致心律失常性右室心肌病（arrhythmogenic right ventricular cardiomyopathy，ARVC）患者发生室性心律失常事件的风险预测模型及风险计算器。

一、“ARVC-VA风险预测模型”

2019年，Cadrin-Tourigny等人[1]入选了来自北美和欧洲的5个ARVC注册研究队列中符合“明确的”诊断（“2010年TFC”）且基线时没有持续性室性心律失常（ventricular arrhythmia，VA）或心脏骤停（sudden cardiac arrest，SCA）病史的ARVC患者（一级预防）共528例，主要复合终点为新发的（incident）持续性室性心律失常，定义为心脏性猝死（sudden cardiac death，SCD）、SCA、自发的持续性室速（心室率≥100次/分，持续时间≥30秒，或伴有需要心脏转复的血流动力学紊乱）、心室颤动（室颤）/心室扑动（室扑），或恰当植入式心脏转复除颤起搏器（implantable cardioverter defibrillator，ICD）干预，开发了可以预测ARVC患者诊断后1~5年新发的持续性室性心律失常事件发生风险（概率）的“ARVC-VA风险预测模型”。

该风险预测模型纳入了7个临床变量，包括诊断ARVC时年龄（岁）、男性、近期（诊断前6个月内）发生心源性晕厥（由心律失常引起）病史、既往非持续性室性心动过速（室速）病史、24小时动态心电图记录到的最大室早数（自然对数转化）、6个胸前导联（V1-V6导联）和3个下壁导联（Ⅱ、Ⅲ、aVF导联）中出现T波倒置的导联数及心脏磁共振（cardiac magnetic resonance，CMR）测量的右心室射血分数（right ventricular ejection fraction，RVEF）（%）（图1）。

该预测模型的计算公式为：P=1-S0(t)exp (LP)，其中，S0(t)为1~5年基础发生概率，分别为0.921、0.876、0.849、0.837和0.801，LP为线性预测因子（linear predictor）=0.488*性别（男性=1，女性=0）-0.022*年龄（岁）+ 0.657*近期发生的心源性晕厥（有=1，无=0）+0.811*非持续性室速病史（有=1，无=0）+0.170*动态心电图记录到24 h内室早总数（自然对数转化值）+0.113*胸前导联和下壁导联出现T波倒置的导联总数-0.025*RVEF（%）。

由于数据问题，该文章2022年重新发表，将其中1~5年的S0(t)调整为0.9376、0.9008、0.8798、0.8695和0.8396[2-3]。

二、“ARVC-LTVA风险预测模型”

2021年，Cadrin-Tourigny等人[5]入选了北美和欧洲864例符合“2010年TFC”中“确切的”诊断患者（无论既往是否发生过持续性室性心律失常事件，包含了一级预防和二级预防人群），采用“致命性的室性心律失常（life-threatening ventricular arrhythmia，LTVA）”主要终点事件，定义为SCD、“流产的（aborted）”或“复苏的（resuscitated）”或“终止的（terminated）”SCD或心脏骤停、室颤、持续性室速或被ICD终止的快速性室速（心室率≥250次/分或周期时间≤240ms）的复合终点，形成了预测ARVC患者诊断后5年内LVTA发生概率（风险）的“ARVC-LTVA风险预测模型”。

该风险预测模型纳入了4个临床变量，包括诊断ARVC时年龄（岁）、男性、24小时室早总数（自然对数转化后）及6个胸前导联（V1-V6导联）和3个下壁导联（Ⅱ、Ⅲ、aVF导联）中出现T波倒置的导联数（图1）。

该预测模型的计算公式为：P=1-S0(t) exp (LP)，其中，S0(t)为1~5年的基础发生概率，分别为0.966、0.953、0.948、0.940和0.927，LP=0.6899*性别（男性=1，女性=0）-0.0439*年龄（岁）+0.1844*动态心电图记录24 h内室早总数（自然对数转化值）+0.1153*胸前导联和下壁导联出现T波倒置的导联总数。

三、ARVC“风险计算器（risk calculator）”

综上，“ARVC-VA风险模型”和“ARVC-LTVA风险模”这两个模型统称为“ARVC风险计算器（risk calculator）”（图1），在线版在这里：https://m.medsci.cn/scale/show.do?id=fa2e24053f ，可以计算1~5年内新发的持续性室性心律失常（一级预防）或致命性室性心律失常事件（包括一级预防和二级预防）的发生风险（网站同时展示1年、2年和5年的计算结果）。

ARVC风险计算器在线版

四、模型的外部验证

目前，已经有多项研究在不同的ARVC患者中对“ARVC-VA风险预测模型”的预测能力进行了外部验证。结果显示，对于经典ARVC患者（包括运动员），上述模型具有良好的预测能力。

Aquaro等人[6]研究比较了“2015年ITC治疗共识”[7]、“2019年美国心律学会（Heart Rhythm Society，HRS）关于ACM评估、危险分层和管理的专家共识”[8]中提出的流程（下文介绍）及“ARVC-VA风险预测模型”（以5年发生概率＞10%为阈值）对ARVC患者5年新发的室性心律失常事件的预测价值，结果显示，三者预测的敏感性分别为82%、43%和95%，特异性分别为52%、84%和31%，提示“ARVC-VA风险预测模型”的敏感性最高，与前两者比较，分别可以多预防14%和50%的事件；但是特异性最低，与前两者比较，分别增加了25.8%和近3倍的ICD植入。

对于其他类型致心律失常性心肌病（arrhythmogenic cardiomyopathy，ACM），如致心律失常性左室心肌病（arrhythmogenic left ventricular cardiomyopathy，ALVC）或双心室受累患者，发生室性心律失常的风险比ARVC更高，“ARVC-VA风险预测模型”会低估其风险[9-10]。

新近发表的Gasperetti等人[11]研究，评价了程序性心室刺激（programmed ventricular stimulation，PVS）作为ARVC患者附加的一级预防危险分层工具的价值，研究的主要终点为持续性室性心律失常，定义为SCD、持续性室速、室颤/室扑或既往报告的恰当ICD干预的复合终点事件。PVS阳性定义为诱发出持续时间≥30s的持续性单型室速或导致血流动力学障碍的室速，结果显示，在传统“ARVC-VA风险预测模型”基础上增加PVS阳性指标可以显著提高模型的预测能力，C统计值由0.72升高至0.75（P＜0.001）；进一步根据传统“ARVC-VA风险预测模型”将ARVC患者分为“低/中危组”（预测风险＜5%/年或＜25%/5年）和“高危组”（预测风险≥5%/年或≥25%/5年）发现，在“低/中危组”患者中，PVS的阴性预测价值达到92.6%，提示在传统的“ARVC-VA风险预测模型”基础上增加PVS指标主要增加对“低/中危”ARVC患者的风险预测能力。

需要指出的是，部分危险因素是动态变化的，模型的预测能力可能也会随着时间发生变化。新近，Carrick等人[12]研究首次纵向评估了随访过程中危险因素变化对“ARVC-VA风险预测模型”预测能力的影响，结果显示，5年随访过程中ARVC患者整体的持续性室性心律失常风险是降低的，基线“ARVC-VA风险预测模型”的预测能力也是逐渐减弱的，C统计值从诊断时的0.83降低至5年随访时的0.68；随时间变化而更新的危险因素评估可以提高模型的预测能力（C统计值为0.77）。

新近发表的一项研究首次在亚洲人群中对“ARVC-VA风险模型”的预测能力进行了外部验证，研究入选了阜外医院2005年1月至2020年1月期间植入ICD的ARVC患者（符合“2010年TFC”）88例（一级预防17例，二级预防71例），主要终点为恰当ICD治疗。结果显示，整体人群中“ARVC-VA风险模型”预测ICD恰当治疗的C统计值为0.681（95%CI 0.567~0.796），预测的ICD治疗率与随访中实际ICD治疗率之间存在显著差异；在一级预防和二级预防人群中，C统计值分别为0.833（95%CI 0.615~1.000）和0.640（95%CI 0.510~0.770），提示在一级预防人群中“ARVC-VA风险模型”的预测能力较强，与实际发生情况比较符合；但是在二级预防人群中，模型的预测能力较低，低估了ARVC患者发生终点事件的风险；通过调整原模型中S0(t)，可以改善模型的预测能力[13]。

总之，整体而言，“ARVC-VA风险预测模型”可以较好地预测ARVC患者诊断后5年内新发的持续性室性心律失常风险（以＞10%或＞15%为高危阈值），敏感性较高，但特异性略低，有可能高估ARVC患者的SCD风险，导致不必要的ICD植入；相反，在以左心室受累为主的ACM患者（ALVC或双心室受累）中，该模型会低估患者的SCD风险；在传统模型基础上增加与ARVC患者预后相关的超声新技术指标、CMR指标或PVS等，可以提高模型的预测能力；此外，在随访过程中，更新危险因素评估也有助于提高模型的预测能力。

参考文献

1. Cadrin-Tourigny J, Bosman LP, Nozza A, et al. A new prediction model for ventricular arrhythmias in arrhythmogenic right ventricular cardiomyopathy[J]. Eur Heart J, 2019, 40(23): 1850-1858.

2.Corrigendum to: A new prediction model for ventricular arrhythmias in arrhythmogenic right ventricular cardiomyopathy[J]. Eur Heart J, 2022, 43(28): 2712.

3.Cadrin-Tourigny J, Bosman LP, Nozza A, et al. A new prediction model for ventricular arrhythmias in arrhythmogenic right ventricular cardiomyopathy[J]. Eur Heart J, 2022, 43(32): e1-e9.

4.Bosman LP, te Riele ASJM. Arrhythmogenic right ventricular cardiomyopathy: a focused update on diagnosis and risk stratification[J]. Heart, 2022, 108(2): 90-97.

5.Cadrin-Tourigny J, Bosman LP, Wang W, et al. Sudden cardiac death prediction in arrhythmogenic right ventricular cardiomyopathy: a multinational collaboration[J]. Circ Arrhythm Electrophysiol, 2021, 14(1): e008509.

6.Aquaro GD, De Luca A, Cappelletto C, et al. Comparison of different prediction models for the indication of implanted cardioverter defibrillator in patients with arrhythmogenic right ventricular cardiomyopathy[J]. ESC Heart Fail, 2020, 7(6): 4080-4088.

7.Corrado D, Wichter T, Link MS, et al. Treatment of arrhythmogenic right ventricular cardiomyopathy/dysplasia: an international task force consensus statement[J]. Eur Heart J, 2015, 36(46): 3227-3237.

8.Towbin JA, McKenna WJ, Abrams DJ, et al. 2019 HRS expert consensus statement on evaluation, risk stratification, and management of arrhythmogenic cardiomyopathy[J]. Heart Rhythm, 2019, 16(11): e301-e372.

9.Aquaro GD, De Luca A, Cappelletto C, et al. Prognostic value of magnetic resonance phenotype in patients with arrhythmogenic right ventricular cardiomyopathy[J]. J Am Coll Cardiol, 2020, 75(22): 2753-2765.

10.Casella M, Gasperetti A, Gaetano F, et al. Long-term follow-up analysis of a highly characterized arrhythmogenic cardiomyopathy cohort with classical and non-classical phenotypes-a real-world assessment of a novel prediction model: does the subtype really matter[J]. Europace, 2020, 22(5): 797-805.

11.Gasperetti A, Carrick RT, Costa S, et al. Programmed ventricular stimulation as an additional primary prevention risk stratification tool in arrhythmogenic right ventricular cardiomyopathy: a multinational study[J]. Circulation, 2022, 146(19): 1434-1443.

12.Carrick RT, Te Riele ASJM, Gasperetti A, et al. Longitudinal prediction of ventricular arrhythmic risk in patients with arrhythmogenic right ventricular cardiomyopathy[J]. Circ Arrhythm Electrophysiol, 2022, 15(11): e011207.

13.Zhang N, Wang C, Gasperetti A, et al. Validation of an arrhythmogenic right ventricular cardiomyopathy risk-prediction model in a Chinese cohort[J]. J Clin Med, 2022, 11(7): 1973.

Tags： 致心律失常性右室心肌病的风险预测模型及风险计算器