心房颤动(AF)很常见，并且与卒中风险增加有关。

近日，心脏病领域权威杂志Heart上发表了一篇研究文章，研究人员旨在系统地审查和荟萃分析在电子健康记录(EHR)和/或行政索赔数据库中获得和/或验证的多变量预测模型，以预测社区中的AF事件。

研究人员检索了Ovid Medline和Ovid Embase，检索时间从数据库成立到2021年3月23日发表的文献。研究人员通过贝叶斯荟萃分析提取和汇总区分指标，通过95%预测区间(PI)评估异质性。研究的偏倚风险使用预测模型偏倚风险评估工具和通过建议分级、评估、开发和评估的效果估计确定性进行评估。

本项目共有11项研究符合纳入标准，描述了9种预测模型，其中4项符合荟萃分析条件，包含9289959名患者。CHADS（充血性心力衰竭、高血压、年龄>75、糖尿病、既往卒中或短暂性脑缺血发作）（汇总c统计量为0.674；95%CI为0.610至0.732；95%PI为0.526–0.815）、CHA2DS2-VASc（充血性心力衰竭、高血压、年龄>75（2分）、卒中/短暂性脑缺血发作/血栓栓塞（2分）、血管疾病、65-74岁，性别）（汇总c统计量为0.679；95%CI为0.620至0.736；95%PI为0.531–0.811)和HATCH（高血压、年龄、卒中或短暂性脑缺血发作、慢性阻塞性肺病、心力衰竭）（汇总c统计量为0.669；95%CI为0.600至0.732；95%PI为0.513–0.803）模型得到了一个具有统计显著性的95%PI和中等区分性能的c统计量。如果排除高偏倚风险的研究并且效果估计的确定性为“低”，则没有模型符合纳入荟萃分析的条件。机器学习获得的模型表现出很强的区分性能，但缺乏严格的外部验证。

由此可见，基于社区EHR的外部验证可预测AF事件的模型具有中等预测能力和高偏倚风险。新方法可以提供更强的区分性能。

原始出处：

Ramesh Nadarajah.et al.Prediction of incident atrial fibrillation in community-based electronic health records: a systematic review with meta-analysis.heart.2022.http://orcid.org/0000-0001-9895-9356