孫恒，周暢

目前，我國心房顫動（以下簡稱房顫）的總發(fā)病率約為1%，75歲以上人群房顫的發(fā)病率高達3%，隨著人口老齡化的加劇，我國房顫的發(fā)病率呈上升趨勢［1］。房顫患者發(fā)生腦卒中的風險約為健康人群的5倍，死亡風險約為健康人群的2倍［2］。臨床上，導管消融術是使房顫患者恢復和維持竇性心律的主要治療措施［3］，目前導管消融術主要包括射頻與冷凍球囊兩種消融方式，其療效優(yōu)于藥物治療，但導管消融術后仍有約30%的復發(fā)率［4］。因而如何對復發(fā)風險進行危險分層，并進行適當干預以降低復發(fā)率成為目前房顫相關研究的重點。臨床研究中發(fā)現(xiàn)了許多影響導管消融術療效的因素，其中部分重要因素被篩選出來用于制定風險預測模型［5］。本文比較了不同風險預測模型的適用條件及其對房顫患者進行風險分層的靈敏度和特異度，并分析了目前風險預測模型可能存在的不足，以期為導管消融術前房顫復發(fā)風險預測模型的選擇及改良提供一定參考。

1 CHA2DS2-VASc評分

2006年版《心房顫動管理指南》［6］提出了用于非瓣膜性房顫患者腦卒中風險評估的CHADS2評分，LIP等［7］在其基礎上研究得出了改良的CHA2DS2-VASc評分，其中C代表充血性心力衰竭/左心室功能障礙（congestive heart failure/left ventricular dysfunction），H代表高血壓（hypertension），A代表年齡≥75歲（age≥75），D代表糖尿?。╠iabetes mellitus），S代表腦卒中（stroke）/短暫性腦缺血發(fā)作（transient ischemic attack，TIA）/血栓栓塞（thromboembolism）病史，V代表血管疾?。╲ascular disease），A代表年齡65～74歲（age 65-74），Sc代表性別（sex category）。研究表明，CHA2DS2-VASc評分不僅在預測高危腦卒中患者方面優(yōu)于CHADS2評分，并且在識別低危腦卒中患者方面亦優(yōu)于CHADS2評分［8］。CHA2DS2-VASc評分在預測房顫患者導管消融術后復發(fā)的有效性上已得到了初步驗證，但存在預測效能較低的問題［9-10］。CHA2DS2-VASc評分納入了常規(guī)心血管危險因素如衰老、高血壓、糖尿病等，因此其應用于孤立性房顫患者或合并輕度結構性心臟病的年輕患者的危險分層時準確性可能會降低，但這類患者在接受導管消融術的患者中占比很大［11］，因此未來應探索適合這一群體的風險預測模型。

綜上，CHA2DS2-VASc評分的臨床應用價值主要在于評估房顫患者腦卒中發(fā)生風險，在評估導管消融術后復發(fā)風險分層方面僅可為臨床決策提供初步的參考。

2 HATCH評分

2010年DE VOS等［12］通過研究1 219例陣發(fā)性房顫患者的病情進展情況開發(fā)了HATCH評分，其中H代表心力衰竭（heart failure），A代表年齡（age），T代表短暫性腦缺血發(fā)作或腦卒中（TIA or stroke），C代表慢性阻塞性肺疾病（chronic obstructive pulmonary disease），H代表高血壓（hypertension）。DENG等［13］對1 410例房顫患者導管消融術后復發(fā)情況進行分析發(fā)現(xiàn)，HATCH評分預測房顫患者導管消融術后復發(fā)的受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）為0.58，表明預測效能較低。隨后有研究將腦鈉肽納入該評分系統(tǒng)得到改良的B-HATCH評分，并在161例房顫患者中正確篩選出40%隨訪期間無復發(fā)的低風險患者和17%發(fā)生房顫復發(fā)的高風險患者［14］。HATCH評分在評估導管消融術后房顫復發(fā)風險方面的效能較低，但較高的HATCH評分提示房顫患者病情進展的風險高，這類患者的臨床治療上應重點注意控制心率。而改良的B-HATCH評分對房顫患者導管消融術后復發(fā)危險分層的效能有所提高［14］，這可能與多方面考慮房顫復發(fā)因素有關，提示未來風險預測模型的建立需要綜合考慮心血管疾病危險因素、實驗室指標以及影像學參數(shù)對房顫復發(fā)的影響。目前房顫上游治療逐漸受到重視［15］，HATCH評分或許可以幫助篩選適合接受上游治療的房顫患者。

3 BASE-AF2、APPLE、DR-FLASH 評分

通過綜合考慮患者臨床病史、實驗室檢查結果、超聲心動圖檢查結果等基線資料對房顫患者導管消融術后復發(fā)的影響，臨床上開發(fā)了BASE-AF2、APPLE、DR-FLASH評分3個風險預測模型。BASE-AF2評分中的B代表體質指數(shù)（body mass index）、A代表心房擴張（atrial dilatation）、S代表吸煙（smoking）、E代表早期復發(fā)（early recurrence）、AF2代表房顫持續(xù)時間和非陣發(fā)性房顫類型（duration of atrial fibrillation history and non-paroxysmal type of atrial fibrillation）；有研究的ROC曲線分析結果顯示，BASE-AF2評分≥3分預測房顫復發(fā)的效能最好，靈敏度為80.8%，特異度為91.6%（AUC=0.94）［16］。APPLE評分中的A代表年齡（age）、P代表持續(xù)性房顫（persistent atrial fibrillation）、P代表慢性腎功能不全〔impaired eGFR ＜ 60 ml·min-1·（1.73 m2）-1〕、L代表左心房內(nèi)徑（left atrial diameter）、E代表左心室射血分數(shù)（left ventricular ejection fraction）［17］。DR-FLASH評分中D代表糖尿病（diabetes）、R代表腎功能不全（renal dysfunction）、F代表持續(xù)性房顫（persistent form of atrial fibrillation）、L代表左心房內(nèi)徑（left atrial diameter）、A代表年齡（age）、S代表性別（sex）、H代表高血壓（hypertension）；有研究顯示，DR-FLASH評分為3分是預測左心房低電壓區(qū)的最佳截斷值，AUC為0.801，靈敏度為76%，特異度為73%［18］。后續(xù)研究比較了7種現(xiàn)有風險預測模型對接受導管消融術的房顫患者的晚期復發(fā)風險評估能力，結果顯示，BASE-AF2評分的預測效能優(yōu)于APPLE評分（AUC分別為0.75和0.74）［13］。這一結論在SANO等［19］基于第二代冷凍導管消融術的隊列研究中也得到了驗證，但在預測房顫患者極晚期復發(fā)的價值上BASE-AF2評分（AUC=0.586）與APPLE評分（AUC=0.612）均較DR-FLASH評分（AUC=0.636）低。另一項分析各評分對行導管消融術的房顫患者晚期復發(fā)預測價值的研究亦表明，DR-FLASH評分優(yōu)于APPLE評分（AUC分別為0.662和 0.638）［20］。

總體上，BASE-AF2評分可作為評估房顫患者導管消融術后晚期復發(fā)風險的參考工具，且其預測效能優(yōu)于APPLE評分與DR-FLASH評分。另外，有研究發(fā)現(xiàn)，房顫復發(fā)與存在左心房低電壓區(qū)相關［21］，而以左心房低電壓區(qū)為靶點進行的底物修飾可明顯改善消融治療效果［22］。DR-FLASH評分是通過分析與房顫患者左心房低電壓區(qū)相關的預測因子，進而開發(fā)出的風險預測模型，可用于指導消融策略的制定。今后可進一步探索與左心房低電壓區(qū)相關的臨床標志物，并整合到預測模型中，以提高模型的預測效能。

4 CAAP-AF評分

2016年 WINKLE等［23］開發(fā)了CAAP-AF評分，其中C代表冠心?。╟oronary disease）、A代表左心房內(nèi)徑（left atrial diameter）、A代表年齡（age）、P代表持續(xù)性房顫（persistent atrial fibrillation）、A代表抗心律失常藥物失敗種類（the number of antiarrhythmic drugs failed）、F代表女性（female）。在人工智能（artificial intelligence，AI）應用于心電圖預測房顫的研究后［24］，AI開始應用于導管消融術后房顫復發(fā)風險預測模型的檢驗。FURUI等［25］通過AI來檢測CAAP-AF評分預測房顫復發(fā)的效能，結果發(fā)現(xiàn)，根據(jù)該評分區(qū)分出的高風險組患者房顫復發(fā)的風險是低風險組的5.6倍。但CAAP-AF評分對房顫合并心力衰竭患者導管消融術后房顫復發(fā)的甄別作用不大［26］。有研究者在與其他隊列的比較中發(fā)現(xiàn)，CAAP-AF評分預測房顫復發(fā)的效能較BASE-AF2評分低（AUC分別為0.71和0.75）［13］。亦有研究表明，當CAAPAF評分≥5分時，其預測房顫復發(fā)的效能最好（AUC=0.71），靈敏度為64%，特異度為68%［27］。此外，HAMILTON等［28］研究顯示，CAAP-AF評分預測陣發(fā)性房顫患者導管消融術后復發(fā)的效能高于持續(xù)性房顫患者（AUC分別為0.744和0.667）。

綜上，CAAP-AF評分適用于篩選出導管消融術獲益最大的房顫患者，但該評分對導管消融術后房顫復發(fā)的預測效能較低［26-27］，尚需要大樣本量的研究檢驗該評分的預測效能及適用人群。

5 MB-LATER評分

2017年MUJOVIC等［29］開發(fā)了MB-LATER評分，其中M代表性別（male）、B代表束支傳導阻滯（bundle brunch block）、LA代表左心房內(nèi)徑（left atrial diameter）、T代表房顫類型（type of atrial fibrillation）、ER代表早期復發(fā)（early recurrence of atrial fibrillation），并對277例非瓣膜性房顫患者導管消融術后的極晚期復發(fā)情況進行分析，指出MB-LATER評分≥2分對極晚期復發(fā)的預測價值最高（AUC=0.782），靈敏度為75.0%，特異度為72.6%；MB-LATER評分對極晚期復發(fā)的預測效能較APPLE評分（AUC=0.716）、BASE-AF2評分高（AUC=0.648）。研究顯示，MB-LATER評分在使用第二代冷凍球囊導管消融術的隊列中預測極晚期房顫復發(fā)的靈敏度為75.0%，特異度為55.5%［19］。隨后一項研究發(fā)現(xiàn)，MB-LATER評分≥2分的患者較MB-LATER評分＜2分的患者導管消融術后房顫復發(fā)風險增加了約52%［13］。但有研究指出，MB-LATER評分對于導管消融術后晚期復發(fā)僅顯示出中等的預測能力，但預測效能（AUC=0.654）仍優(yōu)于APPLE評分（AUC=0.640）［30］。

綜上，MB-LATER評分對導管消融術后房顫極晚期復發(fā)風險的預測效能高于BASE-AF2、APPLE評分，但部分研究顯示其對導管消融術后房顫復發(fā)的預測價值有限［28］。MBLATER評分對房顫患者導管消融術成功率是否有足夠的預測效能需要在更大樣本量的前瞻性研究中進行評估。

6 SCALE-CryoAF評分

PEIGH等［31］通過分析冷凍球囊導管消融術后極晚期房顫復發(fā)的獨立預測因子開發(fā)了SCALE-CryoAF評分，其中S代表結構性心臟?。╯tructural heart disease）、C代表冠心?。╟oronary artery disease）、A代表左心房內(nèi)徑（left atrial diameter）、L代表左束支傳導阻滯（left bundle branch block）、E代表早期復發(fā)（early recurrence of atrial fibrillation）、Cryo代表冷凍球囊消融術（cryoballoon ablation）、AF代表非陣發(fā)性房顫（non-paroxysmal atrial fibrillation），與其他風險預測模型相比，SCALE-CryoAF評分預測房顫患者導管消融術后復發(fā)的效能最高（AUC=0.73）。另有研究指出，SCALE-CryoAF評分預測極晚期房顫復發(fā)的效能（AUC=0.633）低于MBLATER評分（AUC=0.680），但SCALE-CryoAF評分預測房顫患者晚期復發(fā)風險的效能（AUC=0.725）優(yōu)于MB-LATER評分、BASE-AF2評分及APPLE評分（AUC分別為0.691、0.637、0.632）［19］。

綜上，SCALE-CryoAF評分是根據(jù)與冷凍球囊消融術后極晚期房顫復發(fā)相關的危險因素構建的風險預測模型，但目前只在接受冷凍球囊導管消融術的隊列中進行了驗證，其預測射頻導管消融術成功率的效能還需進一步驗證。該評分納入的結構性心臟病包括超聲心動圖所提示的嚴重瓣膜狹窄或關閉不全，因而其亦可用于評估合并一定程度瓣膜疾病的房顫患者導管消融術的成功率。

7 小結與展望

通過比較各種風險預測模型的預測效能發(fā)現(xiàn)，HATCH評分可以為篩選適合接受上游治療的房顫患者提供參考，DRFLASH評分可通過預測左心房低電壓區(qū)而作為消融策略選擇的參考因素，SCALE-CryoAF評分在評估冷凍球囊導管消融術后極晚期房顫復發(fā)風險方面具有優(yōu)勢，而MB-LATER評分評估導管消融術后極晚期房顫復發(fā)風險的效能較高。然而，目前的風險預測模型構建過程中存在變量選擇和加權方式不一致、內(nèi)部驗證隊列選擇差異、模型校準方法不同等問題，其準確性有待提高，未來需要進行大樣本量的研究來驗證和改良現(xiàn)有的風險預測模型。隨著AI在醫(yī)學領域的應用，有望構建適用于不同房顫類型的風險預測模型，以更好地指導臨床制定個性化的治療方案。

作者貢獻：孫恒進行文章的構思與設計、論文的撰寫與修訂；周暢進行文章的可行性分析、論文的修訂、質量控制與審校；孫恒、周暢對文章整體負責、監(jiān)督管理。

本文無利益沖突。