The ESC Guidelines represent the views of the ESC and were produced after careful consideration of the scientific and medical knowledge and the evidence available at the time of their publication.The ESC is not responsible in the event of any contradiction, discrepancy and/or ambiguity between the ESC Guidelines and any other official recommendations or guidelines issued by the relevant public health authorities, in particular in relation to good use of healthcare or therapeutic strategies.Health professionals are encouraged to take the ESC Guidelines fully into account when exercising their clinical judgment, as well as in the determination and the implementation of preventive, diagnostic or therapeutic medical strategies; however, the ESC Guidelines do not override, in any way whatsoever, the individual responsibility of health professionals to make appropriate and accurate decisions in consideration of each patient's health condition and in consultation with that patient and, where appropriate and/or necessary, the patient's caregiver.Nor do the ESC Guidelines exempt health professionals from taking into full and careful consideration the relevant official updated recommendations or guidelines issued by the competent public health authorities, in order to manage each patient's case in light of the scientifically accepted data pursuant to their respective ethical and professional obligations.It is also the health professional's responsibility to verify the applicable rules and regulations relating to drugs and medical devices at the time of prescription.

BackgroundTo help adapt cardiovascular disease risk prediction approaches to low-income and middle-income countries, WHO has convened an effort to develop, evaluate, and illustrate revised risk models. Here, we report the derivation, validation, and illustration of the revised WHO cardiovascular disease risk prediction charts that have been adapted to the circumstances of 21 global regions.MethodsIn this model revision initiative, we derived 10-year risk prediction models for fatal and non-fatal cardiovascular disease (ie, myocardial infarction and stroke) using individual participant data from the Emerging Risk Factors Collaboration. Models included information on age, smoking status, systolic blood pressure, history of diabetes, and total cholesterol. For derivation, we included participants aged 40–80 years without a known baseline history of cardiovascular disease, who were followed up until the first myocardial infarction, fatal coronary heart disease, or stroke event. We recalibrated models using age-specific and sex-specific incidences and risk factor values available from 21 global regions. For external validation, we analysed individual participant data from studies distinct from those used in model derivation. We illustrated models by analysing data on a further 123 743 individuals from surveys in 79 countries collected with the WHO STEPwise Approach to Surveillance.FindingsOur risk model derivation involved 376 177 individuals from 85 cohorts, and 19 333 incident cardiovascular events recorded during 10 years of follow-up. The derived risk prediction models discriminated well in external validation cohorts (19 cohorts, 1 096 061 individuals, 25 950 cardiovascular disease events), with Harrell's C indices ranging from 0·685 (95% CI 0·629–0·741) to 0·833 (0·783–0·882). For a given risk factor profile, we found substantial variation across global regions in the estimated 10-year predicted risk. For example, estimated cardiovascular disease risk for a 60-year-old male smoker without diabetes and with systolic blood pressure of 140 mm Hg and total cholesterol of 5 mmol/L ranged from 11% in Andean Latin America to 30% in central Asia. When applied to data from 79 countries (mostly low-income and middle-income countries), the proportion of individuals aged 40–64 years estimated to be at greater than 20% risk ranged from less than 1% in Uganda to more than 16% in Egypt.InterpretationWe have derived, calibrated, and validated new WHO risk prediction models to estimate cardiovascular disease risk in 21 Global Burden of Disease regions. The widespread use of these models could enhance the accuracy, practicability, and sustainability of efforts to reduce the burden of cardiovascular disease worldwide.FundingWorld Health Organization, British Heart Foundation (BHF), BHF Cambridge Centre for Research Excellence, UK Medical Research Council, and National Institute for Health Research.

Abstract Aims The aim of this study was to develop, validate, and illustrate an updated prediction model (SCORE2) to estimate 10-year fatal and non-fatal cardiovascular disease (CVD) risk in individuals without previous CVD or diabetes aged 40–69 years in Europe. Methods and results We derived risk prediction models using individual-participant data from 45 cohorts in 13 countries (677 684 individuals, 30 121 CVD events). We used sex-specific and competing risk-adjusted models, including age, smoking status, systolic blood pressure, and total- and HDL-cholesterol. We defined four risk regions in Europe according to country-specific CVD mortality, recalibrating models to each region using expected incidences and risk factor distributions. Region-specific incidence was estimated using CVD mortality and incidence data on 10 776 466 individuals. For external validation, we analysed data from 25 additional cohorts in 15 European countries (1 133 181 individuals, 43 492 CVD events). After applying the derived risk prediction models to external validation cohorts, C-indices ranged from 0.67 (0.65–0.68) to 0.81 (0.76–0.86). Predicted CVD risk varied several-fold across European regions. For example, the estimated 10-year CVD risk for a 50-year-old smoker, with a systolic blood pressure of 140 mmHg, total cholesterol of 5.5 mmol/L, and HDL-cholesterol of 1.3 mmol/L, ranged from 5.9% for men in low-risk countries to 14.0% for men in very high-risk countries, and from 4.2% for women in low-risk countries to 13.7% for women in very high-risk countries. Conclusion SCORE2—a new algorithm derived, calibrated, and validated to predict 10-year risk of first-onset CVD in European populations—enhances the identification of individuals at higher risk of developing CVD across Europe.

Importance

 The prevalence of cardiometabolic multimorbidity is increasing. 

Objective

 To estimate reductions in life expectancy associated with cardiometabolic multimorbidity. 

Design, Setting, and Participants

 Age- and sex-adjusted mortality rates and hazard ratios (HRs) were calculated using individual participant data from the Emerging Risk Factors Collaboration (689 300 participants; 91 cohorts; years of baseline surveys: 1960-2007; latest mortality follow-up: April 2013; 128 843 deaths). The HRs from the Emerging Risk Factors Collaboration were compared with those from the UK Biobank (499 808 participants; years of baseline surveys: 2006-2010; latest mortality follow-up: November 2013; 7995 deaths). Cumulative survival was estimated by applying calculated age-specific HRs for mortality to contemporary US age-specific death rates. 

Exposures

 A history of 2 or more of the following: diabetes mellitus, stroke, myocardial infarction (MI). 

Main Outcomes and Measures

 All-cause mortality and estimated reductions in life expectancy. 

Results

 In participants in the Emerging Risk Factors Collaboration without a history of diabetes, stroke, or MI at baseline (reference group), the all-cause mortality rate adjusted to the age of 60 years was 6.8 per 1000 person-years. Mortality rates per 1000 person-years were 15.6 in participants with a history of diabetes, 16.1 in those with stroke, 16.8 in those with MI, 32.0 in those with both diabetes and MI, 32.5 in those with both diabetes and stroke, 32.8 in those with both stroke and MI, and 59.5 in those with diabetes, stroke, and MI. Compared with the reference group, the HRs for all-cause mortality were 1.9 (95% CI, 1.8-2.0) in participants with a history of diabetes, 2.1 (95% CI, 2.0-2.2) in those with stroke, 2.0 (95% CI, 1.9-2.2) in those with MI, 3.7 (95% CI, 3.3-4.1) in those with both diabetes and MI, 3.8 (95% CI, 3.5-4.2) in those with both diabetes and stroke, 3.5 (95% CI, 3.1-4.0) in those with both stroke and MI, and 6.9 (95% CI, 5.7-8.3) in those with diabetes, stroke, and MI. The HRs from the Emerging Risk Factors Collaboration were similar to those from the more recently recruited UK Biobank. The HRs were little changed after further adjustment for markers of established intermediate pathways (eg, levels of lipids and blood pressure) and lifestyle factors (eg, smoking, diet). At the age of 60 years, a history of any 2 of these conditions was associated with 12 years of reduced life expectancy and a history of all 3 of these conditions was associated with 15 years of reduced life expectancy. 

Conclusions and Relevance

 Mortality associated with a history of diabetes, stroke, or MI was similar for each condition. Because any combination of these conditions was associated with multiplicative mortality risk, life expectancy was substantially lower in people with multimorbidity.

John Chambers and colleagues report a genome-wide association study for markers of liver function. They identify 42 loci associated with concentrations of one or more liver enzymes in plasma, and use a range of functional genomic analyses to suggest candidate genes at these loci. Concentrations of liver enzymes in plasma are widely used as indicators of liver disease. We carried out a genome-wide association study in 61,089 individuals, identifying 42 loci associated with concentrations of liver enzymes in plasma, of which 32 are new associations (P = 10−8 to P = 10−190). We used functional genomic approaches including metabonomic profiling and gene expression analyses to identify probable candidate genes at these regions. We identified 69 candidate genes, including genes involved in biliary transport (ATP8B1 and ABCB11), glucose, carbohydrate and lipid metabolism (FADS1, FADS2, GCKR, JMJD1C, HNF1A, MLXIPL, PNPLA3, PPP1R3B, SLC2A2 and TRIB1), glycoprotein biosynthesis and cell surface glycobiology (ABO, ASGR1, FUT2, GPLD1 and ST3GAL4), inflammation and immunity (CD276, CDH6, GCKR, HNF1A, HPR, ITGA1, RORA and STAT4) and glutathione metabolism (GSTT1, GSTT2 and GGT), as well as several genes of uncertain or unknown function (including ABHD12, EFHD1, EFNA1, EPHA2, MICAL3 and ZNF827). Our results provide new insight into genetic mechanisms and pathways influencing markers of liver function.

Background: Whether newer risk markers for coronary heart disease (CHD) improve CHD risk prediction remains unclear. Objective: To assess whether newer risk markers for CHD risk prediction and stratification improve Framingham risk score (FRS) predictions. Design: Prospective population-based study. Setting: The Rotterdam Study, Rotterdam, the Netherlands. Participants: 5933 asymptomatic, community-dwelling participants (mean age, 69.1 years [SD, 8.5]). Measurements: Traditional CHD risk factors used in the FRS (age, sex, systolic blood pressure, treatment of hypertension, total and high-density lipoprotein cholesterol levels, smoking, and diabetes) and newer CHD risk factors (N-terminal fragment of prohormone B-type natriuretic peptide levels, von Willebrand factor antigen levels, fibrinogen levels, chronic kidney disease, leukocyte count, C-reactive protein levels, homocysteine levels, uric acid levels, coronary artery calcium [CAC] scores, carotid intima–media thickness, peripheral arterial disease, and pulse wave velocity). Results: Adding CAC scores to the FRS improved the accuracy of risk predictions (c-statistic increase, 0.05 [95% CI, 0.02 to 0.06]; net reclassification index, 19.3% overall [39.3% in those at intermediate risk, by FRS]). Levels of N-terminal fragment of prohormone B-type natriuretic peptide also improved risk predictions but to a lesser extent (c-statistic increase, 0.02 [CI, 0.01 to 0.04]; net reclassification index, 7.6% overall [33.0% in those at intermediate risk, by FRS]). Improvements in predictions with other newer markers were marginal. Limitation: The findings may not be generalizable to younger or nonwhite populations. Conclusion: Among 12 CHD risk markers, improvements in FRS predictions were most statistically and clinically significant with the addition of CAC scores. Further investigation is needed to assess whether risk refinements using CAC scores lead to a meaningful change in clinical outcome. Whether to use CAC score screening as a more routine test for risk prediction requires full consideration of the financial and clinical costs of performing versus not performing the test for both persons and health systems. Primary Funding Source: Netherlands Organization for Health Research and Development (ZonMw)

The Rotterdam Study is an ongoing prospective cohort study that started in 1990 in the city of Rotterdam, The Netherlands. The study aims to unravel etiology, preclinical course, natural history and potential targets for intervention for chronic diseases in mid-life and late-life. The study focuses on cardiovascular, endocrine, hepatic, neurological, ophthalmic, psychiatric, dermatological, otolaryngological, locomotor, and respiratory diseases. As of 2008, 14,926 subjects aged 45 years or over comprise the Rotterdam Study cohort. Since 2016, the cohort is being expanded by persons aged 40 years and over. The findings of the Rotterdam Study have been presented in over 1700 research articles and reports. This article provides an update on the rationale and design of the study. It also presents a summary of the major findings from the preceding 3 years and outlines developments for the coming period.

The purpose of this study was to examine the effect of coronary artery calcium (CAC) on the classification of 10-year hard coronary heart disease (CHD) risk and to empirically derive cut-off values of the calcium score for a general population of elderly patients. Although CAC scoring has been found to improve CHD risk prediction, there are limited data on its impact in clinical practice. The study comprised 2,028 asymptomatic participants (age 69.6 ± 6.2 years) from the Rotterdam Study. During a median follow-up of 9.2 years, 135 hard coronary events occurred. Persons were classified into low (<10%), intermediate (10% to 20%), and high (>20%) 10-year coronary risk categories based on a Framingham refitted risk model. In a second step, the model was extended by CAC, and reclassification percentages were calculated. Cutoff values of CAC for persons in the intermediate-risk category were empirically derived based on 10-year hard CHD risk. Reclassification by means of CAC scoring was most substantial in persons initially classified as intermediate risk. In this group, 52% of men and women were reclassified, all into more accurate risk categories. CAC values above 615 or below 50 Agatston units were found appropriate to reclassify persons into high or low risk, respectively. In a general population of elderly patients at intermediate CHD risk, CAC scoring is a powerful method to reclassify persons into more appropriate risk categories. Empirically derived CAC cutoff values at which persons at intermediate risk reclassified to either high or low risk were 615 and 50 Agatston units, respectively.

The 2013 American College of Cardiology/American Heart Association (ACC/AHA) guidelines introduced a prediction model and lowered the threshold for treatment with statins to a 7.5% 10-year hard atherosclerotic cardiovascular disease (ASCVD) risk.Implications of the new guideline's threshold and model have not been addressed in non-US populations or compared with previous guidelines.OBJECTIVE To determine population-wide implications of the ACC/AHA, the Adult Treatment Panel III (ATP-III), and the European Society of Cardiology (ESC) guidelines using a cohort of Dutch individuals aged 55 years or older. DESIGN, SETTING, AND PARTICIPANTSWe included 4854 Rotterdam Study participants recruited in 1997-2001.We calculated 10-year risks for "hard" ASCVD events (including fatal and nonfatal coronary heart disease [CHD] and stroke) (ACC/AHA), hard CHD events (fatal and nonfatal myocardial infarction, CHD mortality) (ATP-III), and atherosclerotic CVD mortality (ESC). MAIN OUTCOMES AND MEASURESEvents were assessed until January 1, 2012.Per guideline, we calculated proportions of individuals for whom statins would be recommended and determined calibration and discrimination of risk models. RESULTSThe mean age was 65.5 (SD, 5.2) years.Statins would be recommended for 96.4% (95% CI, 95.4%-97.1%;n = 1825) of men and 65.8% (95% CI, 63.8%-67.7%;n = 1523) of women by the ACC/AHA, 52.0% (95% CI, 49.8%-54.3%;n = 985) of men and 35.5% (95% CI, 33.5%-37.5%;n = 821) of women by the ATP-III, and 66.1% (95% CI, 64.0%-68.3%;n = 1253) of men and 39.1% (95% CI, 37.1%-41.2%;n = 906) of women by ESC guidelines.With the ACC/AHA model, average predicted risk vs observed cumulative incidence of hard ASCVD events was 21.5% (95% CI, 20.9%-22.1%)vs 12.7% (95% CI, 11.1%-14.5%)for men (192 events) and 11.6% (95% CI, 11.2%-12.0%)vs 7.9% (95% CI, 6.7%-9.2%)for women (151 events).Similar overestimation occurred with the ATP-III model (98 events in men and 62 events in women) and ESC model (50 events in men and 37 events in women).The C statistic was 0.67 (95% CI, 0.63-0.71) in men and 0.68 (95% CI, 0.64-0.73) in women for hard ASCVD (ACC/AHA), 0.67 (95% CI, 0.62-0.72) in men and 0.69 (95% CI, 0.63-0.75) in women for hard CHD (ATP-III), and 0.76 (95% CI, 0.70-0.82) in men and 0.77 (95% CI, 0.71-0.83) in women for CVD mortality (ESC). CONCLUSIONS AND RELEVANCEIn this European population aged 55 years or older, proportions of individuals eligible for statins differed substantially among the guidelines.The ACC/AHA guideline would recommend statins for nearly all men and two-thirds of women, proportions exceeding those with the ATP-III or ESC guidelines.All 3 risk models provided poor calibration and moderate to good discrimination.Improving risk predictions and setting appropriate population-wide thresholds are necessary to facilitate better clinical decision making.

The ESC Guidelines represent the views of the ESC and were produced after careful consideration of the scientific and medical knowledge and the evidence available at the time of their publication.The ESC is not responsible in the event of any contradiction, discrepancy and/or ambiguity between the ESC Guidelines and any other official recommendations or guidelines issued by the relevant public health authorities, in particular in relation to good use of healthcare or therapeutic strategies.Health professionals are encouraged to take the ESC Guidelines fully into account when exercising their clinical judgment, as well as in the determination and the implementation of preventive, diagnostic or therapeutic medical strategies; however, the ESC Guidelines do not override, in any way whatsoever, the individual responsibility of health professionals to make appropriate and accurate decisions in consideration of each patient's health condition and in consultation with that patient and, where appropriate and/or necessary, the patient's caregiver.Nor do the ESC Guidelines exempt health professionals from taking into full and careful consideration the relevant official updated recommendations or guidelines issued by the competent public health authorities, in order to manage each patient's case in light of the scientifically accepted data pursuant to their respective ethical and professional obligations.It is also the health professional's responsibility to verify the applicable rules and regulations relating to drugs and medical devices at the time of prescription.