《CNS Neuroscience & Therapeutics》：Association of Original and Revised Pooled Cohort Equations With Cardiovascular and Cerebrovascular Mortality
编辑推荐：
本研究系统比较了原始合并队列方程（PCE）与修订版合并队列方程（RPCE）对心血管疾病（CVD）死亡率及心脑血管联合死亡率（CVD/CeVD）的预测性能。通过对NHANES大数据（n=16,584）的Bland-Altman分析和Cox比例风险模型发现，虽然PCE风险关联度更高（HR=1.91 vs 1.65），但RPCE展现出更优校准特性，尤其在种族多样性人群中能有效纠正PCE的高估倾向。研究为临床精准选择风险预测模型提供了重要循证依据。
ABSTRACT
背景
心血管疾病（CVD）和脑血管疾病（CeVD）是全球主要致死原因。2013年推出的合并队列方程（PCE）虽广泛应用于动脉粥样硬化性心血管疾病（ASCVD）风险预测，但在不同人群中存在校准问题。修订版合并队列方程（RPCE）应运而生，但其对心脑血管死亡结局的预测效能尚需系统评估。
方法
研究纳入1999-2018年美国国家健康与营养调查（NHANES）中16,584名40-79岁初级预防参与者，关联国家死亡指数数据。通过Bland-Altman图评估PCE与RPCE评分一致性，采用Cox比例风险模型分析标准化评分与心脑血管死亡率的关联，并分层评估种族和性别差异。
结果
PCE与RPCE均显著关联CVD死亡率（调整后HR：1.91 vs 1.65）和联合死亡率（调整后HR：1.91 vs 1.66）。Bland-Altman分析显示PCE系统性高估风险，且随风险水平升高差异加剧。RPCE在非裔美国人群体中展现更优校准，性别分层显示男性群体中PCE预测效能显著更强（HR比值1.19）。
结论
两种模型均为心脑血管死亡的有效预测工具。RPCE通过提供更保守的风险评估改善校准性能，尤其在种族多样性人群中优势明显。临床选择需结合目标人群特征，以实现精准预防并避免过度治疗。
引言
心脑血管疾病持续构成重大健康负担，精准风险评估工具对临床决策至关重要。PCE作为主流预测模型，虽优于简易评分系统，但存在人群校准差异。RPCE通过模型重构和基线风险再校准试图解决此问题。现有研究多聚焦ASCVD发病率或单一死亡率结局，联合心脑血管死亡结局的评估具有重要临床意义。
研究方法
基于NHANES多周期横断面调查数据，采用严格纳入排除标准确保研究人群同质性。风险评分计算采用R语言"PooledCohort"包，协变量调整涵盖社会人口学和行为因素。终点事件通过ICD-10编码精确定义，统计分析方法包含一致性检验和多变量生存分析。
结果分析
基线特征显示高风险人群年龄更大、男性比例更高、教育水平更低。Bland-Altman分析揭示PCE与RPCE差异具有风险水平依赖性，在女性和非白人群体中差异更显著。森林图显示非裔人种和活动受限是共同危险因素，贫困收入比（PIR）呈现显著保护效应。
讨论
RPCE的校准改进契合其设计初衷，尤其在医疗资源分配决策中具有重要意义。性别差异提示模型优化需考虑生理学差异，而种族特异性表现强调纳入多样化训练数据的必要性。临床应用中需平衡预测敏感性与校准精度，结合动态风险因素监测实现个体化预防。
展望
未来研究应聚焦模型在特殊人群（如移民、少数民族）中的验证，整合新兴生物标志物和人工智能技术提升预测精度。实施科学研究需关注临床工作流程整合和医患共同决策模式，最终实现循证医学向精准预防的转化。
研究价值
本研究通过大样本验证为心脑血管疾病二级预防提供等级最高的循证证据，建立的种族/性别特异性预测模型为差异化防控策略制定提供量化依据，推动风险评估工具从"一刀切"向"个体化"范式转变。
