2023年美國心臟協會（AHA）推出的PREVENT方程式，透過eGFR和UACR來估算慢性腎病（CKD）患者的心血管疾病（CVD）風險。一項針對1,814名年齡介於40至75歲的CKD患者的研究顯示，10年動脈粥樣硬化性心血管疾病（ASCVD）風險平均為8.8%，低於2013年PCEs的估算。雖然63.4%的人符合使用他汀類藥物的條件，但實際接受治療的卻不到一半，顯示CKD患者對他汀治療的需求仍未滿足。 PubMed DOI

這項研究分析了來自多國的200多萬名參與者，探討經典心血管風險因素對心血管疾病終生風險和死亡率的影響。主要發現顯示，若同時存在五個風險因素，女性的心血管疾病風險為24%，男性則為38%。沒有這些風險因素的人，女性可多活13.3年且無心血管疾病，男性則可多活10.6年。改善高血壓或戒煙在中年時期能顯著增加無心血管疾病的生命年數。總之，50歲時避免所有風險因素可延長壽命超過十年，強調管理這些風險因素的重要性。 PubMed DOI

這項研究評估了GPT-4大型語言模型在計算HEART分數及預測胸痛觀察單位患者60天內重大不良心臟事件的有效性。研究涵蓋601名患者，結果顯示LLM與醫療專業人員之間的協議良好，HEART分數也高於傳統評估。然而，預測MACE的表現並無顯著差異。這顯示GPT-4在風險計算上可輔助臨床決策，但結果可能與人類判斷有所不同，建議進一步研究其潛力。 PubMed DOI

美國約有2,400萬名高心血管風險、但尚未確診心臟病的成年人符合VICTORION-1 PREVENT試驗標準。這群人高血壓、糖尿病和代謝症候群比例較高，但實際使用他汀藥物的人卻很少。顯示許多高風險族群未獲得適當降膽固醇治療，需加強公共衛生管理與治療介入。 PubMed DOI

心臟衰竭越來越常見，帶來健康和經濟壓力。現在有像PREVENT這類新工具，能更早找出高風險族群，特別是有心血管、腎臟、代謝問題的人。新藥如SGLT2抑制劑也能幫助預防。未來應結合風險評估、生物標記和影像檢查，早期發現並治療，訂出明確治療標準，讓預防更有效又公平。 PubMed DOI

這項研究用四家醫院的資料，開發並驗證一個機器學習模型，能預測洗腎病人心臟瓣膜鈣化的風險。模型根據五個臨床指標建立，最後發現邏輯迴歸的表現最穩定。這工具有助於早期發現高風險患者，提升洗腎病人心臟瓣膜鈣化的篩檢和管理效率。 PubMed DOI

這項研究發現，用傳統機器學習和大型語言模型（像GPT-4）來預測TAVI手術後新發LBBB風險，GPT-4表現最好，甚至超越傳統ML模型。結果顯示，只用手術前的臨床資料，就能準確預測LBBB發生機率，未來有助於臨床決策。 PubMed DOI

這項研究開發了一個網頁工具，把ACS常用的三種風險評分整合在同一介面，並用AI協助設計。結果顯示，這工具評分和現有系統一致，減少重複輸入、提升效率。證明AI輔助、醫師主導的軟體開發在心血管風險評估上可行又準確，但還需要更多臨床驗證。 PubMed DOI

這項針對超過380萬名20-39歲年輕人的研究發現，擁有較多理想心血管健康條件（如正常血壓、體重、膽固醇、不吸菸、規律運動、血糖控制），能大幅降低未來12年罹患心臟或腎臟疾病的風險。若能持續維持或提升健康分數，保護效果更明顯。研究也提醒，年輕時就要重視心血管健康。（飲食未納入評分） PubMed DOI

KFRE公式預測腎衰竭風險，對有無糖尿病的病人都一樣準確，但在75歲以上長者會高估風險。糖尿病不影響KFRE準確度，但年紀大的人預測效果較差。 PubMed DOI