Importance Atrial fibrillation (AF) has a substantial genetic component. The importance of polygenic risk is well established, while the contribution of rare variants to disease risk warrants characterization in large cohorts. Objective To identify rare predicted loss-of-function (pLOF) variants associated with AF and elucidate their role in risk of AF, cardiomyopathy (CM), and heart failure (HF) in combination with a polygenic risk score (PRS). Design, Setting, and Participants This was a genetic association and nested case-control study. The impact of rare pLOF variants was evaluated on the risk of incident AF. HF and CM were assessed in cause-specific Cox regressions. End of follow-up was July 1, 2022. Data were analyzed from January to October 2023. The UK Biobank enrolled 502 480 individuals aged 40 to 69 years at inclusion in the United Kingdom between March 13, 2006, and October 1, 2010. UK residents of European ancestry were included. Individuals with prior diagnosis of AF were excluded from analyses of incident AF. Exposures Rare pLOF variants and an AF PRS. Main Outcomes and Measures Risk of AF and incident HF or CM prior to and subsequent to AF diagnosis. Results A total of 403 990 individuals (218 489 [54.1%] female) with a median (IQR) age of 58 (51-63) years were included; 24 447 were diagnosed with incident AF over a median (IQR) follow-up period of 13.3 (12.4-14.0) years. Rare pLOF variants in 6 genes ( TTN , RPL3L , PKP2 , CTNNA3 , KDM5B , and C10orf71 ) were associated with AF. Of these, TTN , RPL3L , PKP2 , CTNNA3 , and KDM5B replicated in an external cohort. Combined with high PRS, rare pLOF variants conferred an odds ratio of 7.08 (95% CI, 6.03-8.28) for AF. Carriers with high PRS also had a substantial 10-year risk of AF (16% in female individuals and 24% in male individuals older than 60 years). Rare pLOF variants were associated with increased risk of CM both prior to AF (hazard ratio [HR], 3.13; 95% CI, 2.24-4.36) and subsequent to AF (HR, 2.98; 95% CI, 1.89-4.69). Conclusions and Relevance Rare and common genetic variation were associated with an increased risk of AF. The findings provide insights into the genetic underpinnings of AF and may aid in future genetic risk stratification.

Introduction The 21-point Brain Care Score (BCS) is a novel tool designed to motivate individuals and care providers to take action to reduce the risk of stroke and dementia by encouraging lifestyle changes. Given that late-life depression is increasingly recognized to share risk factors with stroke and dementia, and is an important clinical endpoint for brain health, we tested the hypothesis that a higher BCS is associated with a reduced incidence of future depression. Additionally, we examined its association with a brain health composite outcome comprising stroke, dementia, and late-life depression. Methods The BCS was derived from the United Kingdom Biobank baseline evaluation in participants with complete data on BCS items. Associations of BCS with the risk of subsequent incident late-life depression and the composite brain health outcome were estimated using multivariable Cox proportional hazard models. These models were adjusted for age at baseline and sex assigned at birth. Results A total of 363,323 participants were included in this analysis, with a median BCS at baseline of 12 (IQR: 11-14). There were 6,628 incident cases of late-life depression during a median follow-up period of 13 years. Each five-point increase in baseline BCS was associated with a 33% lower risk of incident late-life depression (95% CI: 29%-36%) and a 27% lower risk of the incident composite outcome (95% CI: 24%-30%). Discussion These data further demonstrate the shared risk factors across depression, dementia, and stroke. The findings suggest that a higher BCS, indicative of healthier lifestyle choices, is significantly associated with a lower incidence of late-life depression and a composite brain health outcome. Additional validation of the BCS is warranted to assess the weighting of its components, its motivational aspects, and its acceptability and adaptability in routine clinical care worldwide.

Background: Predicting functional impairment after intracerebral hemorrhage (ICH) provides valuable information for planning of patient care and rehabilitation strategies. Current prognostic tools are limited in making long term predictions and require multiple expert-defined inputs and interpretation that make their clinical implementation challenging. This study aimed to predict long term functional impairment of ICH patients from admission non-contrast CT scans, leveraging deep learning models in a survival analysis framework. Methods: We used the admission non-contrast CT scans from 882 patients from the Massachusetts General Hospital ICH Study for training, hyperparameter optimization, and model selection, and 146 patients from the Yale New Haven ICH Study for external validation of a deep learning model predicting functional outcome. Disability (modified Rankin scale [mRS] > 2), severe disability (mRS > 4), and dependent living status were assessed via telephone interviews after 6, 12, and 24 months. The prediction methods were evaluated by the c-index and compared with ICH score and FUNC score. Results: Using non-contrast CT, our deep learning model achieved higher prediction accuracy of post-ICH dependent living, disability, and severe disability by 6, 12, and 24 months (c-index 0.742 [95% CI –0.700 to 0.778], 0.712 [95% CI –0.674 to 0.752], 0.779 [95% CI –0.733 to 0.832] respectively) compared with the ICH score (c-index 0.673 [95% CI –0.662 to 0.688], 0.647 [95% CI –0.637 to 0.661] and 0.697 [95% CI –0.675 to 0.717]) and FUNC score (c-index 0.701 [95% CI– 0.698 to 0.723], 0.668 [95% CI –0.657 to 0.680] and 0.727 [95% CI –0.708 to 0.753]). In the external independent Yale-ICH cohort, similar performance metrics were obtained for disability and severe disability (c-index 0.725 [95% CI –0.673 to 0.781] and 0.747 [95% CI –0.676 to 0.807], respectively). Similar AUC of predicting each outcome at 6 months, 1 and 2 years after ICH was achieved compared with ICH score and FUNC score. Conclusion: We developed a generalizable deep learning model to predict onset of dependent living and disability after ICH, which could help to guide treatment decisions, advise relatives in the acute setting, optimize rehabilitation strategies, and anticipate long-term care needs.