFrEF），二者反映了不同的病理生理机制、风险谱和治疗反应。尽管已有多种风险预测算法可估计总体 HF 风险，但明确经过亚型验证的工具仍然稀缺。鉴于 HFpEF 与 HFrEF 在管理策略上存在重要差异，亟需更优的风险分层工具来指导预防和早期干预。
PREVENT-HF 方程旨在估计 10 年新发 HF 风险，覆盖两种 HF 亚型，但此前尚未针对不同真实世界与研究队列中的亚型特异性预测表现进行系统评估。按 HF 亚型检验这些方程的区分度与校准度，是推进亚型定制化风险预测的重要一步。
研究设计
研究者汇总了 5 项基于社区的纵向队列研究数据，这些研究的基线检查时间为 1989 年至 2013 年，共纳入 23,652 名 30～79 岁且基线时无既往心血管疾病或 HF 的成年人。随后对 10 年内发生的 HF 事件及其亚型分类（HFpEF 与 HFrEF）进行判定。
此外，还对来自 Beth Israel Deaconess Medical Center（BIDMC；29,815 例，基线 2004—2014 年）和 Mass General Brigham（MGB；138,999 例，基线 2001—2018 年）的两组大型门诊医疗样本电子健康记录（EHR）数据进行了类似分析。
主要分析评估了 PREVENT-HF 方程预测 10 年新发 HF 各亚型的性能。区分度通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）和平均精确率（average precision，AP）相对于事件发生率进行量化。校准度则采用综合校准指数（integrated calibration index，ICI）进行评估。
主要发现
在合并队列研究中（n=23,652），共发生 1,232 例新发 HF 事件，其中 35% 被归类为 HFpEF，42% 为 HFrEF。BIDMC 记录到 259 例 HF 事件（51% 为 HFpEF，39% 为 HFrEF），而 MGB 记录到 1,050 例 HF 事件（56% 为 HFpEF，36% 为 HFrEF）。
区分度：PREVENT-HF 在各类数据场景中总体均表现出优异的区分能力，且对 HFpEF 的表现始终优于 HFrEF：
合并队列：HFpEF 的 AUROC 为 0.824（95% CI 0.807～0.839），HFrEF 为 0.789（95% CI 0.770～0.807）。
BIDMC EHR：HFpEF 的 AUROC 为 0.897（95% CI 0.874～0.918），HFrEF 为 0.833（95% CI 0.791～0.869）。
MGB EHR：HFpEF 的 AUROC 为 0.864（95% CI 0.848～0.880），HFrEF 为 0.797（95% CI 0.771～0.820）。
平均精确率与事件发生率之比也呈现类似模式，提示其对 HFpEF 具有更高的阳性预测价值。
校准度：在各队列中，HFpEF 与 HFrEF 的绝对风险校准总体相当。例如，在合并队列中，综合校准指数在两种亚型间相近：HFpEF 为 0.041，HFrEF 为 0.038，提示预测风险与观察风险之间仅存在轻度偏差。
专家点评
这些结果表明，尽管 PREVENT-HF 的初衷是估计总体 HF 风险，但其能够稳健地区分 HFpEF 与 HFrEF 的高风险个体，且在 HFpEF 中表现更佳。这可能反映了传统危险因素——如高血压和肥胖——在 HFpEF 中更为常见且贡献更大。
从临床角度看，这一区分具有重要意义，因为 HFpEF 目前缺乏广泛认可的预防性治疗措施，且其表型异质，常常难以在早期识别。准确的风险预测有助于在疾病进程早期更有针对性地实施生活方式干预和危险因素管理。
本研究的局限性在于，PREVENT-HF 目前尚未提供针对不同 HF 亚型的风险阈值，也未给出面向临床决策的亚型特异性指导。尽管研究人群具有一定多样性，但可能仍未完全覆盖所有种族/族裔群体或合并症负担较重的患者。
未来仍需进一步研究以将 PREVENT-HF 方程优化为亚型特异性模型，并验证可用于触发 HF 亚型预防或诊断评估的阈值。
结论
总之，PREVENT-HF 在社区队列和基于 EHR 的队列中均可实现优良的 10 年 HF 风险预测，且对 HFpEF 的区分度始终优于 HFrEF。这提示 PREVENT-HF 在临床实践中具有较高的转化潜力，可用于识别 HF 亚型特异性风险升高的个体，并有望指导个体化预防策略。建立亚型特异性风险阈值并扩展至更广泛、多样化的人群，仍是优化其临床实用性的关键下一步。
资助与 ClinicalTrials.gov
本研究获得多项机构及政府资助（详见原始发表）。原始队列可能已登记于临床试验数据库，但本次合并分析未注明单一临床试验编号。
参考文献
Mounsey LA, Wang D, Ribeiro PH, et al. Performance of the PREVENT-HF Equations Across Heart Failure Subtypes in Community-Based and Ambulatory Healthcare Samples. Circulation. 2026 Nov 2; PMID: 42969101.
Benjamin EJ, Muntner P, Alonso A, et al. Heart Disease and Stroke Statistics—2019 Update: A Report From the American Heart Association. Circulation. 2019;139(10):e56-e528.
Yancy CW, Jessup M, Bozkurt B, et al. 2017 ACC/AHA/HFSA Focused Update of the 2013 ACCF/AHA Guideline for the Management of Heart Failure. Circulation. 2017;136(6):e137-e161.
Bozkurt B, Coats AJ, Tsutsui H, et al. Universal Definition and Classification of Heart Failure. J Card Fail. 2021;27(4):387-413.
