《Health Science Reports》:Comparing Non-Laboratory-Based and Laboratory-Based Cardiovascular Risk Predictions: Systematic Review and Meta-Analysis
编辑推荐:
引言:心血管疾病(CVD)仍然是全球发病率和死亡率的主要原因。研究人员评估了在不同环境下,非实验室和实验室CVD风险方程之间的一致性。
方法:研究人员系统检索了PubMed、Scopus、Web of Science、ProQuest Dissertatio
引言:心血管疾病(CVD)仍然是全球发病率和死亡率的主要原因。研究人员评估了在不同环境下,非实验室和实验室CVD风险方程之间的一致性。
方法:研究人员系统检索了PubMed、Scopus、Web of Science、ProQuest Dissertations and Theses Global和Google Scholar中截至2025年3月4日发表的研究。研究方案已在PROSPERO注册(CRD42021291936)。纳入比较实验室和非实验室CVD风险方程的研究,排除基线时患有CVD的参与者。采用混合效应荟萃回归进行荟萃分析。使用Spearman相关系数和Kappa统计量衡量每个研究项目(分析单位)的一致性。
结果:共纳入33项研究,包括243,587名参与者和9个CVD风险方程。非实验室与实验室方程之间的合并Spearman相关系数为0.954(95% CI:0.928–0.971,I2=100%,p<0.0001),合并Kappa值为0.64(95% CI:0.61–0.67,I2=99%,p<0.0001)。2000年之前进行的研究相关性(0.974;95% CI:0.970–0.978)高于2000年之后进行的研究(0.953;95% CI:0.948–0.958;p<0.0001)。高收入环境中的研究相关性(0.967;95% CI:0.963–0.970)高于低收入环境中的研究(0.945;95% CI:0.933–0.955)。预测致命结局的方程相关性(0.979;95% CI:0.977–0.982)高于预测致命和非致命结局的方程(0.942;95% CI:0.937–0.947)。
结论:非实验室CVD风险方程与实验室方程显示出强相关性和实质性一致性。非实验室CVD风险方程在许多环境中与实验室方程表现出高度一致性;然而,强相关性和实质性一致性并不一定表明预测等效性,它们的互换性和实施应考虑具体背景,并需要外部验证和重新校准。
1 引言
心血管疾病(CVD)仍是全球发病率和死亡率的主要原因。大多数初级CVD事件可通过生活方式干预和药物治疗预防,包括针对高风险个体的血压和降脂治疗。使用多变量预测方程估计10年个体CVD风险符合国际预防指南。传统风险方程依赖于实验室检测(如血脂谱),在资源匮乏环境中可能成本高昂或不可及,因此非实验室风险方程被开发出来,使用替代指标如身体质量指数(BMI)来替代胆固醇水平和糖尿病状态。尽管已有研究在特定人群中比较了实验室和非实验室风险方程,但缺乏跨不同环境和不同CVD风险方程的综合分析,这些方法之间的总体一致性及其影响因素尚不清楚。本系统综述和荟萃分析旨在量化实验室和非实验室CVD风险方程之间的相关性和一致性,并评估相关性是否因数据时间、结局类型(致命 vs. 非致命)、性别、收入水平和风险方程类型而异。
2 方法
本系统综述和荟萃分析方案已在PROSPERO注册(CRD42021291936),遵循TRIPOD-SRMA报告清单。研究在无基线CVD的参与者中进行,比较实验室和非实验室方程,报告相关系数或Kappa统计量。
2.1 搜索策略
系统检索了PubMed、Scopus、Web of Science、ProQuest Dissertations & Theses Global和Google Scholar五个数据库,截至2025年3月4日,使用“laboratory-based”、“non-laboratory-based”和“cardiovascular risk equations”等术语组合。
2.2 纳入和排除标准
纳入初级CVD风险模型,参与者基线无CVD,比较实验室和非实验室方程,报告Spearman相关系数或Kappa统计量,英文发表。排除基线有CVD、非英文、会议摘要或病例报告的研究。
2.3 筛选、质量评估和数据提取
两位作者独立筛选标题/摘要和全文,使用修改后的横断面研究设计评估工具评估偏倚风险,包括研究目标、设计、人群、抽样框架、代表性、风险因素、结局、统计方法、响应偏倚、内部一致性、结果、结论、局限性、利益冲突和伦理批准。提取数据包括性别、研究年份、样本量、方程类型、标准误、偶然一致性、百分比一致性和结局指标(Spearman相关系数、Kappa统计量)。国家收入水平按世界银行标准分类。
2.4 荟萃分析
采用随机效应模型,Spearman相关系数经Fisher z变换后合并,再回变换。Kappa统计量使用随机效应模型,计算方差为(百分比一致性(p
o)-偶然一致性(p
c))/(1-p
c),并除以样本量(n),使用聚类稳健方差估计处理效应量依赖。评估合并一致性是否因Kappa类别而异。
2.5 亚组分析和荟萃回归
按方程类型分层,使用混合效应荟萃回归按性别、结局类型(致命 vs. 非致命)、数据时间(2000年前后)和收入水平探索异质性来源。仅当数据来自至少10项研究时进行荟萃回归。
2.6 解释Spearman相关系数和Kappa统计量的大小
Spearman相关系数强度:0.00–0.39低,0.40–0.69中等,0.70–0.89强,0.90–1.00非常强。Kappa统计量按Landis和Koch量表:≤0差,0.01–0.20轻微,0.21–0.40一般,0.41–0.60中等,0.61–0.80实质性,0.81–1.00几乎完美。Kappa值受类别数影响。
2.7 异质性和敏感性分析
使用I
2统计量和Cochran Q检验评估异质性,进行亚组分析、荟萃回归和敏感性分析,包括固定tau-squared(τ
2)值为0.2和0.1,以及留一法分析。
2.8 发表偏倚和小研究效应
使用漏斗图和Egger检验评估小研究效应,仅当纳入10项或以上研究时进行Egger检验。所有分析使用R软件(版本4.3.0),包括“metafor”、“metacor”和“meta”包。
3 结果
3.1 搜索结果
33项研究符合纳入标准,共243,587名参与者。4项研究报告Spearman相关系数(204个数据点),21项研究报告Kappa统计量(58个数据点)。
3.2 纳入研究特征
22个相关性比较针对非实验室Harvard NHANES方程与三个实验室方程:D'Agostino Framingham、SCORE高和SCORE低;15个比较与Anderson-Framingham方程;14个与CUORE方程;7个与PCE方程。8项研究是人群调查或横断面研究,4项是队列研究基线调查,2项是干预研究基线调查,数据收集于1982年至2013年,偏倚风险低。从报告Kappa一致性的研究中识别出三个非实验室方程及其对应实验室方程:WHO-2019、D'Agostino Framingham和Ueda Globorisk扩展。Kappa统计量用于比较2至5个风险类别,研究人群调查于1990年至2021年进行,6项在非洲,14项在亚洲,9项在美洲。
3.3 荟萃分析
3.3.1 相关系数
非实验室(Harvard NHANES)与实验室方程的整体合并Spearman相关系数为0.954(95% CI: 0.928–0.971, I
2=100%, p<0.0001)。各方程比较:D'Agostino Framingham 0.922(95% CI: 0.921–0.924),Anderson-Framingham 0.936(95% CI: 0.935–0.938),SCORE-high 0.976(95% CI: 0.975–0.976),SCORE-low 0.977(95% CI: 0.976–0.977),CUORE 0.962(95% CI: 0.960–0.963),PCE 0.917(95% CI: 0.915–0.919)。高异质性(I
2=100%),预测区间0.76–0.99。漏斗图和Egger检验无发表偏倚(p=0.30),敏感性分析无单个研究显著影响。预测致命结局的方程相关性(0.979; 95% CI: 0.977–0.982)高于预测致命和非致命结局的方程(0.942; 95% CI: 0.937–0.947; p<0.0001)。2000年前的研究相关性(0.974; 95% CI: 0.970–0.978)高于2000年后(0.953; 95% CI: 0.948–0.958; p<0.0001)。高收入环境相关性(0.967; 95% CI: 0.963–0.970)高于低收入环境(0.945; 95% CI: 0.933–0.955; p<0.0001)。性别和样本量无显著差异。
3.3.2 Kappa一致性指标
整体合并Kappa(κ)为0.64(95% CI: 0.61–0.67, I
2=99%, p<0.0001)。亚组:WHO-2019 κ=0.66(95% CI: 0.60–0.72),D'Agostino-Framingham κ=0.62(95% CI: 0.57–0.67),Ueda Globorisk扩展 κ=0.65(95% CI: 0.60–0.71)。高异质性(I
2=99%),预测区间0.39–0.89。漏斗图和Egger检验无发表偏倚(p=0.49)。不同Kappa类别(2、3、4、5类)间一致性估计无显著差异,敏感性分析显示单个研究对合并估计影响最小。
4 讨论
这是首个比较非实验室和实验室CVD风险方程相关性和一致性的系统综述和荟萃分析。发现非实验室Harvard NHANES方程与六个实验室方程(D'Agostino-Framingham、Anderson-Framingham、SCORE高/低、CUORE、PCE)强相关,三个实验室方程(WHO-2019、Ueda Globorisk扩展、D'Agostino Framingham)与其非实验室版本实质性一致。不同方程间相关性有差异,如SCORE(仅预测致命结局)相关性更高,而不同方程间Kappa无显著差异。非实验室方程在多种环境中表现良好,但预测区间宽且异质性高,提示需要重新校准和外部验证。非实验室方程可在单次门诊就诊中收集数据,无需血液样本,适用于资源有限环境,可扩大CVD风险筛查覆盖。2000年前的研究相关性更高,可能由于风险方程推导队列(多基于1960–1990年代数据)与当代人群风险差异,如肥胖率上升、胆固醇和血压控制改善等。高收入环境相关性高于低收入环境,可能反映了低收入人群在推导队列中代表性不足,但非实验室方程在低收入群体中仍表现良好(相关系数>0.9)。本研究是首次综合性合成,但存在高异质性(I
2=99%–100%),需谨慎解释。未来需要对非实验室方程进行外部验证、重新校准,并纳入重要非实验室预测因子如糖尿病史。政策制定者应考虑在卫生系统中引入非实验室CVD风险方程,以增强初级CVD预防服务的可及性和可负担性。
5 结论
非实验室CVD风险方程与实验室方程强相关且实质性一致;但强相关和实质性一致不一定表示预测等效性,它们的互换性和实施应考虑具体背景,并需要外部验证和重新校准。