将心血管疾病预测模型重新应用于癌症预测

萨姆·奎尔（Sam Quill）| 阿鲁恩·D·欣戈拉尼（Aroon D. Hingorani）| 尼什·查图尔韦迪（Nish Chaturvedi）| 阿曼德·弗洛里亚安·施密特（Amand Floriaan Schmidt）

伦敦大学学院心血管科学研究所，英国伦敦

摘要

引言

人群癌症筛查旨在检测早期疾病，而非评估未来的疾病风险。我们评估了广泛使用的心血管疾病（CVD）风险模型是否能够预测10年内的癌症风险，并将其与QCancer风险模型进行了比较。

材料与方法

我们评估了四种CVD预测模型：QRISK3、汇总队列方程（PCE）、SCORE2和SCORE2-OP。这些模型使用英国生物银行（UKB）队列的20%数据进行了重新校准，并在剩余数据和临床实践研究数据链接（CPRD）中进行了测试。我们通过区分度（c统计量）和校准度（斜率和截距）来评估模型性能，并评估了特征的重要性。

结果

在UKB测试集中，新发CVD的c统计量范围为0.71至0.74（11,022例事件）。所有CVD模型对任何癌症的c统计量均为0.63（23,010例事件），并且在胃食管癌、肝癌和胆道癌、喉癌、肾癌和肺癌方面表现出相当的区分度（c统计量范围：0.70；0.81）。重新校准后的CVD模型显示出近乎完美的校准度（中位数截距0.01，Q1；Q3 -0.05；0.03；斜率1.00，Q1；Q3 0.93；1.15）。在CPRD中的表现类似：中位数c统计量、校准截距和斜率分别比UKB高0.01（95%置信区间0.00；0.02）、0.05（95%置信区间0.02；0.17）和0.04（95%置信区间0.01；0.15）。除年龄外，吸烟状况和收缩压是影响癌症风险的最重要因素。

讨论

广泛使用的心血管疾病预测模型在预测新发癌症方面的表现与不太常用的QCancer模型相似。它们可以用于指导癌症预防和风险分层监测。重新校准后的模型可通过API获取。

章节摘录

背景

癌症和心血管疾病（CVD）是全球一半死亡的原因[1]。这些疾病的全球健康负担正在增加，预计到2050年癌症死亡人数将增加约75%[1]。CVD和癌症有共同的风险因素，可能同时发生，并且都可以通过类似的干预措施来预防。据估计，解决这些可改变的风险因素可以预防超过75%的CVD病例和40%的癌症病例[2, 3, 4]。

尽管存在这些共性，但早期

数据资源

主要分析使用了英国生物银行（UKB），外部验证使用了临床实践研究数据链接（CPRD）Aurum数据库。UKB在2006年至2010年间招募了超过50万名参与者，我们将这些参与者分为20%的训练集和80%的测试集。CPRD提供了1997年4月1日至2021年3月29日期间英格兰29,087,935人的匿名初级保健记录的纵向信息。这些数据资源已详细描述

结果

数据来自502,126名UKB参与者和4,810,089名CPRD参与者。UKB的平均年龄为56.6岁（标准差（SD）：8.1岁），CPRD的平均年龄为58.5岁（SD：12.1岁）；男女比例分别为54.4%和50%。UKB和CPRD的中位随访时间为10年（UKB四分位数（Q1；Q3）：10；10，CPRD四分位数（Q1；Q3）：6.1；10）。新发CVD的发生率分别为23,660例（5.85%）和244,799例（6.7%），新发癌症的发生率分别为53,821例（11.7%）和752,661例（17.8%），同时患有这两种疾病的情况为5,095例（1.2%）

讨论

我们成功地将四种广泛使用的心血管疾病预测模型（QRISK3、PCE和SCORE2以及SCORE2-OP）重新用于识别有癌症风险的人群。这些重新使用的CVD模型在许多具有成熟或新兴筛查项目的常见癌症类型（如结直肠癌、乳腺癌和前列腺癌）方面的表现与QCancer基准模型相当。对于肺癌，QCancer模型的区分度更高（c统计量：0.80，95%置信区间0.79；0.82）

结论

心血管疾病预测模型可以重新用于识别有癌症风险的人群，以及同时患有CVD和癌症的风险人群。这些重新使用的、临床应用的CVD模型支持针对癌症预防的针对性干预措施，以及基于风险的监测和癌症筛查方法。

伦理批准

英国生物银行获得了西北多中心研究伦理委员会（MREC）作为研究组织库（RTB）的伦理批准。所有参与者均提供了知情同意。撤回同意的参与者被排除在外。本研究是在英国生物银行资源申请编号12113下进行的。

CPRD每年都获得英国健康研究局（HRA）研究伦理委员会（REC）（东米德兰兹-德比，REC参考编号05/MRE04/87）的伦理批准

作者贡献

SQ、NC、AH和AFS设计了这项研究。SQ进行了数据分析并起草了手稿。NC、AH和AFS对数据分析以及手稿草稿提供了关键意见。

未引用的参考文献

[37]

资金支持

SQ获得了Health Data Research UK的博士生奖学金资助，编号为580041。这项工作隶属于Health Data Research UK（大数据用于复杂疾病-HDR-23012），该计划由医学研究委员会（UKRI）、国家健康研究所、英国心脏基金会、癌症研究英国、经济和社会研究委员会（UKRI）、工程和物理科学研究委员会（UKRI）、威尔士健康和护理研究以及首席科学家办公室资助

CRediT作者贡献声明

萨姆·奎尔（Sam Quill）：撰写——原始草稿、可视化、验证、正式分析、数据管理、概念化。阿鲁恩·D·欣戈拉尼（Aroon D. Hingorani）：撰写——审阅与编辑、监督、资源提供、方法论、资金获取、概念化。尼什·查图尔韦迪（Nish Chaturvedi）：撰写——审阅与编辑、监督、资源提供、方法论、资金获取、概念化。阿曼德·弗洛里亚安·施密特（Amand Floriaan Schmidt）：撰写——审阅与编辑、验证、监督、资源提供、方法论、资金获取

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：萨姆·奎尔报告称获得了Health Data Research UK的财务支持。阿曼德·F·施密特报告称获得了英国心脏基金会的财务支持。阿曼德·F·施密特与NewAmsterdam Pharma Corporation存在关系，包括咨询或顾问服务。尼什·查图尔韦迪与AstraZeneca存在关系，包括咨询或

致谢

本研究使用了英国生物银行资源，申请编号为12113。作者感谢英国生物银行的参与者。该出版物是“计算医学用于心脏病”项目的一部分，该项目属于“在国家计算设施上使用计算资源”研究计划（文件编号2025.027），部分资金由荷兰研究委员会（NWO）提供。作者感谢使用UCL Myriad高性能计算设施（Myriad@UCL）