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.

BackgroundLow-risk limits recommended for alcohol consumption vary substantially across different national guidelines. To define thresholds associated with lowest risk for all-cause mortality and cardiovascular disease, we studied individual-participant data from 599 912 current drinkers without previous cardiovascular disease.MethodsWe did a combined analysis of individual-participant data from three large-scale data sources in 19 high-income countries (the Emerging Risk Factors Collaboration, EPIC-CVD, and the UK Biobank). We characterised dose–response associations and calculated hazard ratios (HRs) per 100 g per week of alcohol (12·5 units per week) across 83 prospective studies, adjusting at least for study or centre, age, sex, smoking, and diabetes. To be eligible for the analysis, participants had to have information recorded about their alcohol consumption amount and status (ie, non-drinker vs current drinker), plus age, sex, history of diabetes and smoking status, at least 1 year of follow-up after baseline, and no baseline history of cardiovascular disease. The main analyses focused on current drinkers, whose baseline alcohol consumption was categorised into eight predefined groups according to the amount in grams consumed per week. We assessed alcohol consumption in relation to all-cause mortality, total cardiovascular disease, and several cardiovascular disease subtypes. We corrected HRs for estimated long-term variability in alcohol consumption using 152 640 serial alcohol assessments obtained some years apart (median interval 5·6 years [5th–95th percentile 1·04–13·5]) from 71 011 participants from 37 studies.FindingsIn the 599 912 current drinkers included in the analysis, we recorded 40 310 deaths and 39 018 incident cardiovascular disease events during 5·4 million person-years of follow-up. For all-cause mortality, we recorded a positive and curvilinear association with the level of alcohol consumption, with the minimum mortality risk around or below 100 g per week. Alcohol consumption was roughly linearly associated with a higher risk of stroke (HR per 100 g per week higher consumption 1·14, 95% CI, 1·10–1·17), coronary disease excluding myocardial infarction (1·06, 1·00–1·11), heart failure (1·09, 1·03–1·15), fatal hypertensive disease (1·24, 1·15–1·33); and fatal aortic aneurysm (1·15, 1·03–1·28). By contrast, increased alcohol consumption was log-linearly associated with a lower risk of myocardial infarction (HR 0·94, 0·91–0·97). In comparison to those who reported drinking >0–≤100 g per week, those who reported drinking >100–≤200 g per week, >200–≤350 g per week, or >350 g per week had lower life expectancy at age 40 years of approximately 6 months, 1–2 years, or 4–5 years, respectively.InterpretationIn current drinkers of alcohol in high-income countries, the threshold for lowest risk of all-cause mortality was about 100 g/week. For cardiovascular disease subtypes other than myocardial infarction, there were no clear risk thresholds below which lower alcohol consumption stopped being associated with lower disease risk. These data support limits for alcohol consumption that are lower than those recommended in most current guidelines.FundingUK Medical Research Council, British Heart Foundation, National Institute for Health Research, European Union Framework 7, and European Research Council.

Our purpose was to assess the diagnostic utility of mid-regional pro–atrial natriuretic peptide (MR-proANP) for the diagnosis of acute heart failure (AHF) and the prognostic value of mid-regional pro-adrenomedullin (MR-proADM) in patients with AHF. There are some caveats and limitations to natriuretic peptide testing in the acute dyspneic patient. The BACH (Biomarkers in Acute Heart Failure) trial was a prospective, 15-center, international study of 1,641 patients presenting to the emergency department with dyspnea. A noninferiority test of MR-proANP versus B-type natriuretic peptide (BNP) for diagnosis of AHF and a superiority test of MR-proADM versus BNP for 90-day survival were conducted. Other end points were exploratory. MR-proANP (≥120 pmol/l) proved noninferior to BNP (≥100 pg/ml) for the diagnosis of AHF (accuracy difference 0.9%). In tests of secondary diagnostic objectives, MR-proANP levels added to the utility of BNP levels in patients with intermediate BNP values and with obesity but not in renal insufficiency, the elderly, or patients with edema. Using cut-off values from receiver-operating characteristic analysis, the accuracy to predict 90-day survival of heart failure patients was 73% (95% confidence interval: 70% to 77%) for MR-proADM and 62% (95% confidence interval: 58% to 66%) for BNP (difference p < 0.001). In adjusted multivariable Cox regression, MR-proADM, but not BNP, carried independent prognostic value (p < 0.001). Results were consistent using NT-proBNP instead of BNP (p < 0.001). None of the biomarkers was able to predict rehospitalization or visits to the emergency department with clinical relevance. MR-proANP is as useful as BNP for AHF diagnosis in dyspneic patients and may provide additional clinical utility when BNP is difficult to interpret. MR-proADM identifies patients with high 90-day mortality risk and adds prognostic value to BNP. (Biomarkers in Acute Heart Failure [BACH]; NCT00537628)

Background Identifying people at risk of cardiovascular diseases (CVD) is a cornerstone of preventative cardiology. Risk prediction models currently recommended by clinical guidelines are typically based on a limited number of predictors with sub-optimal performance across all patient groups. Data-driven techniques based on machine learning (ML) might improve the performance of risk predictions by agnostically discovering novel risk predictors and learning the complex interactions between them. We tested (1) whether ML techniques based on a state-of-the-art automated ML framework (AutoPrognosis) could improve CVD risk prediction compared to traditional approaches, and (2) whether considering non-traditional variables could increase the accuracy of CVD risk predictions. Methods and findings Using data on 423,604 participants without CVD at baseline in UK Biobank, we developed a ML-based model for predicting CVD risk based on 473 available variables. Our ML-based model was derived using AutoPrognosis, an algorithmic tool that automatically selects and tunes ensembles of ML modeling pipelines (comprising data imputation, feature processing, classification and calibration algorithms). We compared our model with a well-established risk prediction algorithm based on conventional CVD risk factors (Framingham score), a Cox proportional hazards (PH) model based on familiar risk factors (i.e, age, gender, smoking status, systolic blood pressure, history of diabetes, reception of treatments for hypertension and body mass index), and a Cox PH model based on all of the 473 available variables. Predictive performances were assessed using area under the receiver operating characteristic curve (AUC-ROC). Overall, our AutoPrognosis model improved risk prediction (AUC-ROC: 0.774, 95% CI: 0.768-0.780) compared to Framingham score (AUC-ROC: 0.724, 95% CI: 0.720-0.728, p < 0.001), Cox PH model with conventional risk factors (AUC-ROC: 0.734, 95% CI: 0.729-0.739, p < 0.001), and Cox PH model with all UK Biobank variables (AUC-ROC: 0.758, 95% CI: 0.753-0.763, p < 0.001). Out of 4,801 CVD cases recorded within 5 years of baseline, AutoPrognosis was able to correctly predict 368 more cases compared to the Framingham score. Our AutoPrognosis model included predictors that are not usually considered in existing risk prediction models, such as the individuals’ usual walking pace and their self-reported overall health rating. Furthermore, our model improved risk prediction in potentially relevant sub-populations, such as in individuals with history of diabetes. We also highlight the relative benefits accrued from including more information into a predictive model (information gain) as compared to the benefits of using more complex models (modeling gain). Conclusions Our AutoPrognosis model improves the accuracy of CVD risk prediction in the UK Biobank population. This approach performs well in traditionally poorly served patient subgroups. Additionally, AutoPrognosis uncovered novel predictors for CVD disease that may now be tested in prospective studies. We found that the “information gain” achieved by considering more risk factors in the predictive model was significantly higher than the “modeling gain” achieved by adopting complex predictive models.

Background Clinical investigations of shock in cardiac intensive care units (CICUs) have primarily focused on acute myocardial infarction (AMI) complicated by cardiogenic shock (AMICS). Few studies have evaluated the full spectrum of shock in contemporary CICUs. Methods and Results The Critical Care Cardiology Trials Network is a multicenter network of advanced CICUs in North America. Anytime between September 2017 and September 2018, each center (n=16) contributed a 2-month snap-shot of all consecutive medical admissions to the CICU. Data were submitted to the central coordinating center (TIMI Study Group, Boston, MA). Shock was defined as sustained systolic blood pressure <90 mm Hg with end-organ dysfunction ascribed to the hypotension. Shock type was classified by site investigators as cardiogenic, distributive, hypovolemic, or mixed. Among 3049 CICU admissions, 677 (22%) met clinical criteria for shock. Shock type was varied, with 66% assessed as cardiogenic shock (CS), 7% as distributive, 3% as hypovolemic, 20% as mixed, and 4% as unknown. Among patients with CS (n=450), 30% had AMICS, 18% had ischemic cardiomyopathy without AMI, 28% had nonischemic cardiomyopathy, and 17% had a cardiac cause other than primary myocardial dysfunction. Patients with mixed shock had cardiovascular comorbidities similar to patients with CS. The median CICU stay was 4.0 days (interquartile range [IQR], 2.5–8.1 days) for AMICS, 4.3 days (IQR, 2.1–8.5 days) for CS not related to AMI, and 5.8 days (IQR, 2.9–10.0 days) for mixed shock versus 1.9 days (IQR, 1.0–3.6) for patients without shock ( P <0.01 for each). Median Sequential Organ Failure Assessment scores were higher in patients with mixed shock (10; IQR, 6–13) versus AMICS (8; IQR, 5–11) or CS without AMI (7; IQR, 5–11; each P <0.01). In-hospital mortality rates were 36% (95% CI, 28%–45%), 31% (95% CI, 26%–36%), and 39% (95% CI, 31%–48%) in AMICS, CS without AMI, and mixed shock, respectively. Conclusions The epidemiology of shock in contemporary advanced CICUs is varied, and AMICS now represents less than one-third of all CS. Despite advanced therapies, mortality in CS and mixed shock remains high. Investigation of management strategies and new therapies to treat shock in the CICU should take this epidemiology into account.

The prognostic implications of phenotypes along the preshock to cardiogenic shock (CS) continuum remain uncertain.

Sterile tissue injury locally activates innate immune responses via interactions with damage associated molecular patterns (DAMPs). Here, by analyzing ∼120K single cell transcriptomes after myocardial infarction (MI) in mice and humans, we show neutrophil and monocyte subsets induce type I interferon (IFN) stimulated genes (ISGs) in myeloid progenitors of the bone marrow, far from the site of injury. In patients with acute MI, peripheral blood neutrophils and monocytes express ISGs at levels far beyond healthy individuals and comparable to patients with lupus. In the bone marrow of Tet2-/- mice, ISGs are spontaneously induced in myeloid progenitors and their progeny. In the heart, IFN responses are negatively regulated by Ccr2- resident macrophages in a Nrf2-dependent fashion. Our results show post-MI IFN signaling begins in the bone marrow, implicate multiple transcription factors in its regulation (Tet2, Irf3, Nrf2), and provide a clinical biomarker (ISG score) for studying post-MI IFN signaling in patients.

Background: There is debate about the value of adding information on genetic and other molecular markers to conventional cardiovascular disease (CVD) risk predictors. Methods: Using data on 306,654 individuals without a history of CVD from UK Biobank, we calculated measures of risk-discrimination and reclassification upon addition of polygenic risk scores (PRS) and a panel of 27 clinical biochemistry markers to a conventional risk prediction model (i.e., including age, sex, systolic blood pressure, smoking status, history of diabetes, total cholesterol and HDL cholesterol). We then modelled implications of initiating guideline‑recommended statin therapy after the assessment of molecular markers for a UK primary-care setting. Findings: The C-index was 0.710 (95% CI, 0.703-0.717) for a CVD prediction model containing conventional risk predictors alone. The C-index increased by similar amounts when adding information on PRS or biochemistry markers (0.011 and 0.014, respectively; P<0.001), and it increased still further (0.022; P<0.001) when information on both was combined. Among cases and controls, continuous net reclassification improvements were about 12% and 19%, respectively, when both PRS and biochemistry markers were added. If PRS and biochemistry markers were to be assessed in the entire primary care population aged 40-75, then it could help prevent one additional CVD event for every 893 individuals screened. By contrast, targeted assessment only among people at intermediate (i.e., 5-10%) 10-year CVD risk could help prevent one additional CVD event for every 233 individuals screened. This targeted strategy could help reclassify 16% of the intermediate-risk group to the high-risk (i.e., ≥10%) category, preventing 11% more CVD events than conventional risk prediction. Interpretation: Adding information on both PRS and selected biochemistry markers moderately enhanced CVD predictive accuracy and could improve primary prevention of CVD. However, our modelling suggested that targeted assessment of molecular markers among individuals at intermediate-risk would be more efficient than blanket approaches.