体检报告上这“三项指标”，AI 能用它预测你未来 10 年的心血管风险！

"未来 10 年心血管风险"不是一个新概念——从 1998 年的 Framingham 评分到美国心脏协会（AHA）2023 年发布的 PREVENT 方程，医学界一直在用体检常规指标（年龄、血压、血脂、血糖、吸烟史）估算它。中国的 China-PAR 模型也以 5% 和 10% 为切点对国人做 10 年风险分层。

真正的新变化是：AI（机器学习与深度学习）正在从三个方向把这套估算变得更准、更细、更个体化：

1、血脂（每人体检都查）：AI 不再只看某一次 LDL-C （"低密度脂蛋白"，或称"坏胆固醇"，它是动脉粥样硬化和心血管风险的核心指标，也是文中 AI 血脂轨迹分析的主要对象）数值，而是整合多年体检的血脂轨迹、波动性与残余胆固醇，预测效能较传统评分（如 Framingham）的 AUROC 绝对提升近 30 个百分点；AHA 的 PREVENT 方程在 10 年风险基础上新增 30 年预测窗口，并首次纳入心-肾-代谢综合指标。

2、心电图（体检标配）：深度学习能从一份"看起来正常"的窦性心律心电图中读出医生看不见的信号——2019 年 Mayo Clinic 团队在《柳叶刀》证明 AI 可以识别隐匿性房颤（AUC 0.87）；2024 年帝国理工学院在《柳叶刀·数字健康》发布的 AIRE 平台，用一张心电图就能估算 10 年死亡风险并对约 78% 的人正确排序。

3、冠脉钙化积分 CAC（体检通常不查，但可能是信息密度最高的一项）：2024 年发表于 npj Digital Medicine 的 MESA 研究显示，AI 深度解读钙化 CT（AI-CAC）预测 10 年心血管事件的准确度（AUC 0.789）显著超过传统钙化积分（0.712）；钙化积分还能把同一个人的 10 年风险估算改写 3 倍（9.3% → 3.1%）。

核心判断：AI 并没有发明新指标，它做的是把体检报告上已有的数字读出更多信息。但三类证据的成熟度差异很大——血脂风险评估已进入指南（临床可用），AI-ECG 处于"验证完成、临床试验进行中"阶段，AI-CAC 仍处于学术验证向临床转化阶段，尚未获 FDA 批准用于常规诊断。对普通人体检决策的直接启示是：40 岁以上、有风险因素者，值得主动了解自己的 10 年风险评分，并与医生讨论是否加做钙化积分。

一、什么是"10 年心血管风险"？

"10 年风险"指一个目前没有心血管病的人，在未来 10 年内发生心梗、脑卒中等动脉粥样硬化性心血管事件（ASCVD）的概率。它是全球心血管一级预防的通用语言：

1、Framingham 评分（1998 年，美国）：用性别、年龄、血压、血脂、糖尿病、吸烟估算 10 年冠心病风险，是这一范式的起点。

2、China-PAR 模型（中国）：中国首个以 ASCVD 为终点的 10 年风险模型，基于 3.5 万人队列、平均随访 14.1 年，以 5% 和 10%为切点划分低危/中危/高危，并被中国血脂与心血管病预防指南采纳；指南建议 35 岁以上有风险因素者每 1–2 年评估一次。

3、PREVENT 方程（AHA，2023 年）：基于超过 650 万美国成年人数据开发，可估算 10 年和 30 年的总心血管病、ASCVD 和心衰风险，首次整合心-肾-代谢（CKM）指标，已被写入 2025 年血压指南与 2026 年血脂指南。

传统模型的共同局限是：只用"某一次体检"的静态数值、变量少（通常不超过 10 个）、且多为欧美人群开发。传统模型在中国特定亚组（如高血压人群）中可能校准不佳——例如 China-PAR 与 Framingham 在中国高血压人群中均不同程度高估了实际风险，这正是 AI 切入的空间。

二、血脂——从"一次数值"到"十年轨迹"

血脂四项（总胆固醇、甘油三酯、LDL-C、HDL-C）是体检报告中与心血管风险关系最直接、也最便宜的项目。AI 在这条链路上做了三件事：

1、看见"累积暴露"而不只是"当下数值"

2021 年发表于 JAMA Cardiology 的研究汇总了美国 4 个前瞻队列共 18,288 人、中位随访 16 年的数据：在调整了中年时的 LDL-C 水平后，18–60岁期间的LDL-C累积暴露量仍独立预测冠心病事件（最高 vs 最低暴露的 HR 1.57，时间加权平均 LDL-C 的 HR 1.69）。

也就是说，体检报告上历年的 LDL-C 连起来的"曲线"，比今年这一次的数值包含更多风险信息——这正是机器学习擅长的输入形态。

2、用多年体检数据训练，效能超传统评分

一项针对高血脂人群的研究用 LightGBM 算法整合最近三次体检的血脂、血压、血糖、BMI 的均值与变异系数（波动程度），模型 AUROC 达 0.82；在同一测试集上与 Framingham 等传统评分直接对比，AUROC 绝对提升近 30 个百分点。研究特别指出：血脂的波动性和残余胆固醇是独立于单次测量值的预测因子。

英国生物样本库（UK Biobank）的另一项前瞻队列研究则用 10 个常规预测变量（其中核心即血脂与血压等体检项目）训练机器学习模型 UKCRP，在 44 万余名无心血管病史者与 3.1 万余名 10 年内发病者上完成开发与校准。该模型 AUROC 为 0.762，变量更精简、可解释性更强。

3、复合指标：TyG 指数

由甘油三酯和空腹血糖算出的 TyG 指数（胰岛素抵抗的替代标志物，两项都是体检常规项目）在中国体检人群中已显示与动脉硬化进展、Framingham 10 年风险显著相关；韩国全国队列（n 为数百万级）进一步显示 TyG 最高四分位者的心血管事件风险随糖尿病病程延长而升高（病程 ≥10 年者调整后 HR 1.44）。

需注意：也有研究（Sanchez-Inigo 等）未发现 TyG 与 10 年心血管风险的显著关联，证据尚不一致，定位为"潜在增强指标"而非定论。

小结：血脂链路的成熟度最高——PREVENT/China-PAR 这类"统计模型"已进入指南、可直接使用；AI 增强（轨迹、波动性、复合指标）证据充分但大多尚未写入指南，属于"研究证明有效、临床逐步采纳"阶段。

三、心电图——AI 从"正常"里读出"不正常"

心电图发明已逾百年，是几乎所有体检套餐的标配。心脏科医生读心电图靠模式识别，而深度学习把它变成了高维数据挖掘：

1、奠基研究：窦性心律下识别隐匿性房颤

2019 年 Mayo Clinic 的 Attia 等人在《柳叶刀》发表的研究证明：卷积神经网络可以从一份窦性心律（即当时完全正常）的12导联心电图中识别出患者是否有隐匿性房颤，AUC 达 0.87；若心电图记录时间接近房颤发作期，AUC 约 0.90。此后北美、欧洲、亚洲多个独立队列完成了外部验证（如比利时队列 AUC 0.87），19 项研究的范围综述确认：AI 预测新发房颤的 AUC 稳定在 0.69–0.85 区间。

2、最新进展：AIRE 平台——一张心电图估算 10 年死亡风险

2024 年 10 月发表于《柳叶刀·数字健康》的 AIRE（AI-ECG Risk Estimation）平台是目前这条链路上最完整的成果：

（1）训练规模：美国 BIDMC 数据库 189,539 名患者的 1,163,401 份心电图；

（2）能力：从单张心电图生成个体化的生存曲线，预测全因死亡（C 指数 0.775）、未来心衰（0.787）、室性心律失常（0.760）、ASCVD（0.696）；在英国 UK Biobank 等 5 个跨国队列完成外部验证（心衰外部验证 C 指数 0.768。注意：ASCVD 外部验证降至 0.643，全因死亡在健康志愿者队列降至 0.638）；

（3）通俗表述：C 指数 0.775 意味着，如果随机抽取两例受试者，模型有约 77.5% 的概率把真正更高危的那位排在前面——接近八成；

（4）可解释性：通过全表型与全基因组关联分析确认，AI 读到的信号对应真实的心脏结构与功能改变，不是"黑箱巧合"。

（5）落地进度：英国国民保健体系（NHS）已计划于 2025 年起在帝国理工附属医院的真实门诊与住院患者中开展临床试验。

此外，Mayo Clinic 的 ECG-AI 算法族已能预测低射血分数（"心脏泵血无力"，其 12 导联算法已获 FDA 批准并授权 Anumana 商业化）、淀粉样变性、主动脉瓣狭窄、肥厚型心肌病等。

小结：AI-ECG 的证据质量极高（两篇《柳叶刀》系论文 + 多队列外部验证），且心电图的低成本、零辐射特性使它可能成为未来体检"加量不加价"的第一入口。但目前它仍不是常规体检项目——你在体检中心拿到的那份心电图报告，背后还没有跑 AI 模型。

四、冠脉钙化积分（CAC）——体检不查，但信息密度最高

1、什么是 CAC

CAC（Coronary Artery Calcium Score，冠脉钙化积分）就是给心脏血管拍一次低剂量 CT，看看里面有没有"长石头"——医学上叫钙化斑块。这些石头是动脉粥样硬化留下的痕迹，石头越多、越密，血管堵得越厉害。

它用 Agatston 评分来量化。但有个关键前提要先明白：CAC 只拍"石头"，不拍"软泥"。血管里的斑块分两种：一种是已经变硬钙化的（像石头，CT 能拍到），一种是还没钙化的软斑块（像软泥，CT 拍不到）。后者其实更危险，因为它更容易破裂引发心梗。所以 CAC=0 不等于"血管完全干净"，而是"还没长出能被 CT 看见的石头"。

钙化积分与未来风险的关系像一根越爬越陡的斜坡——分数越高，危险来得越快：

• 0 分：血管"暂无石头"，是目前最硬的低风险信号；
• 1–112 分：未来发生心梗、猝死等重大心脏事件的概率，约是零分者的 2 倍；
• 100–400 分：风险跳到 4 倍多；
• 400–999 分：7 倍多；
• >1000 分：11 倍。

那 0 分到底能不能不吃药？美国心脏学会 2019 年指南的回答是：对特定人群可以暂缓。具体来说，如果你的传统评估落在中危区间（10 年心血管风险 5%–20%，吃药不吃药本来就在两可之间），且 CAC=0，医生可以把决策从"默认吃"调整为"先不吃，每 3–5 年复查一次，同时严控生活方式"。

但有两个例外不能靠 0 分"豁免"：一是你的 LDL-C 已经极高（≥4.9 mmol/L），二是你有糖尿病或早发心血管病家族史。这些情况下，血管里很可能已经存在危险的软斑块，只是还没钙化到能被 CT 看见，医生通常仍会建议用药。

MESA 研究还帮医生算了一笔"吃药性价比"的账：给两组符合用药标准的人连续吃 10 年他汀——

• CAC=0 的那组：64 个人吃 10 年药，才能预防 1 次心脏病发作。其余 63 个人即便不吃药，10 年里也很可能平安无事。药不是没效，而是他们本来风险就低，药根本"没机会"发挥作用。
• CAC>100 的那组：只需 28 个人吃 10 年药，就能预防 1 次心脏病发作。

换句话说，零分者吃药像大海捞针，高分者吃药像有的放矢。这就是为什么说"零分者吃药性价比很低，高分者吃药才真的值"——但记住，这是群体统计，不是个人预言。具体到你自己吃不吃，得由医生综合判断。

2、钙化积分能改写个体结论

CAC 最厉害的地方，是能把同一个人的风险评估改写得面目全非。

MESA 官方计算器有个经典案例：一位 70 岁西班牙裔男性，轻度高血压（正在吃药控制），无其他危险因素。只用传统模型（年龄、血压、血脂、吸烟史）估算，他的 10 年冠心病风险是 9.3%——已经踩到中危上限，按常规思路该考虑吃他汀了。但加做 CAC 后，结果是 0 分，风险立刻被修正为 3.1%。同一个人，结论差了 3 倍，直接从"该吃药"变成了"可以先观察"。

这就是 CAC 的决策价值。把它加入传统模型后，MESA 风险评分的区分能力（C 统计量）从 0.75 提升到了 0.80——别小看这 0.05，在医学预测里，这意味着误诊和漏诊都明显减少。

3、AI 让同一张 CT 多出数倍信息（AI-CAC）

2024 年 11 月，一项发表在 npj Digital Medicine 的 MESA 研究（5,830 名无症状者，随访 15 年，共 1,773 个心血管事件）证明：AI 能在同一张钙化 CT 上，读出人类医生从未读过的东西。

传统钙化积分只数"石头有多少"，AI（AutoChamber 等深度学习工具）却能自动测量四个心腔的容积、左心室质量，并刻画斑块的细节特征——数量、位置、密度、累及了几根血管。而且这一切不需要额外拍片，用的是你已有的那张 CT。

预测全部心血管事件的准确度对比（AI-CAC vs 传统 Agatston 积分）：

传统积分只能预测冠心病，AI-CAC 还能预测心衰、房颤、卒中与全因死亡。最有冲击力的是这个发现：在 CAC=0 的"低危"人群中，AI 筛出了大量被传统方法漏掉的问题——17.7% 的人实际左心房已经增大（房颤与卒中高危），22.7% 的人左心室已经增大（心衰高危）。AI 在"零分"里挖出了真正的隐患。

2025 年美国心脏协会报道了 NYU 的一项真实世界研究（约 7,000 名 CCTA 筛查者，2010–2024）：当 PREVENT 方程与 CAC 联合使用时，对未来心梗的识别比任何一个单用都更准确。"传统方程 + 钙化影像 + AI"的三层架构，正在成为新的标准范式。

小结：CAC 链路的预测信息密度最高、个体决策改变最大，且有 AI 增值的顶刊证据。它的障碍也很现实：微量辐射、费用自理、不在常规体检套餐内。

适合谁做？40 岁以上、传统评估落在"中危、拿不准要不要吃药"区间的人。如果你正好卡在 5%–20% 的风险区间，和医生讨论加做一次钙化积分，可能是你花得最值的几百块钱——它能让模糊的风险变得清晰，让"吃不吃药"这个纠结的问题，有一个更硬的依据。

五、三条链路的横向比较

六、局限与风险

1、外部验证衰减：AIRE 在英国外部验证队列中的 C 指数普遍低于开发队列（如 ASCVD 从 0.696 降至 0.643）[10]——模型跨人群、跨医疗系统迁移时性能会打折，AI-ECG 与 AI-CAC 在中国人群中的验证数据基本缺席。

2、预测≠ 改善结局：AIRE 研究者明确表示，下一步要看"用了模型是否真的改善患者结局"，相关临床试验 2025 年才启动。

3、过度诊断与焦虑：CAC=0 人群中筛出的 17.7% 左房增大者，有多少会真正发病、筛查后干预能否获益，尚无随机对照试验证据；AI 把更多人标为"高危"也可能带来过度用药与心理负担。

4、数据质量依赖：血脂轨迹模型依赖连续多年、同一口径的体检数据，国内体检数据分散在不同机构，实际可用性受限。

5、监管与责任：除 Mayo 低射血分数算法等少数模块获 FDA 批准外，多数 AI 风险预测工具尚无监管背书，不能直接用于诊断。

七、对普通读者的实用结论

1、35–40 岁起，主动计算一次自己的 10 年心血管风险（中国用 China-PAR，国际用 PREVENT，均免费在线可查），并把历年体检报告留好——连续性本身就是数据资产。

2、血脂别只看"今年达标没有"，关注多年趋势与波动；LDL-C 的累积暴露从青年期就开始计入风险账本。

3、若传统评估处于"中危、拿不准"区间（10 年风险 5%–20%），可与医生讨论加做冠脉钙化积分——它是目前改变个体决策能力最强的一项检查。

4、对"AI 心电图"保持关注但不必焦虑：它极可能在未来几年进入体检与可穿戴设备，但目前拿到一份"正常"的心电图报告，仍应以医生解读为准。

任何 AI 给出的风险百分比都是概率而非判决书——它的价值在于指导预防（生活方式、是否用药），而非预言宿命。

【互动问题】看完这篇文章，你更倾向于先行动的是：A. 立刻翻出历年体检报告算趋势；B. 下次体检时主动问医生要不要加做钙化积分？评论区见。

信源清单

[S] 顶刊/官方机构（核心证据）

[1] Wilson PWF, et al. "Prediction of Coronary Heart Disease Using Risk Factor Categories." Circulation. 1998;97:1837-47.（Framingham 评分原始论文）

[2] Naghavi M, et al. "Artificial intelligence applied to coronary artery calcium scans (AI-CAC) significantly improves cardiovascular events prediction." npj Digital Medicine, 2024-11-05.

[3] McClelland RL, et al. "Ten-Year Coronary Heart Disease Risk Prediction Using Coronary Artery Calcium and Traditional Risk Factors (MESA Risk Score)." PMC4603537.

[4] "Machine-learning-based prediction of cardiovascular events for hyperlipidemia population with lipid variability and remnant cholesterol as biomarkers." PMC11551092.

[5] PubMed 摘要：AI-CAC MESA 研究, PMID 39501071.

[6] Mayo Clinic News Network, "Spotlight on early detection of 3 heart diseases using ECG-AI", 2024-02-22.

[7] Imperial College Healthcare NHS Trust, "AI model can predict health risks, including early death, from ECGs", 2024-10-24.

[8] AHA Professional: PREVENT Calculator 官方说明.

[9] StatPearls/PMC: "Coronary Artery Calcium Scoring in Asymptomatic Patients." PMC10635695.

[10] Sau A, et al. "Artificial intelligence–enabled electrocardiogram for mortality and cardiovascular risk estimation (AIRE)." The Lancet Digital Health, 2024;6(11):e791-e802. PMID 39455192.

[11] "Artificial Intelligence Applied to Electrocardiograms Recorded in Sinus Rhythm for Detection and Prediction of Atrial Fibrillation: A Scoping Review." MDPI Medicina, 62(1):199.（含 Attia 2019 Lancet 原文引用：Lancet 2019;394:861-867）

[12] Khan SS, et al. "Development and Validation of the American Heart Association's PREVENT Equations." Circulation, 2024-02-06.

[13] "Association Between Cumulative LDL-C Exposure During Young Adulthood and Middle Age and Risk of Cardiovascular Events." JAMA Cardiology, 2021-09-22.

[14] "Development of machine learning-based models to predict 10-year risk of cardiovascular disease: a prospective cohort study (UKCRP, UK Biobank)." BMJ Stroke & Vascular Neurology, 2023.

[15] "Effectiveness of China-PAR and Framingham risk score in assessment of 10-year cardiovascular disease risk in Chinese hypertensive patients." Public Health, 2024.

[A] 权威机构科普/行业媒体（佐证） 16. [16] American Heart Association Newsroom, "PREVENT equation accurately estimated 10-year CVD risk and those with calcium buildup", 2025-05-21.17. [17] "Association between the Triglyceride-Glucose Index and Cardiovascular Outcomes by DM Duration（韩国全国队列）." PMC12409153.18. [18] "AI Electrocardiography to Predict Atrial Fibrillation in Patients With CLL." JACC: CardioOncology, PMC11103028.19. [19] "Association between triglyceride-glucose index and arterial stiffness progression（中国体检人群队列）." PMC11420968.20. [20] Yale Medicine, "Worried About Your Heart Disease Risk? The PREVENT Tool May Help."21. [21] News-Medical, "AI-powered ECG model predicts heart disease risk with precision", 2024-11-05.

[B] 中文资料（国情背景） 22. [22] 梅斯医学：十年 ASCVD 发病风险预测模型和风险分层：China-PAR 研究.23. [23] 医脉通：China-PAR 10 年 ASCVD 危险度评估工具说明.

小注：文中 AUROC（曲线下面积）与 C-index（C 指数）都是衡量模型"区分高危与低危"能力的指标，0.5 相当于抛硬币，0.7 算合格，0.8 以上算优秀。两者本质类似，不同研究习惯用不同名称。

免责说明：本报告为科普研究性质，不构成医疗建议；任何检查与治疗决策请咨询执业医师。