在临床科研领域，尤其是基于公共数据库的研究，我们常常会遇到这样的疑问：“公共数据库的研究，能发高分文章吗？”近期发表在《Cardiovascular Diabetology》（IF=10.6/一区）上的一项研究，为我们提供了一个绝佳的范本。这项研究不仅回答了一个重要的临床问题，更展示了一套将传统统计方法与前沿机器学习技术深度融合的“方法论组合拳”。
今天，我们就来深入解读这篇题为：Association of estimated glucose disposition rate with aging acceleration and mortality risk in individuals with cardiovascular-kidney-metabolic syndrome: evidence from two large national population-based studies的文章，这篇文章的创新性在于是首个针对 CKM 1-4 期人群的全国性队列研究，系统探索 eGDR、AgeAccel 与死亡率的三者关系，整合多种统计方法，并引入 9 种机器学习模型，全面验证 eGDR 的预测价值。
研究核心问题与关键发现
估计葡萄糖处置率（eGDR）可通过腰围（WC）、高血压（HTN）、糖化血红蛋白（HbA1c）计算，能有效反映胰岛素敏感性，且与动脉粥样硬化、慢性肾病（CKD）、衰老加速（AgeAccel）等相关。但目前eGDR、AgeAccel 与（心血管-肾-代谢综合症）CKM 1-4 期人群死亡率之间的关系仍不清楚，并且不确定 AgeAccel 是否介导 eGDR 与死亡率之间的关联。
因此，该研究旨在利用两项大型国家人群研究的数据进行了全面分析：国家健康与营养检查调查（NHANES）和中国健康与退休纵向研究（CHARLS）。如果 eGDR 与死亡率之间存在显著联系，后续分析将调查 AgeAccel 是否介导这种关系。这可能会导致开发一种更精确的预测工具，用于评估 CKM 综合征患者的衰老过程和死亡风险。
-
在 CKM 人群中，较低的 eGDR 水平可能与 AgeAccel 和死亡风险增加有关。
-
AgeAccel 可能介导 eGDR 与死亡率之间的关系。
-
eGDR 可以作为延缓衰老和降低死亡风险的潜在预测指标和干预靶点。
研究方法学要点解析
研究数据来源于两项大型全国性人群研究：一是美国国家健康与营养检查调查（NHANES）2005-2010 年数据为分层多阶段概率抽样的横断面调查，最终纳入 4826 例 CKM 1-4 期成人，随访至 2019 年以获取死亡结局；二是中国健康与养老追踪调查（CHARLS）为前瞻性队列，基线为 2011 年，随访至 2015 年，用于验证 eGDR 与 BioAgeAccel 及全因死亡的关联。
-
eGDR 以 mg/kg/min 表示，计算公式为：eGDR = 21.158 − （0.09 × WC） − （3.407 × HTN） − （0.551 × HbA1c）。高血压的定义是收缩压≥ 140 mmHg、舒张压 ≥ 90 mmHg、使用抗高血压药物或自我报告的 HTN 诊断。使用高效液相色谱法测量 HbA1c 水平，单位从 mmol/mol 转换为百分比 （%），公式为：（0.09148 × HbA1c mmol/mol） + 2.152。
-
AgeAccel 用于通过两种方法评估个人的衰老过程：BioAgeAccel 和 PhenoAgeAccel。每种方法都利用不同的生物标志物和计算方法来评估个人的 BA 和 PA 与其 CA 的一致性。
-
CKM 综合征代表 CVD、CKD 和代谢综合征之间的病理和生理相互作用，表现为这些器官系统中并存的亚临床或明显临床表现。CKM 综合征严重程度分为四个不同的阶段：第 0 阶段（无异常）、第 1 阶段（肥胖或糖尿病前期）、第 2 阶段（至少一种代谢疾病或 CKD）、第 3 阶段（亚临床 CVD 伴代谢疾病或 CKD）和第 4 阶段（临床 CVD 伴代谢疾病或更晚期 CKD）。
logistic 回归和 Cox 比例风险回归分析：评估 eGDR 与 AgeAccel、全因死亡率和 CVD 死亡率关系的比值比（OR）和风险比（HR）以及相应的 95%置信区间（CI）。此外，将 eGDR 分为四分位数（Q1、Q2、Q3、Q4）以进行后续分析。结果发现：在多变量调整回归模型中，eGDR 与 AgeAccel、死亡率均呈显著负相关。当按 eGDR 四分位数分层时，与 Q1 组相比，Q4 组的参与者表现出显著降低的生物衰老程度（BioAgeAccel：OR = 0.30,95% CI：0.22–0.39;PhenoAgeAccel：OR = 0.17,95% CI：0.13–0.22）。
RCS 与阈值效应分析：限制立方样条（RCS）分析显示，eGDR 与全因死亡率呈 U 型关系，分段 Cox 回归分析确定了全因死亡率的阈值为 6.725，CVD 死亡率的阈值为 7.133。当 eGDR 低于 6.725 时，未发现显著关联；然而，当 eGDR 超过该值时，eGDR 每增加 1 个单位，全因死亡风险降低 25.50%（HR = 0.75，95%CI：0.71–0.81）。同样，当 eGDR 超过 7.133 时，CVD 风险显著降低，eGDR 每增加 1 个单位，风险降低 31.00%（HR = 0.69，95% CI：0.59–0.81）。这些结果表明，eGDR 对死亡率具有阈值效应，在 eGDR 层中观察到具有统计学意义的差异效应（似然比检验：全因死亡率的 P < 0.001；CVD 死亡率的 P = 0.003）。
ABESS 和 Boruta 算法特征选择：ABESS 算法确定了用于全因死亡率预测的最佳变量模型。Boruta 算法在绿色区域内识别了包括 eGDR 在内的关键变量，确认它们是重要贡献者。最后，岭图显示了所选特征的分布和中位重要性，突出显示了 eGDR 作为模型中最有影响力的变量之一。使用方差膨胀因子（VIF）评估所有预测变量的多重共线性。
机器学习预测模型的开发与验证：结果显示了不同机器学习模型预测性能的 ROC 曲线，以及测试集的相应 AUC 值，如下所示：KNN（0.926）、RF（0.879）、XGBoost（0.822）、LightGBM（0.805）、NB（0.767）、NNet（0.742）、LR（0.737）、LDA（0.736）和 DT（0.658）；DCA 显示，KNN 模型提供了显著的净收益，并显示出卓越的临床疗效。
中介分析：PhenoAgeAccel 在 eGDR 与死亡率的负关联中起显著介导作用：介导全因死亡总效应的 23.53%，介导 CVD 死亡总效应的 15.73%；而 BioAgeAccel 在 eGDR 与 CVD 死亡的关联中无显著介导作用。
-
在相对较大的人群中采用多种分析方法，系统地研究了 eGDR、AgeAccel 和死亡率之间的关系。
-
研究了 AgeAccel 在 eGDR 与死亡率关联中的中介作用，从而更深入地了解 IR 通过直接和间接途径对死亡率的潜在影响。
-
该研究基于 NHANES，它具有复杂的抽样设计，从而增强了研究结果对非机构化美国平民人口的代表性。
-
双库联合：采用 NHANES 数据库进行模型开发和训练，通过 CHARLS 数据库进行验证，多国家队列分析进一步提高了研究结果的可靠性。
-
多种统计方法与机器学习模型结合：该研究采用了 logistic 回归和 Cox 比例风险模型、RCS 与阈值效应分析、ABESS 和 Boruta 算法特征选择等多种统计方法，并结合了9种机器学习算法构建模型，方法科学且多样。
-
中介分析：量化 AgeAccel 在 eGDR 与死亡风险间的中介作用。
-
敏感性分析：通过调整额外协变量（如转氨酶、激素使用）、分层分析（年龄、性别、基础疾病）验证结果稳定性。
在 CKM 人群中，较低的 eGDR 水平可能与 AgeAccel 和死亡风险增加有关，AgeAccel 可能介导 eGDR 与死亡率之间的关系。这些发现表明，eGDR可以作为延缓衰老和降低死亡风险的潜在预测指标和干预靶点。
评论列表