Predicting cardiovascular risk under intervention: Development and internal validation of the CHARIOT Model in 19 million adults

该研究利用英国 1900 多万成年人的电子健康记录，开发并内部验证了 CHARIOT 模型，该模型结合生存分析与因果推断，能够量化预测不同干预措施（如启动他汀类药物、降压或戒烟）对个体未来 10 年心血管风险的具体降低幅度，从而推动以患者为中心的可行动预防策略。

要点

这篇论文介绍了一个名为 CHARIOT 的新型医疗工具，它的诞生是为了解决传统心脏病风险预测模型的一个大痛点：只告诉你“有风险”，却没法告诉你“怎么做才能降低风险”。

我们可以把这篇论文的核心内容想象成**从“天气预报”升级为“智能导航”**的过程。

1. 传统模型 vs. CHARIOT：天气预报 vs. 智能导航

• 传统模型（如 QRISK）：像“天气预报”
  以前的工具就像看天气预报。它会告诉你：“明天有 80% 的概率会下雨（得心脏病）。”

  • 局限性： 它只能告诉你“可能会下雨”，但没法回答你：“如果我带把伞（吃药），下雨的概率会变成多少？”或者“如果我穿雨衣（戒烟），风险能降多少？”它只能让你觉得“哎呀，得小心点”，却给不出具体的行动指南。

• CHARIOT 模型：像“智能导航”
  CHARIOT 就像你手机里的导航软件。它不仅告诉你目的地（未来 10 年）有堵车风险（心脏病），还能模拟不同的路线：

  • “如果你走 A 路线（吃他汀类药物），堵车时间能减少 4 分钟。”
  • “如果你走 B 路线（戒烟），堵车时间能减少 3 分钟。”
  • “如果你走 C 路线（减肥 + 降压），堵车时间能减少 10 分钟！”
    它不仅能预测风险，还能模拟“如果……会怎样”（反事实推理），让你看到不同选择带来的具体好处。

2. 这个模型是怎么造出来的？（1900 万人的“大数据训练”）

研究人员利用了英国 1900 多万成年人 的电子健康记录（相当于一个巨大的“人生数据库”）。

• 训练过程： 他们不仅看了这些人最后是否得了心脏病，还结合了大量的临床试验数据。这就好比不仅观察了司机的驾驶习惯，还参考了赛车手在赛道上的最佳操作数据。
• 核心黑科技： 他们把“预测”和“因果推断”结合在了一起。简单说，就是不仅看“谁病了”，还去计算“如果这个人做了某件事，他的病会不会少发生”。

3. 它是怎么工作的？（“记忆”功能）

CHARIOT 最聪明的地方在于它有**“记忆”，而且是为多次就诊**设计的。

• 第一次见面（Visit 0）： 就像你第一次去体检。医生输入你的年龄、血压、是否吸烟等数据。CHARIOT 会记住这些“基准线”，并告诉你：“如果不做任何改变，你未来 10 年的风险是 19%。”
• 模拟未来： 医生可以问：“如果她开始吃药，风险变多少？”“如果她戒烟，风险变多少？”模型会立刻给出答案。
• 一年后（Visit 1）： 当你一年后复诊时，CHARIOT 不会把你当成陌生人。它会调出你一年前的数据，结合你现在的变化（比如你已经戒烟了，或者体重轻了），重新计算风险。
  • 比喻： 就像健身教练记得你去年的体重，并根据你今年的变化，告诉你：“看，因为你去年开始跑步，今年你的心脏负担已经减轻了这么多！”

4. 一个真实的例子（70 岁的黑加勒比女性）

论文里举了一个生动的例子：
一位 70 岁的女士，吸烟、血压高、体重超标。

• 初始状态： 她的 10 年心脏病风险是 18.97%（很高）。
• 模拟干预：
  • 如果吃药（他汀）：风险降到 14.32%。
  • 如果戒烟：风险降到 15.77%。
  • 如果降压 10mmHg：风险降到 15.26%。
  • 最佳组合（吃药 + 降压 + 减肥）：风险直接降到 5.49%！

结果： 这位女士看到数据后，发现“戒烟”的效果和“吃药”差不多，而且她更想通过生活方式改变。于是她决定参加戒烟计划。一年后，她真的戒烟了，体重也降了，模型再次计算，她的风险已经降到了 11.89%。这种可视化的进步极大地激励了她坚持下去。

5. 为什么这很重要？（不仅仅是数字）

• 赋予患者力量： 以前医生只能说“你得吃药”，患者可能觉得是被迫的。现在医生可以说“你看，如果你戒烟，你的风险能降低这么多，就像给心脏卸下了重担。”这让患者从“被动接受”变成了“主动选择”。
• 心理学的胜利： 人们更愿意改变行为，当他们亲眼看到改变带来的具体好处时（这在心理学上叫“响应效能”）。CHARIOT 把抽象的“健康建议”变成了具体的“风险数字”。
• 公平性： 这个模型在英国不同地区、不同种族、不同年龄段的人群中都表现良好，没有明显的偏见。

6. 总结与未来

CHARIOT 不仅仅是一个计算器，它是一个**“决策模拟器”。
它利用大数据和因果科学，把冷冰冰的医疗数据变成了有温度的行动指南**。它让医生和患者可以坐在一起，像玩“模拟人生”游戏一样，推演不同的生活方式选择，从而找到最适合个人的预防心脏病方案。

虽然它目前还在研究阶段（尚未完全通过同行评审），但它代表了未来医疗的方向：从“预测疾病”转向“指导行动”，让每个人都能掌握自己健康的方向盘。

技术摘要

这是一份关于 CHARIOT 模型（Cardiovascular Risk Assessment under Intervention）的详细技术总结，该模型旨在预测干预措施下的心血管疾病（CVD）风险。

1. 研究背景与问题 (Problem)

• 现有局限：目前广泛使用的心血管风险预测模型（如英国的 QRISK、美国的 Pooled Cohort Equations）主要是关联性的。它们能告诉患者“风险很高，需要改变”，但无法回答患者最关心的具体问题：“如果我戒烟，风险会降低多少？”或“如果我开始服用他汀类药物，风险具体会下降多少？”
• 决策支持不足：现有模型无法处理治疗过程中的“治疗介入”（treatment drop-in，即随访期间开始或停止治疗）问题，且通常无法模拟生活方式干预（如减肥、饮食改变）的具体效果。
• 临床需求：为了促进患者的行为改变（响应效能，response efficacy），临床医生和患者需要个性化的、基于反事实（counterfactual）的干预效果预测，而不仅仅是基线风险评分。

2. 方法论 (Methodology)

CHARIOT 模型结合了生存分析与因果推断技术，采用两阶段架构，专为多次临床随访设计。

A. 数据基础

• 数据来源：英国临床实践研究数据链（CPRD Aurum）的电子健康记录（EHR）。
• 样本量：19,410,403 名英国成年人（无既往 CVD 病史）。
• 研究设计：回顾性队列研究，随访至 2020 年 3 月 1 日。

B. 模型架构

模型分为两个核心组件：

1. 初始风险估计组件 (Initial Risk-Estimation Component)

   • 模型类型：针对男性和女性分别构建的 Cox 比例风险模型。
   • 预测变量：包括年龄、性别、种族、剥夺指数、收缩压（SBP）、BMI、非 HDL 胆固醇、吸烟史、家族史及多种合并症（如房颤、糖尿病、CKD 等）。
   • 处理“治疗介入” (Treatment Drop-in)：这是该模型的关键创新。在开发过程中，观察到的随访期间治疗变化（如开始服用他汀）被视为时间依赖性协变量。模型利用文献中的因果效应估计值（作为偏移项，offsets）来调整风险预测，从而模拟“如果患者持续保持当前治疗策略”的反事实风险。
   • 缺失数据处理：使用多重插补链式方程（MICE）处理关键变量缺失。

2. 干预组件 (Intervention Component)

   • 机制：不重新拟合模型，而是基于初始风险估计，利用因果有向无环图 (DAG) 和文献中的因果效应估计值（优势比 ORs）来调整风险。
   • 干预类型：
     • 药物治疗：启动他汀、启动降压药。
     • 生活方式：戒烟、体重减轻、血压降低、非 HDL 胆固醇降低。
   • 动态更新：模型具有“记忆”功能。在随访访问（Visit 1, 2...）中，模型会：
     1. 记住 Visit 0 的可变风险因素基线值。
     2. 更新非可变因素（如年龄增长、新发病史）。
     3. 根据实际达到的风险因素水平重新计算当前风险。
     4. 模拟进一步干预后的假设风险。

C. 因果效应来源

• 干预效果参数（如他汀降低风险的幅度、戒烟的效果）来自对随机对照试验（RCT）和观察性研究的系统综述及荟萃分析。
• 区分了总效应（Total effect）和直接效应（Direct effect），以处理干预措施通过改变其他风险因素（如戒烟可能导致体重增加）产生的间接影响。

3. 主要贡献 (Key Contributions)

1. 预测范式转变：从单纯的“风险识别”转向“干预下的风险预测”（Prediction under intervention）。能够量化具体行动（如戒烟、服药、减重）对个体风险的降低幅度。
2. 解决治疗介入问题：在模型开发阶段即通过因果推断方法处理了随访期间治疗状态变化的问题，避免了传统模型因排除已治疗人群或混淆治疗/未治疗人群而产生的偏差。
3. 多访次架构：设计了支持多次临床互动的“记忆”机制，允许在随访中动态更新风险预测，支持长期的慢性病管理。
4. 大规模验证：在接近 2000 万人的代表性英国人群中进行开发和内部验证，涵盖了不同性别、年龄、种族和地区。
5. 开源与可及性：模型代码和交互式 RShiny 应用已公开，便于临床整合和患者端应用。

4. 研究结果 (Results)

• 区分度 (Discrimination)：
  • 女性验证集的 C 统计量 (Harrell's C-index) 为 0.874。
  • 男性验证集的 C 统计量为 0.859。
  • 在不同种族和地区亚组中表现一致，但在年轻组（17-30 岁）区分度有所下降（因绝对风险极低）。
• 校准度 (Calibration)：
  • 模型在性别、年龄、种族和英格兰各地区均表现出良好的校准度。
  • 在极高危人群中存在轻微的高估（Over-prediction），部分归因于随访期间的选择偏差（高危个体退出队列）。
• 干预效果示例：
  • 以一名 70 岁女性（基线风险 18.97%）为例：
    • 服用他汀：风险降至 14.32%。
    • 收缩压降低 10mmHg：风险降至 15.26%。
    • 戒烟：风险降至 15.77%。
    • 综合干预（降脂、降压、减重）：风险可降至 5.49%。
• 时间验证：在随访 1-5 年的模拟中，干预组件在调整风险因素后仍能保持较好的校准性能，尽管随着时间推移，对极高危人群的预测略有偏差。

5. 意义与局限性 (Significance & Limitations)

意义

• 临床决策支持：为医生和患者提供了可视化的“如果...会怎样”工具，有助于基于证据的共享决策（Shared Decision Making）。
• 行为改变激励：通过展示具体干预措施的量化收益，增强患者的自我效能感，促进生活方式改变和药物依从性。
• 公共卫生价值：支持 NHS 健康检查等大规模筛查项目，使预防策略更加精准和个性化。

局限性与假设

• 因果假设：依赖于从文献中借用因果效应估计值，并假设这些效应在目标人群中具有可迁移性（Transportability）。
• 一致性假设：假设通过不同途径（如药物 vs 生活方式）达到相同的风险因素水平（如 SBP 降低 10mmHg），其风险降低效果是相同的。
• 数据限制：模型仅在英格兰人群开发，在其他英国地区（苏格兰、威尔士等）应用前需验证；生活方式干预可能通过未测量的机制（如胰岛素敏感性、血管内皮功能）产生额外获益，模型可能低估了部分收益。
• 竞争风险：当前模型主要预测 10 年 CVD 风险，尚未完全整合竞争风险（如非 CVD 死亡）以计算终身风险。

总结

CHARIOT 模型代表了心血管疾病风险预测领域的实质性进步。它突破了传统预测模型的局限，将因果推断融入临床预测，使医生能够向患者展示具体干预措施的预期收益。这种从“被动告知风险”到“主动模拟干预”的转变，有望显著提升心血管疾病的预防效果和患者参与度。