综述：优先考虑心力衰竭的一级预防

　　本综述系统阐述了全球心力衰竭（HF）的流行病学负担与病理生理机制，提出整合风险预测模型（如PREVENT）、生物标志物（BNP、hs-cTn）及人工智能技术（AI-ECG）的筛查框架，呼吁通过早期识别心衰前期（pre-HF）和心血管-肾脏-代谢综合征（CKM）干预，推动心衰一级预防的临床与公共卫生策略转型。

　　

当代心力衰竭的流行病学特征

全球疾病负担研究（GBD）数据显示，心力衰竭影响约5500万人，且患病率自1990年以来翻倍。人口老龄化、心肌梗死后生存率提升及代谢性疾病的流行共同推动了心衰负担的增长。地域间分布存在显著异质性，中低收入国家面临更大挑战。

心力衰竭的病理生理学与亚型

心衰是由内在（心肌）与外在（全身性）通路共同驱动的复杂综合征。传统研究聚焦于心肌细胞钙处理异常、线粒体功能障碍及间质纤维化，而近年更强调系统性炎症、微血管功能障碍和器官间交互作用（如心肾轴）。射血分数保留性心衰（HFpEF）的病理机制尤其与代谢异常和炎症密切相关，区别于射血分数降低性心衰（HFrEF）的缺血性心肌损伤主导模式。

风险分层与心衰前期的定义

根据心衰通用定义，阶段B（心衰前期）涵盖结构性心脏病、功能性心脏异常或生物标志物（BNP或hs-cTn）升高。与传统动脉粥样硬化性心血管疾病（ASCVD）不同，心衰仅约50%风险归因于传统因素，其余与肥胖、肾功能不全等非传统因素相关。新型预测工具如PREVENT方程及HFpEF特异性评分（HFA-PEFF、H2FpEF）显著提升了风险识别能力。

生物标志物与人工智能在早期检测中的应用

生物标志物（如BNP、hs-cTn）和心脏成像技术可敏感捕捉亚临床心衰病变。人工智能（AI）赋能的心电图（AI-ECG）算法能高效识别左心室收缩功能障碍、左心房扩大等结构异常，其性能超越传统筛查手段，为大规模人群早期诊断提供可能。

综合预防框架与公众意识提升

心衰预防需整合风险评估（如多变量模型）与疾病检测（生物标志物与影像学）的双轨策略。同时，公众对心衰认知严重不足，远低于对癌症或心肌梗死的知晓度，亟需通过教育 campaigns 提升预防行为参与度和治疗依从性。

结论

心衰一级预防需系统性应对其多因素致病机制，结合风险预测工具、先进检测技术及跨学科管理（如CKM综合征干预）。通过临床工作流程优化、可扩展实施策略及公众意识强化，方有望遏制这一全球健康危机的蔓延。