从筛查到随访：多项研究或重塑ATTR-CM诊疗新格局 | ESC 2026

导语：ESC 2026最新研究表明，血液标志物+AI辅助超声有望系统性重构ATTR-CM诊疗范式。

转甲状腺素蛋白淀粉样变性心肌病（ATTR-CM）因其易漏诊、误诊，且预后差，是心血管领域难啃的“硬骨头”之一[1]。近年来，随着对因治疗药物的突破性进展，ATTR-CM的临床管理已步入精准治疗时代[1]，但“如何更早识别患者”“如何精准评估预后”“如何客观监测疗效”等问题仍未得到系统解决。2026年欧洲心脏病学会（ESC）年会公布的系列研究，恰好针对上述临床痛点给出了阶段性答案，为ATTR-CM管理带来了系统性升级。

早期识别ATTR-CM：新型血液标志物瞄准筛查难题

既往研究显示，ATTR-CM 并非罕见疾病，在射血分数保留心衰（HFpEF）患者中检出率最高可达18%[2]。面对庞大的HFpEF群体，如何早期甄别潜在ATTR-CM病例，已然成为改善患者远期预后的关键环节。然而，当前ATTR-CM的早期识别难度大，临床实践中需要通过详细询问患者病史及家族史、关注ATTR相关临床表现、识别高危临床情景，并结合警示征进行综合判断。在此过程中，缺乏简便、易推广且兼具一定准确性和特异性的血液筛查工具，是造成 ATTR-CM 诊断不足的重要原因之一。

此次ESC公布的一项研究，正是围绕这一临床痛点展开[3]。研究者利用PREFER-HF研究中的307例受试者（平均年龄 80.0 岁，男性占 87.6%）血浆样本开展蛋白组学筛选，为 ATTR-CM 初筛提供极具转化价值的血液标志物。受试者分为3组：103例ATTR-CM患者、105例年龄和性别匹配的HFpEF患者，以及99例非心衰对照。

研究采用两个蛋白组学平台进行生物标志物筛选，并将能够区分ATTR-CM与HFpEF且受试者工作特征曲线下面积（AUC）达到0.80以上的蛋白定义为候选标志物。结果显示，有两种蛋白在两个平台中均显示出较好诊断效能。相较于HFpEF或非心衰对照组，这两种候选蛋白水平在ATTR-CM患者中均显著升高（P<0.001，图1A-B）。在区分ATTR-CM与HFpEF方面，候选蛋白1和2在两个平台上的AUC分别达到0.93（95% CI：0.90~0.97）和0.88（95% CI：0.83~0.93）、0.88（95% CI：0.83~0.93）和0.89（95% CI：0.84~0.93）。研究者进一步采用免疫分析进行验证，这两种候选蛋白显示出更好的诊断准确性，AUC分别达0.99（95% CI：0.95~1.0）、0.98（95% CI：0.93~1.0，图1C）。

图1：候选蛋白1和2水平在不同分组中对比（A-B）以及受试者工作特征曲线分析（C）[3]

该研究表明，血液标志物有望成为ATTR-CM早期诊疗格局的突破口。候选蛋白在特征明确的研究队列及真实世界临床人群中的进一步验证工作仍在进行中，但现有证据提示，未来若能开发出简便、快速、可重复开展的血液检测方案，并应用于老年心衰门诊及高危人群筛查场景，有望大幅缩短诊断周期、提升疾病检出率，助力患者尽早启动针对性治疗。

AI辅助超声心动图：优化ATTR-CM预后危险分层体系

如果说血液标志物研究解决的是“把可疑患者找出来”，那么接下来要解决的就是“如何进一步评估其预后风险”。超声心动图作为ATTR-CM患者首选影像检查手段，人工智能（AI）正越来越多地用于辅助自动化定量分析。既往研究显示，由AI自动测量的指标所构建的多参数超声心动图评分在美国和日本队列中诊断ATTR-CM准确度分别达到79.5%和79.7%[4]，但AI自动测算所得各项指标是否可用于预后分层尚待验证。ESC公布的一项研究评估了AI自动分析超声心动图在ATTR-CM预后分层中的价值[5]。

该回顾性队列研究纳入 347 例ATTR-CM患者（男性 91%，中位年龄 78 岁），使用 AI软件全自动测算基线左心室射血分数（LVEF）、整体纵向应变（GLS）、三尖瓣环收缩期位移（TAPSE）。研究运用Kaplan–Meier分析、Cox回归模型评估预后效能及应用ROC曲线评估1年临床事件预测能力。研究通过联合左心室整体纵向应变（LV-GLS）与TAPSE建立超声心动图分期体系，将患者分为低危（两项指标均正常）、中危（一项指标异常）、高危（两项指标均异常）。

研究结果显示，中位2.4年随访期间，141例（41%）受试者发生复合终点事件（全因死亡和心衰住院）；单因素Cox回归证实GLS、TAPSE、LVEF均为预后预测指标。Kaplan-Meier分析显示三组人群预后存在显著差异（P<0.001），相较于低危组，中危组和高危组受试者复合终点风险分别增加314%（95% CI：2.05~8.37）和681%（95% CI：3.93~15.54，图2A）。相较于英国国家淀粉样变性中心（NAC）分期+年龄，在NAC分期+年龄基础上新增超声指标后，模型预测效能进一步提升（χ²：87 vs. 65，P＜0.001；C 指数：0.790 vs. 0.759，图2B）。此外，在1年事件预测效能上，AI测量与人工测量结果无统计学差异：TAPSE（AUC 0.64 vs. 0.58，P=0.21）、GLS（AUC 0.64 vs. 0.62，P=0.65）、LVEF（AUC 0.66 vs. 0.69，P=0.40）。

图2：各分组患者的预后（A）以及NAC分期+年龄+超声指标预测价值更优（B）[5]

该研究表明，AI测算的超声心动图参数可对ATTR-CM患者实现可靠的危险分层，预测效能与人工测量相当，支持其在临床危险分层中应用。NAC分期叠加年龄、GLS、TAPSE后，有助于临床进一步识别高危患者，实现分层管理和精准干预。

AI 赋能超声动态监测：捕捉ATTR-CM治疗后病情缓解轨迹

尽管ATTR-CM的临床管理已迈入靶向TTR的对因治疗时代，但即便在规范治疗前提下，仍有约30%的患者出现疾病进展[6]。超声心动图因普及率高、成本可控，是临床常用的监测工具之一。研究者探索借助AI对超声心动图进行定量分析，是否能够敏感捕捉到ATTR-CM患者在接受对因治疗后疾病进展速度放缓的影像学特征，从而为疗效评估提供新思路[7]。

该回顾性队列研究纳入两项多中心登记库中的野生型ATTR-CM患者数据。运用AI分析软件对多个时间节点的超声心动图进行全自动定量分析，并从临床病历中提取 N 末端B型利钠肽原（NT-proBNP）数据。以启动对因治疗时刻作为时间零点对齐所有时间轴。研究共纳入 335 例ATTR-CM受试者（男性占 93%，中位年龄 78 岁），每位受试者接受4次超声心动图检查（中位数），共244 例（73%）受试者接受对因治疗。

研究结果显示，确诊时各项指标如下（中位数）：室间隔厚度（IVST）13.1 mm、LV-GLS −14.5%、E/e’比值 14.4、TAPSE 19.2 mm、左心房容积 39 ml/m²、左心房储备期应变 12%，NT-proBNP 1767 ng/mL。 所有指标在治疗前均呈进行性恶化（P＜0.05）。启动规范治疗后，上述指标的恶化速度均显著放缓，变化轨迹出现统计学差异：IVST（非线性检验 P=0.001）、LV-GLS（P=0.008）、TAPSE（P＜0.001）、左心房容积（P＜0.001）、左心房储备期应变（P＜0.001）、NT-proBNP（P=0.005）；而 E/e’比值甚至出现明显改善（P＜0.001，图3）。

图3：ATTR-CM患者治疗前后基于AI的超声心动图指标随时间的变化[7]

可见，AI辅助超声心动图能够捕捉ATTR-CM患者启动对因治疗后多项核心指标演变轨迹的早期变化，证实疾病进展得到延缓。上述结果提示，超声心动图可作为灵敏且易于普及的工具，用于监测 ATTR-CM 患者病情进展与治疗应答。

小结

ESC 2026公布的三项研究，从不同环节为ATTR-CM的诊疗提供了新的探索方向：新型血液生物标志物解决初筛识别难题，让大规模高危人群筛查落地可行；AI自动化超声心动图实现确诊后精准风险分层，优化个体化管理策略； AI多参数追踪完善疗效监测，客观评判疾病进展与药物应答。当然，从研究证据到临床落地仍需进一步验证与积累，但上述探索已为未来ATTR-CM精准诊疗的推进提供了有价值的参考依据。

小调研：

(点击空白处查看内容)

答案：ABC

参考文献：

[1]中华医学会心血管病学分会心力衰竭学组,中华心血管病杂志编辑委员会.转甲状腺素蛋白心脏淀粉样变诊断与治疗中国专家共识[J].中华心血管病杂志,2021,49(4):324-332.

[2]Yun S, Palladini G, Anderson LJ, et al. International prevalence of transthyretin amyloid cardiomyopathy in high-risk patients with heart failure and preserved or mildly reduced ejection fraction. Amyloid. 2024 Dec; 31(4): 291-301.

[3]Novel blood-based biomarkers for transthyretin amyloidosis with cardiomyopathy (ATTR-CM) in patients heart failure with preserved ejection fraction. ESC 2026.

[4]Ioannou A, Khouri MG, Kitai T, et al. Diagnosis of Cardiac Amyloidosis on Echocardiography Using Artificial Intelligence. Circ Cardiovasc Imaging. 2026 Apr;19(4):e018991.

[5]Prognostic value of artificial intelligence-derived echocardiographic measurements in ATTR cardiomyopathy. ESC 2026.

[6]Pattern of Disease Progression in ATTR-CM Patients Treated with Tafamidis: An Observational Study. AHA 2024.

[7]Changes over time in AI-based echocardiographic metrics before and after therapy in ATTR cardiomyopathy. ESC 2026.

本材料由阿斯利康提供，仅供医疗卫生专业人士进行医学科学交流，不用于推广目的。若涉及具体药物使用，请参考相关药物说明书，阿斯利康不建议您将产品超说明书使用。
审批编码：CN-193075 过期日期：2027-09-02

“点赞”“爱心”，让更多人看到