Lược dịch: BS CKII Lê Xuân Túy*

* Phó phòng QLĐT ĐH Phan Châu Trinh

Nội dung bài được dịch từ bài nghiên cứu Can Cardiovascular Risk Assessment Be Improved in the 21st Century? được đăng trên tạp chí JAMA

Nguồn: 

Đánh giá nguy cơ tim mạch đã trở thành một phần thiết yếu của các chiến lược phòng ngừa được thiết kế để nhắm mục tiêu can thiệp yếu tố nguy cơ và đã góp phần giảm đáng kể tỷ lệ tử vong do bệnh tim mạch trong 60 năm qua ở Mỹ và các quốc gia khác. Bắt đầu từ những năm 1960, các nhà điều tra từ nghiên cứu Framingham Heart (1,2) đã xác định các yếu tố nguy cơ sinh lý, hành vi và sinh hóa chính đối với bệnh tim mạch do xơ vữa động mạch và là những người đầu tiên phát triển các phương trình nguy cơ đa biến bằng cách sử dụng các yếu tố nguy cơ chính để dự đoán nhồi máu cơ tim gây tử vong và không gây tử vong lần đầu và sau đó là các sự kiện bệnh tim mạch do xơ vữa động mạch trong khoảng thời gian lên đến 12 năm (3). Các phương trình nguy cơ này có thể giải thích khoảng 70% đến 80% sự thay đổi của nguy cơ tim mạch trong các quần thể mà chúng có nguồn gốc (4). Khả năng khái quát hóa của các công cụ ban đầu này đã được tăng cường bằng cách sử dụng các đoàn hệ lớn, đa dạng, gộp chung ở Hoa Kỳ (Hiệp hội Tim mạch Hoa Kỳ / Phương trình Nguy cơ Đoàn hệ Tổng hợp của Đại học Tim mạch Hoa Kỳ) (5), Châu Âu (Đánh giá rủi ro mạch vành có hệ thống của Hiệp hội Tim mạch Châu Âu 2 [SCORE2]) (6), và những nơi khác. Kể từ khi phát triển, nhiều nỗ lực để cải thiện các mô hình đã được theo đuổi, nhưng các mô hình cơ bản đã đứng trước thử thách của thời gian.

Trong vấn đề này của JAMA, Neumann et al (7) đánh giá tiện ích gia tăng của một số dấu ấn sinh học có sẵn trên lâm sàng khi được thêm vào phương trình rủi ro tiêu chuẩn. Nghiên cứu khám phá liệu troponin, peptide natriuretic và protein phản ứng C có độ nhạy cao có tăng cường dự đoán trung gian và dài hạn về các sự kiện bệnh tim mạch do xơ vữa động mạch, suy tim và tử vong do tim mạch và mọi nguyên nhân khi được thêm vào mô hình dự đoán tiêu chuẩn hay không. Các tác giả đã biên soạn dữ liệu từ 28 đoàn hệ (7), tăng sức mạnh để cung cấp các ước tính ổn định cho các hiệp hội với nhiều kết quả.

Đối với mỗi phân tích, có hàng chục ngàn cá nhân đến hơn 100.000 cá nhân được đưa vào các phân tích dấu ấn sinh học cụ thể. Mỗi dấu ấn sinh học có liên quan đến kết quả tim mạch được nghiên cứu và, khi được thêm vào công cụ dự đoán cơ bản, chúng đã chứng minh những cải tiến đáng kể, nhưng khiêm tốn, gia tăng sức mạnh phân biệt đối xử với những thay đổi thường ở vị trí thập phân thứ hai hoặc thứ ba của thống kê C. Mô hình đã cải thiện thống kê C từ 0,81 lên 0,82 đối với bệnh tim mạch do xơ vữa động mạch 10 năm khi 3 dấu ấn sinh học (troponin I tim có độ nhạy cao, peptide natriuretic loại B pro-terminal N-terminal và protein phản ứng C có độ nhạy cao) được đưa vào đồng thời và có rất ít sự suy giảm trong thống kê C theo thời gian từ 1 năm xuống còn 5 năm xuống còn 10 năm (7).Cũng có những cải tiến trong việc phân loại lại rủi ro bằng cách thêm các dấu ấn sinh học. Nghiên cứu này đã khám phá nhiều kết quả khác nhau và các mô hình này đã cải thiện dự đoán không chỉ các sự kiện bệnh tim mạch do xơ vữa động mạch gây tử vong và không gây tử vong, mà còn cả suy tim và quan trọng là tử vong do mọi nguyên nhân.

Một lợi thế lớn của phân tích (7) này là thu thập dữ liệu cấp độ cá nhân từ nhiều đoàn hệ từ khắp nơi trên thế giới trải dài trên 4 châu lục. Một ưu điểm khác của nghiên cứu này là sử dụng tuyệt vời các đoàn hệ hiện có với thời gian theo dõi dài trung bình khoảng 12 năm và lâu nhất là 28 năm. Nguy cơ trung bình trong dân số là khoảng 5% trong 10 năm, làm cho đây trở thành một đoàn hệ tổng hợp hữu ích để mô hình hóa rủi ro trong phạm vi bảo đảm quản lý lipid và huyết áp tích cực. Ví dụ, quản lý lipid tích cực thường được khuyến cáo với nguy cơ 10 năm khoảng 7,5%. Có đại diện tốt của các cá nhân trên 65 tuổi; Tuy nhiên, sẽ rất hữu ích khi sử dụng những dữ liệu này để xem xét thêm các nhóm tuổi lớn hơn sự phân tầng tuổi 65 tuổi. Cần thêm dữ liệu trong số những người trên 75 tuổi hoặc 80 tuổi. Mặc dù dữ liệu tổng hợp có quy mô ấn tượng, nhưng chúng nhỏ so với thế hệ đoàn hệ lớn mới, chẳng hạn như Biobank Vương quốc Anh (8),chương trình cựu chiến binh (9) và tất cả chúng ta (10). Đáng chú ý, trong nghiên cứu hiện tại, các nhóm tiền cứu chính vẫn chưa được đại diện.

Một thiếu sót lớn của nghiên cứu này và các nghiên cứu tương tự khác là rủi ro chỉ được đánh giá tại một thời điểm duy nhất. Trong nghiên cứu của Neumann et al (7), biện pháp duy nhất được sử dụng để dự đoán rủi ro trong 28 năm theo dõi. Điều này trái ngược hoàn toàn với thực tế của môi trường lâm sàng, nơi có cơ hội đánh giá rủi ro nhiều lần theo thời gian. Trong phòng khám, nguy cơ không được đánh giá chỉ một lần và sau đó bệnh nhân được theo dõi trong 28 năm tiếp theo. Nếu đánh giá không hoàn toàn hoàn hảo trong việc phân loại rủi ro tại một thời điểm, tất cả sẽ không bị mất. Bệnh nhân đó sẽ quay trở lại nhiều lần trong những năm qua, cung cấp nhiều cơ hội để đánh giá rủi ro và xác định các chiến lược điều chỉnh yếu tố nguy cơ. Đo lường lặp đi lặp lại và theo quỹ đạo rủi ro là một chiến lược khác để cải thiện độ chính xác của đánh giá rủi ro. Thực tế lâm sàng này cần được đưa vào các nghiên cứu về đánh giá rủi ro để tăng cường sự liên quan lâm sàng của chúng.

Một thách thức nhất quán khác với nghiên cứu hiện tại và các nghiên cứu trước đây là cách tiếp cận phân loại lại. Các biện pháp phân loại lại phân loại và liên tục đã khám phá việc phân loại lại trên toàn bộ phạm vi rủi ro trong dân số. Tuy nhiên, phân loại lại có liên quan về mặt lâm sàng xung quanh một ranh giới quyết định duy nhất, thường ở mức nguy cơ trung bình được sử dụng, ví dụ, để xác định xem có nên bắt đầu điều trị bằng statin hay kiểm soát huyết áp mạnh mẽ như thế nào. Phân loại lại ở đầu cao hơn hoặc thấp hơn của phổ nguy cơ thường không thay đổi việc ra quyết định lâm sàng. Do đó, thay vì đánh giá phân loại lại thành 4 loại rủi ro xung quanh 3 ranh giới rủi ro hoặc liên tục trên toàn bộ phạm vi rủi ro, việc đánh giá ở một ranh giới quyết định duy nhất là cần thiết. Cách tiếp cận phân loại lại này phù hợp hơn với việc ra quyết định lâm sàng và chắc chắn sẽ làm giảm số lượng cải tiến trong phân loại lại được quan sát thấy vì có nhiều cơ hội hơn để phân loại lại với nhiều ranh giới rủi ro hơn.

Nghiên cứu của Neumann et al (7 ) chứng minh những cải tiến có ý nghĩa thống kê trong thống kê C và phân loại lại phù hợp với các nghiên cứu tương tự trước đây. Những cải tiến gia tăng này có hữu ích về mặt lâm sàng không? Làm thế nào để họ so sánh với các cách khác để tăng cường dự đoán và phân loại rủi ro? Để trả lời những câu hỏi này, cần phải xem xét các cách khác để dự đoán rủi ro có thể được cải thiện. Các dấu ấn sinh học khác đã chứng minh những cải tiến tương tự. Các biện pháp chức năng thận đã được chứng minh là cải thiện dự đoán nguy cơ và các biện pháp chức năng thận có sẵn cho nhiều bệnh nhân.

Điều đáng ngạc nhiên là Neumann et al (7) đã không thêm dấu hiệu có sẵn rộng rãi về tốc độ lọc cầu thận ước tính vào mô hình của họ trước khi thêm các dấu hiệu phải được đo mới ở hầu hết bệnh nhân để phòng ngừa ban đầu. Việc sử dụng tốc độ lọc cầu thận ước tính trong phương trình dự đoán nguy cơ biến cố tim mạch (PREVENT) được công bố gần đây đã cải thiện một chút thống kê C so với phương trình đoàn hệ gộp (11). Nhiều dấu ấn sinh học khác bao gồm các dấu hiệu lipid và viêm khác nhau, các biến thể gen, điểm số rủi ro đa gen và điểm số protein, trong số những người khác, cũng đã chứng minh những cải tiến khiêm tốn tương tự trong dự đoán. Ngoài các dấu ấn sinh học, dự đoán rủi ro có thể được hỗ trợ bởi các thông số khác bao gồm các biện pháp vật lý như chỉ số cổ chân-cánh tay, kiểm tra tập thể dục và hình ảnh. Lin et al (12) trong một đánh giá cho Lực lượng Đặc nhiệm dịch vụ phòng ngừa Hoa Kỳ, đã chứng minh những cải thiện lớn hơn trong thống kê C với điểm canxi động mạch vành và chỉ số cổ chân-cánh tay so với các dấu ấn sinh học khác khi được thêm vào các mô hình truyền thống.

Với rất nhiều lựa chọn để cải thiện đánh giá rủi ro, làm thế nào để các bác sĩ lâm sàng hoặc ủy ban hướng dẫn quyết định sử dụng hoặc khuyến nghị cái nào? Các phương trình dự đoán rủi ro hiện có rất tiện dụng vì các yếu tố dữ liệu thường có sẵn trong môi trường lâm sàng và có thể dễ dàng được tính toán từ các yếu tố có sẵn trong hồ sơ y tế điện tử. Bất kỳ thông số bổ sung nào cũng phải có sẵn, khả thi và xứng đáng với chi phí cho giá trị gia tăng. Hiệu quả chi phí thường thiếu để cải thiện gia tăng trong dự đoán rủi ro. Thay vì áp dụng bất kỳ biện pháp mới nào cho toàn bộ dân số, một cách khác để cải thiện dự đoán rủi ro là sử dụng các biện pháp bổ sung làm công cụ sàng lọc thứ cấp chỉ khi có nhu cầu, đặc biệt đối với những người gần với mức độ rủi ro được sử dụng để ra quyết định lâm sàng. Ví dụ, canxi mạch vành, chỉ số mắt cá chân-cánh tay hoặc các dấu ấn sinh học khác có thể hữu ích nhất cho những người ở mức nguy cơ trung bình và phân loại lại có thể hữu ích trong việc xác định ai nên điều trị tích cực hơn hoặc xét nghiệm bổ sung. Điều này có thể sẽ nâng cao đáng kể hiệu quả và hiệu quả chi phí của việc sử dụng bất kỳ biện pháp bổ sung nào vì nó sẽ được sử dụng cho một phần nhỏ dân số mà lợi ích sẽ lớn nhất.

Trong môi trường lâm sàng, đánh giá rủi ro tương đối đơn giản. Đầu tiên, xác định xem bệnh nhân có bất kỳ bệnh tim mạch xơ vữa động mạch nào không, trong trường hợp đó cần quản lý yếu tố nguy cơ tích cực nhất. Nếu bệnh tiểu đường có mặt, điểm nguy cơ có thể ít quan trọng hơn do nguy cơ vốn đã cao liên quan đến tình trạng này. Tuổi trên 75 tuổi cũng thường có đủ nguy cơ mắc bệnh tim mạch do xơ vữa động mạch để xem xét điều chỉnh yếu tố nguy cơ tích cực. Trong trường hợp này, một chỉ số yếu có thể hữu ích trong việc đưa ra các quyết định phòng ngừa trung và dài hạn (13).

Đối với phần còn lại của dân số nói chung, công cụ rủi ro tiêu chuẩn đã thử và đúng có thể đủ để sàng lọc ban đầu để xác định chiến lược phòng ngừa chính, tập trung quản lý yếu tố nguy cơ tích cực ở những người có nguy cơ cao nhất và bắt đầu bằng tư vấn lối sống cho những người có nguy cơ thấp hơn. Đối với những người ở gần ranh giới quyết định lâm sàng quan trọng, có thể sử dụng dụng cụ sàng lọc thứ cấp. Cho đến khi có nhiều dữ liệu hiệu quả chi phí so sánh, một dấu ấn sinh học có thể đã có sẵn, chẳng hạn như tốc độ lọc cầu thận ước tính (14) có nguồn gốc từ creatinine, có thể được sử dụng trước khi chuyển sang các dấu ấn sinh học cần được đo lại. Người ta cũng có thể coi chỉ số  cổ chân-cánh tay hoặc canxi mạch vành ở những bệnh nhân được chọn là các công cụ sàng lọc thứ cấp khác. Điểm rủi ro cũng có thể được lặp lại và một bệnh nhân được theo dõi theo thời gian để cải thiện sự hiểu biết về quỹ đạo rủi ro của một bệnh nhân cụ thể.

Tóm lại, mặc dù nghiên cứu của Neumann et al (7) chứng minh rằng các dấu ấn sinh học có sẵn trên lâm sàng đã cải thiện dự đoán nguy cơ khi được thêm vào một công cụ dự đoán bệnh tim mạch xơ vữa động mạch tiêu chuẩn, mức độ cải thiện đó, giống như trong các nghiên cứu dấu ấn sinh học trước đây, là khiêm tốn. Nghiên cứu sâu hơn về sự phân biệt đối xử có nguy cơ với các dấu ấn sinh học này là cần thiết ở các quần thể khác ngoài dân số chủ yếu là Hoa Kỳ và Châu Âu được sử dụng cho nghiên cứu này. Chi phí và quyền truy cập vào các dấu ấn sinh học trong các thiết lập tài nguyên thấp sẽ cần phải được khắc phục trước khi sử dụng rộng rãi hơn có thể được xem xét. Hiệu quả chi phí và tiện ích lâm sàng của chiến lược này vẫn chưa chắc chắn. Các nghiên cứu trong tương lai về dự đoán rủi ro nên xem xét cách đánh giá rủi ro được sử dụng trong môi trường lâm sàng thay vì môi trường nghiên cứu nhân tạo. Cách tiếp cận chung này nên được thực hiện để đánh giá tất cả các biện pháp dự đoán và dấu ấn sinh học mới, bao gồm các biến thể gen và điểm số protein.

Tài liệu tham khảo :

1.Kannel  WB, Dawber  TR, Kagan  A, Revotskie  N, Stokes  J  III.  Factors of risk in the development of coronary heart disease–six year follow-up experience: the Framingham Study.   Ann Intern Med. 1961;55:33-50. doi:10.7326/0003-4819-55-1-33PubMedGoogle ScholarCrossref

2.Truett  J, Cornfield  J, Kannel  W.  A multivariate analysis of the risk of coronary heart disease in Framingham.   J Chronic Dis. 1967;20(7):511-524. doi:10.1016/0021-9681(67)90082-3PubMedGoogle ScholarCrossref

3.Anderson  KM, Odell  PM, Wilson  PWF, Kannel  WB.  Cardiovascular disease risk profiles.   Am Heart J. 1991;121(1 pt 2):293-298. doi:10.1016/0002-8703(91)90861-BPubMedGoogle ScholarCrossref

4.Bitton  A, Gaziano  TA.  The Framingham Heart Study’s impact on global risk assessment.   Prog Cardiovasc Dis. 2010;53(1):68-78. doi:10.1016/j.pcad.2010.04.001PubMedGoogle ScholarCrossref

5.Goff  DC  Jr, Lloyd-Jones  DM, Bennett  G,  et al; American College of Cardiology/American Heart Association Task Force on Practice Guidelines.  2013 ACC/AHA guideline on the assessment of cardiovascular risk: a report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines.   Circulation. 2014;129(25)(suppl 2):S49-S73. doi:10.1161/01.cir.0000437741.48606.98PubMedGoogle ScholarCrossref

6.SCORE2 Working Group and ESC Cardiovascular Risk Collaboration.  SCORE2 risk prediction algorithms: new models to estimate 10-year risk of cardiovascular disease in Europe.   Eur Heart J. 2021;42(25):2439-2454. doi:10.1093/eurheartj/ehab309PubMedGoogle ScholarCrossref

7.Neumann  JT, Twerenbold  R, Weimann  J,  et al.  Prognostic value of cardiovascular biomarkers in the population.   JAMA. Published online May 13, 2024. doi:10.1001/jama.2024.5596

8.Sudlow  C, Gallacher  J, Allen  N,  et al.  UK Biobank: an open access resource for identifying the causes of a wide range of complex diseases of middle and old age.   PLoS Med. 2015;12(3):e1001779. doi:10.1371/journal.pmed.1001779PubMedGoogle ScholarCrossref

9.Gaziano  JM, Concato  J, Brophy  M,  et al.  Million Veteran Program: a mega-biobank to study genetic influences on health and disease.   J Clin Epidemiol. 2016;70:214-223. doi:10.1016/j.jclinepi.2015.09.016PubMedGoogle ScholarCrossref

10.Denny  JC, Rutter  JL, Goldstein  DB,  et al; All of Us Research Program Investigators.  The “All of Us” research program.   N Engl J Med. 2019;381(7):668-676. doi:10.1056/NEJMsr1809937PubMedGoogle ScholarCrossref

11.Matsushita  K, Jassal  SK, Sang  Y,  et al.  Incorporating kidney disease measures into cardiovascular risk prediction: development and validation in 9 million adults from 72 datasets.   EClinicalMedicine. 2020;27:100552. doi:10.1016/j.eclinm.2020.100552PubMedGoogle ScholarCrossref

12.Lin  JS, Evans  CV, Johnson  E, Redmond  N, Coppola  EL, Smith  N.  Nontraditional risk factors in cardiovascular disease risk assessment: updated evidence report and systematic review for the US Preventive Services Task Force.   JAMA. 2018;320(3):281-297. doi:10.1001/jama.2018.4242

ArticlePubMedGoogle ScholarCrossref

13.Orkaby  AR, Nussbaum  L, Ho  YL,  et al.  The burden of frailty among US veterans and its association with mortality, 2002-2012.   J Gerontol A Biol Sci Med Sci. 2019;74(8):1257-1264. doi:10.1093/gerona/gly232PubMedGoogle ScholarCrossref

14.Khan  SS, Matsushita  K, Sang  Y,  et al; Chronic Kidney Disease Prognosis Consortium and the American Heart Association Cardiovascular-Kidney-Metabolic Science Advisory Group.  Development and validation of the American Heart Association’s PREVENT equations.   Circulation. 2024;149(6):430-449. doi:10.1161/CIRCULATIONAHA.123.067626