一、ATTR-CM风险分层与新型筛查技术

风险分层是ATTR-CM临床管理的核心环节。传统NAC分期主要依靠NT-proBNP与eGFR进行风险划分，但该体系存在明显局限性，无法充分评估室性心律失常、早期肾脏结构损伤等关键预后信息。本届ESC多项研究从猝死风险、心肾交互、超声风险分层角度补充新证据。

1.1 室性心律失常与心源性猝死风险

K Knoll团队开展了一项前瞻性多中心队列研究[1]，共纳入266例确诊ATTR-CM患者，全部完成24小时动态心电图随访，中位随访时间60±42个月。

研究结果显示：ATTR-CM患者非持续性室速（nsVT）检出率高达30%，持续性室速（sVT）仅占0.8%。合并nsVT的患者心源性猝死风险显著升高（5% vs. 0.6%，P=0.031），但nsVT并未显著升高全因死亡率（29% vs. 13%，P=0.19），如图1所示；持续性室速样本量极少，但随访死亡率高达50%，提示该类患者预后极差。

图1. 合并nsVT的患者心源性猝死与全因死亡发生率

合并nsVT的患者往往伴随更显著的心肌损伤：室间隔厚度更大、LVEF更低、TAPSE下降、心肌损伤生物标志物水平更高。多因素回归分析提示，年龄、NT-proBNP是全因死亡的独立预测因子，nsVT接近统计学临界水平（OR=2.24，P=0.061）。

该研究提示：ATTR-CM中的非持续性室速更多是心肌严重受损的伴随现象；nsVT可增加心源性猝死风险，但并不直接提升全因死亡风险。当前ICD一级预防指南对此类人群态度偏保守，仍需更大规模队列明确哪些患者能够从预防性ICD植入中获益。

1.2 心肾风险评估：UACR补充完善传统NAC分期

传统NAC分期仅依靠eGFR评价肾脏损害，而eGFR下降往往代表肾脏损伤已经进入晚期。M Eslami等人开展一项回顾性研究[2]，纳入124例ATTR-CM患者，证实尿白蛋白-肌酐比值（UACR）可识别早期肾小球结构损伤；即使处于NAC-Ⅰ期的低危患者，也可出现明显蛋白尿。基线及12个月随访数据显示（图2），NT-proBNP与UACR持续呈显著正相关（基线rho=0.45，随访rho=0.50，P均＜0.001）。

图2. 不同NAC分期中NT-proBNP与UACR的关系

研究提示，仅依靠eGFR会低估早期心肾联合损伤，建议将UACR纳入ATTR-CM肾脏风险完整评估框架，进一步完善现有NAC分期体系。

1.3 基于AI超声心动图构建全新风险分层体系

A Walser等人纳入347例ATTR-CM患者[3]，利用AI自动超声软件获取GLS、TAPSE、LVEF等核心参数，建立了基于LV-GLS联合TAPSE的超声风险分层模型，分为低危（LV-GLS、TAPSE两者均正常）、中危（LV-GLS、TAPSE其一异常）和高危（LV-GLS、TAPSE两者均异常）。

对比低危组，中危、高危组复合终点（死亡+心衰住院）HR分别为4.14、7.81。在年龄联合NAC分期的基础上加入该AI超声分层，可进一步提升判别效能（χ2由65提升至87，C-index由0.759升高至0.790），如图3所示。

图3. A：不同超声风险分层的无事件生存曲线；B：不同风险预测模型似然比检验

研究提示，基于AI心脏超声的判别结果与人工判读结果相当，提示自动化超声测量可用于临床风险分层，弥补传统生物标志物分期的短板。

1.4 基于AI-ECG模型实现ATTR-CM的多中心外部验证

F.SAhmad等人开展了一项国际多中心外部验证研究[4]，纳入来自多国中心共15 396份常规12导联心电图，其中ATTR-CM病例428例，对照组14 968例，采用AI-ECG模型对ATTR-CM进行识别。

内部验证中，识别ATTR-CM的AUC可达0.871，高危亚组AUC进一步升高至0.901；外部验证中，尽管队列人群异质性较大，模型依旧保持良好判别效能，总体AUC为0.861，灵敏度74.52%，特异度82.68%，准确率82.46%（表1）。

表1.AI-ECG模型判定的总体AUC灵敏度、特异度、准确率

研究结果提示，AI-ECG模型具备优秀的泛化能力，在不同地域、不同基线特征的真实临床人群中均可精准识别ATTR-CM，有望作为简便筛查工具助力疾病早期识别。

二、病理机制探索：心脏淀粉样变炎症内表型与性别诊疗差异

2.1 AL与ATTR淀粉样变存在不同的炎症通路

A Zaroui团队对1000例心衰合并淀粉样变性患者进行了回顾分析[5]，包含ATTR-CM（n=358）、AL淀粉样变性（n=94）及其他心肌病对照组，检测钙卫蛋白、IL-6、SAA等炎症标志物。

研究发现，AL淀粉样变性以IL-6介导的全身性炎症为主要特征，IL-6是AL患者死亡的独立预测因子（HR=1.23，P=0.003）；ATTR-CM以钙卫蛋白介导的心肌局部炎症为主，钙卫蛋白可独立预测ATTR-CM死亡风险（HR=1.37，P=0.047）。钙卫蛋白水平与ATTR-CM患者右室重构、舒张功能异常相关；IL-6与ATTR-CM心肌损伤标志物NT-proBNP、肌钙蛋白存在相关性。

该研究阐释不同亚型淀粉样变性预后差异背后的炎症机制，提示炎症标志物有望成为ATTR-CM风险分层的新型工具。

2.2 不同诊疗中心女性病例占比差异显著，影响疾病确诊时机

A Zaroui团队基于法国HEAR登记库3287例ATTR-CM病例（女性占比21%）分析发现[6]，不同医疗中心女性患者占比最大相差7倍（5%~35%），如图4所示。将中心按照女性收治占比分为T1~T3三分位（T3为女性占比最高组）。T3中心确诊的女性患者，校正后NT-proBNP升高22%、肌钙蛋白升高27%、室间隔增厚1.2?mm、GLS损伤加重1.5%，LVEF未见明显差异。

图4. 各诊疗中心ATTR-CM女性患者占比分布

结果提示：不同中心诊疗模式的差异，导致女性ATTR-CM患者往往在心肌损伤更为严重的阶段才得到确诊。临床亟需优化女性群体筛查策略，减少诊断延迟，缩小诊疗公平性差距。

三、新型诊断与分子生物标志物：聚焦TTR蛋白错误折叠早期检测

ATTR-CM传统诊断依赖核素显像、心肌活检，仅能识别已经发生淀粉样物质沉积的晚期病变。TTR四聚体解离、蛋白错误折叠是疾病发生的上游始动环节。本届ESC公布两项全新血液检测技术，直接针对TTR蛋白构象，助力疾病早期识别。

3.1 探针免疫测定评估TTR四聚体稳定性

M Nagao等人联合Sysmex研发了一种基于T4结合口袋小分子探针的免疫检测试剂盒，可直接评估血清TTR四聚体稳定性[7]。

结果显示（图5），ATTR-CM组TTR四聚体稳定性指数显著下降（P＜0.001），ROC曲线AUC=0.819；而总TTR蛋白浓度在ATTR-CM组与对照组之间无统计学差异（P=0.539）。重组蛋白实验显示，致病性突变V30M、V122I、L55P探针结合信号显著降低；保护性稳定突变T119M信号接近野生型。

图5. ATTR-CM组与对照组中TTR浓度与四聚体稳定性对比

研究结果提示，该检测可以捕捉TTR四聚体解离的分子异常，具备ATTR-CM辅助诊断价值，可在淀粉样沉积物形成之前识别早期分子层面病变。

3.2 Amyfold血浆检测：沉积前识别TTR错误折叠

S Pankow团队开发了一种Amyfold血浆检测技术[8]，借助共价蛋白喷涂（CPP）直接检测血浆TTR蛋白构象改变，可识别淀粉样纤维沉积数年之前即发生的TTR蛋白错误折叠事件。

该检测对ATTR相关心脏受累的敏感性与特异性均可达95%；TTR错误折叠信号与室间隔厚度、高敏肌钙蛋白、LVEF具有高度相关性（R2分别0.82、0.80、0.72）。对无症状TTR致病基因突变携带者纵向随访发现，部分携带者出现进行性TTR错误折叠，部分基线即可检出显著构象异常。

研究者认为，Amyfold检测既可用于疑似患者鉴别诊断，也可用于无症状TTR突变携带者风险监测，未来还有望用于评价疾病修饰治疗的疗效应答。

四、AI赋能的疗效监测与预后评估

ATTR-CM启动治疗后，如何客观量化疾病轨迹变化仍是临床未被满足的需求——NT-proBNP易受容量负荷干扰，而人工超声判读存在观察者偏倚。基于AI、数据库的数字化检测与随访工具，可规避上述短板，为治疗应答评估、长期疾病监测提供全新解决方案。

4.1 AI 超声心动图捕捉治疗前后疾病轨迹改变

A Walser等人的一项多中心回顾队列研究[9]，纳入335例野生型ATTR-CM患者，73%接受TTR疾病修饰治疗，使用US2AI软件全自动获取全套超声心动图参数。

治疗前，患者室间隔厚度、LV-GLS、TAPSE、左房容积、左房储备应变以及NT-proBNP均呈持续恶化趋势；启动治疗后，疾病进展轨迹被显著遏制，IVST、LV-GLS、TAPSE、左房容积、左房储备应变恶化速率明显放缓，E/e’出现改善（图6）。

图6. ATTR心肌病治疗前后基于人工智能的超声心动图指标随时间的变化

研究证实，AI超声心动图可捕捉治疗带来的疾病轨迹变化，可作为常规随访工具评估治疗应答，弥补传统生物标志物的局限性。

4.2 DISCOVER-ATTR：去中心化、患者主导的数字化登记库

传统登记库依赖医院人工录入，存在数据碎片化，难以获取可穿戴设备生理信号。Aline F Pedroso等人开发的DISCOVER-ATTR，是首个由患者自主授权对接电子病历（EHR）+可穿戴设备的ATTR-CM登记库[10]。

试点阶段，共有20例ATTR-CM确诊患者入组，其中17例（85%）成功对接至少一套多电子病历，获取的病历中位时间跨度10.6年，自动提取数据与人工病历复核结果一致性良好，可构建完整的个体纵向疾病时间线。30%受试者同步贡献可穿戴设备生理数据，累计采集时长1085天，共计222 000份心率、1637份血氧饱和度、50份单导联心电图，实现了多模态长时序疾病轨迹记录。

该登记库为罕见心肌病的真实世界数据采集提供了全新范式，不仅可描摹ATTR-CM完整疾病轨迹，这套去中心化模式亦可拓展至其他罕见心血管疾病，为疾病风险预测模型的开发与验证提供支撑。

五、真实世界临床管理特征：HFpEF背景下ATTR-CM风险分层、用药及筛查鉴别

5.1 HFpEF队列中ATTR-CM风险分层与传统心衰药物安全性

台湾Cheng-En Tsai等人开展了一项大样本HFpEF真实世界队列研究[11]，共纳入7848例HFpEF患者，25.3%患者ATTR-CM风险评分≥6分（高风险）。结果显示，高风险人群心血管死亡+心衰住院复合终点（aHR=1.14，95%CI：1.05~1.24）、全因死亡（aHR=1.25，95%CI：1.15~1.35）风险显著升高。交互分析提示：RASI、MRA治疗获益在高、低ATTR-CM风险组之间无明显差异；β受体阻滞剂在低ATTR-CM评分人群全因死亡获益更显著，在高风险组获益虽减弱，但无明确有害证据。

该研究证实，ATTR-CM高风险的HFpEF患者，RASI、β受体阻滞剂、MRA等仍可安全使用，纠正临床“ATTR-CM应停用RASI”的过度保守诊疗倾向。

5.2 HFpEF人群ATTR-CM筛查中MGUS鉴别策略优化

HFpEF人群开展ATTR-CM核素筛查时，需要常规排除AL型淀粉样变性，血清游离轻链比值（FLCR）是关键鉴别指标。但肾功能减退会干扰FLCR检测结果，造成意义未明单克隆丙种球蛋白病（MGUS）过度检出。

Cheng-En Tsai等人的另一项研究[12]，纳入184例接受ATTR-CM筛查的老年HFpEF患者。相较于传统固定FLCR截断值，采用eGFR分层校正后的FLCR参考阈值，可将MGUS检出率由24.5%降至12.5%（图7）。

图7. 基于传统和eGFR校正的血清FLCR截断值，不同eGFR组别中老年HFpEF患者MGUS的患病率

研究提示，对于合并肾功能异常的HFpEF筛查人群，应采用eGFR校正的FLCR阈值，减少MGUS假阳性，优化ATTR-CM筛查流程，降低不必要的后续检查。

小结

ESC 2026围绕ATTR-CM发布了多项队列、转化与技术创新研究，从风险分层、病理机制、早期诊断、数字化疗效监测、真实世界管理等多维度更新临床证据。当然，现阶段仍存在诸多待解决临床问题：ATTR-CM风险分层体系亟待补充完善，影像学生物标志物仍需统一临床界值，炎症靶向干预的临床价值有待进一步探索。未来需要更多真实世界与临床试验，推动新疗法、新技术落地，进一步推进ATTR-CM诊疗路径规范化。

参考文献：

[1] Knoll K, et al. Non-sustained ventricular tachycardia in ATTR-CM: insights from a prospective multicentre cohort. ESC Congress 2026, Munich, Germany.

[2] Eslami M, et al. Urinary albumin-creatinine ratio complements NAC staging for renal risk stratification in ATTR-CM. ESC Congress 2026, Munich, Germany.

[3] Walser A, et al. AI-derived echocardiographic risk staging combining LV-GLS and TAPSE improves prognostication in ATTR-CM. ESC Congress 2026, Munich, Germany.

[4] Ahmad FS, et al. Assessing generalizability of an AI model for cardiac amyloidosis detection in ECGs: interim results of a multi‑centre, external validation study. ESC Congress 2026, Munich, Germany.

[5] Zaroui A, et al. Distinct inflammatory endotypes in AL versus transthyretin cardiac amyloidosis. ESC Congress 2026, Munich, Germany.

[6] Zaroui A, et al. Centre-level variation in female representation in the French HEAR amyloidosis registry: implications for diagnostic delay in women with ATTR-CM. ESC Congress 2026, Munich, Germany.

[7] Nagao M, et al. A novel immuno-probe assay to assess transthyretin tetramer stability in ATTR-CM. ESC Congress 2026, Munich, Germany.

[8] Pankow S, et al. Amyfold CPP plasma assay detects pre-fibrillar TTR misfolding in ATTR-CM. ESC Congress 2026, Munich, Germany.

[9] Walser A, et al. Artificial intelligence echocardiography tracks disease trajectory before and after TTR-stabilizing therapy in wild-type ATTR-CM. ESC Congress 2026, Munich, Germany.

[10] Pedroso AF, et al. DISCOVER-ATTR: a patient-centred decentralized real-world registry for transthyretin amyloid cardiomyopathy. ESC Congress 2026, Munich, Germany.

[11] Tsai CE, et al. Clinical outcomes and safety of guideline-directed heart failure medications among HFpEF patients at high risk for ATTR-CM. ESC Congress 2026, Munich, Germany.

[12] Tsai CE, et al. eGFR-adjusted free light-chain ratio reduces false-positive MGUS detection during ATTR-CM screening in older HFpEF patients. ESC Congress 2026, Munich, Germany.

CN-194547 2027-09-09

本材料由阿斯利康提供，仅供医疗卫生专业人士参考，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。

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。