非实验室的Framingham风险评分使用自我报告数据进行远程心血管风险评估的表现

科学领域:

• 心脏病学 心脏病学
• 公共卫生 公共卫生
• 流行病学 流行病学

背景情况:

• 传统的心血管疾病 (CVD) 风险评分,如弗雷明汉风险评分 (FRS),需要临床和实验室数据,这些数据通常无法在大型远程健康调查中获得.
• 需要使用自我报告数据的验证工具,以便在资源有限的环境中实现心血管疾病风险分层.

研究的目的:

• 与原始FRS相比,仅使用自我报告的数据来评估适应的FRS模型的歧视能力和一致性.
• 评估在大规模流行病学研究中使用自我报告数据进行心脏病风险分层的可行性.

主要方法:

• 使用2013年国家健康调查数据对6,966名巴西成年人 (30-74岁) 进行横截面研究.
• 使用自报数据的三个适应的FRS模型 (FRS-BMI,FRS-BMI-HwT,FRS-BMI-HnT) 与原来的FRS进行了比较.
• 使用了统计措施,包括接收器运行特征 (ROC) 曲线,类内相关系数 (ICC),布兰德-阿尔特曼,科恩卡帕,布里尔得分,平均绝对误差 (MAE),根平均平方误差 (RMSE) 和综合歧视改进 (IDI).

主要成果:

• 经过调整的模型显示出强大的歧视能力,FRS-BMI实现了最高的AUC (0.90-0.83).
• 对心血管疾病风险≥5%和≥10%观察到实质性一致性 (kappa>0.70),对风险≥20%观察到中度一致性 (kappa>0.55).
• 所有模型都显示出出色的预测准确性 (屏障得分<0.01) 和通过引导验证的高稳定性.

结论:

• 使用自报数据的调整后的FRS模型显示出强大的歧视能力和与原来的FRS高度一致.
• 这些务实工具是电话,在线调查和远程,低资源环境中对心血管疾病风险分层的可靠替代方案.
• 这些发现支持在大规模的流行病学研究中扩大对心脏病风险评估的自我报告数据的使用.