心血管疾病作为全球首要死因，其早期预测一直是医学界面临的重大挑战。传统风险评估方法主要依赖年龄、血压、血脂等常规临床指标，但这些指标往往在疾病进展到一定阶段才能显现异常，难以实现真正意义上的早期预警。
随着高通量检测技术的快速发展，研究者发现血液中的蛋白质和代谢物能够更直接地反映机体当前的生理状态。这些分子信号不仅受遗传因素影响，还会随环境、生活方式和疾病进程动态变化，为长期风险评估提供了全新的信息维度。香港大学的这项研究正是基于这一科学背景，开创性地将多组学信息与人工智能相结合。
创新性研究框架的设计思路
该研究团队提出的CardiOmicScore框架采用了独特的"多疾病同步训练"策略。与传统"一病一模型"的思路不同，该框架能够在同一模型中同时学习多种心血管疾病共有的生物学特征及其特异性分子标志物。这种整体性 approach 更符合临床实际，因为心血管疾病往往不是孤立发生，而是多种风险因素共同作用的结果。
研究基于UK Biobank队列的长期随访数据，采用严格的分阶段验证方法。首先在包含22万代谢组数据和1.9万蛋白组数据的大规模人群中训练模型，随后在2.4万名基线健康个体中进行独立验证，中位随访时间长达15年，确保了研究结果的可靠性。
多组学评分的预测效能分析
研究结果显示，基于蛋白组的ProScore表现出卓越的预测能力。在不依赖任何传统临床指标的情况下，其C-index值达到0.69-0.82，显著优于多基因风险评分（0.52-0.60）。这意味着该评分能够有效区分高风险和低风险人群，在疾病发生前十年以上即可发出预警信号。
代谢组评分MetScore的表现虽然略逊于蛋白组评分，但其C-index值（0.64-0.74）仍然明显优于传统遗传风险评估。更重要的是，两种评分在六种常见心血管疾病中都展现出稳定的预测能力，说明多组学信息确实捕捉到了心血管疾病的共性生物学基础。
临床应用的增量价值评估
值得关注的是，多组学信息在现有临床评估基础上提供了显著的增量价值。研究显示，无论基线模型中已经包含多少临床信息，加入蛋白组或代谢组评分后，预测效果都会明显提升。这种提升在蛋白组评分中最为突出，代谢组次之，而传统多基因风险评分的改善相对有限。
这一发现具有重要的临床意义。它表明多组学信号反映的是传统临床检查难以直接捕捉的分子层面风险，为早期干预提供了新的时间窗口。从实际应用角度，这意味着通过一次血液检测，就能同时评估多种心血管疾病的长期风险，大大提高了筛查效率。
模型的可解释性与生物学机制
为确保模型的可解释性，研究团队采用SHAP方法深入分析了关键的预测因子。结果显示，一些临床上熟知的指标仍然是核心预测因子，如反映心脏负荷的NT-proBNP和NPPB蛋白，以及肾功能相关的肌酐等。
与此同时，模型还识别出一批具有潜在价值的新型生物标志物。在蛋白组中，GDF15、MMP12、FASLG和NEFL显示出较强的预测能力；代谢组中的谷氨酰胺、脂肪酸和糖蛋白乙酰基等分子同样发挥重要作用。这些分子的作用模式与心肌应激、炎症反应和代谢紊乱等已知病理过程高度一致，说明模型确实抓住了心血管疾病的关键生物学信号。
技术创新的临床转化前景
这项研究的最大价值在于其展示了一种可持续扩展的医学人工智能研究范式。CardiOmicScore框架具有良好的通用性和扩展性，未来可以进一步整合影像学、心电图等多模态数据，发展成为更全面的个体化健康风险评估工具。
从临床实践角度看，这种基于多组学的风险评估方法有望实现几个重要突破。首先，它能够将风险评估的时间点显著提前，为一级预防争取宝贵的时间窗口。其次，通过一次检测评估多种疾病风险，可以大大提高筛查效率，降低医疗成本。最后，动态监测多组学指标的变化，可能为治疗效果评估和干预策略调整提供量化依据。
行业发展的深远影响
这项研究对医疗AI行业的发展具有重要启示。它证明，在充足的高质量数据支持下，AI模型不仅能够实现准确的预测，还能发现新的生物学洞见。这种"数据驱动发现"的模式，有望在更多疾病领域推广应用。
从技术层面看，该研究展示了多模态数据融合的巨大潜力。随着检测技术的进步和成本的降低，多组学数据将越来越容易获取，这为开发更精准的健康风险评估工具奠定了基础。同时，模型的可解释性分析方法也为医疗AI的临床接受度提供了重要支撑。
未来发展方向与挑战
尽管这项研究取得了显著成果，但在实际推广应用前仍面临一些挑战。首先是检测标准化问题，不同实验室的检测结果可能存在差异，需要建立统一的质量控制标准。其次是成本效益考量，多组学检测目前成本较高，需要进一步技术优化来降低成本。
此外，模型在不同人群中的泛化能力也需要进一步验证。UK Biobank主要基于西方人群，模型在亚洲等其他人群中的表现仍需评估。随着更多种族多样化数据的积累，模型有望不断优化，实现更广泛的适用性。
从长远来看，这类研究正在推动医疗模式从"疾病治疗"向"健康维护"转变。通过早期识别高风险个体，并采取针对性预防措施，有望显著降低心血管疾病的发病率和死亡率。这不仅具有重要的临床意义，也将产生巨大的社会经济效益。
这项研究为心血管疾病预防提供了新的科学依据和技术支撑，标志着我们向精准预防医学又迈出了重要一步。随着技术的不断成熟和临床验证的深入，基于多组学和AI的健康风险评估有望成为未来常规健康管理的重要组成部分。
