
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基线、累积及纵向估计葡萄糖处置率模式与中老年人群心脏代谢多病共存新发风险的关联研究
《Cardiovascular Diabetology》:From baseline levels to cumulative exposure and longitudinal trajectories: estimated glucose disposal rate and incident cardiometabolic multimorbidity among middle-aged and older adults in the English Longitudinal Study of Ageing (ELSA) and the Health and Retirement Study (HRS)
【字体: 大 中 小 】 时间:2026年10月08日 来源:Cardiovascular Diabetology 15.6
编辑推荐:
摘要背景胰岛素抵抗与心脏代谢多病共存(CMM)的发生有关,但关于基线、累积及纵向估计葡萄糖处置率(eGDR)模式与新发CMM之间关联的证据仍然有限。我们利用两个前瞻性队列研究了这些关联,并评估了eGDR的增量预测价值。方法数据来源于英国老年纵向研究(ELSA)和健康与退休研究
胰岛素抵抗与心脏代谢多病共存(CMM)的发生有关,但关于基线、累积及纵向估计葡萄糖处置率(eGDR)模式与新发CMM之间关联的证据仍然有限。我们利用两个前瞻性队列研究了这些关联,并评估了eGDR的增量预测价值。
数据来源于英国老年纵向研究(ELSA)和健康与退休研究(HRS)。基线eGDR分析纳入14,970名参与者,累积及轨迹分析纳入5,854名具有重复eGDR测量的参与者。采用基于组的轨迹模型识别eGDR的纵向轨迹。应用Cox比例风险模型和受限样条(RCS)模型评估与新发CMM的关联,CMM定义为心脏病、中风和糖尿病中至少两种疾病的共存。采用随机效应荟萃分析合并各队列特异性估计值。采用时间依赖性受试者工作特征曲线下面积、C指数、净重分类改善和综合判别改善评估预测性能。此外还进行了亚组和敏感性分析。
在随访期间,基线eGDR队列和累积eGDR队列分别发生了2,218例和526例新发CMM事件。基线eGDR每增加1个标准差,CMM风险降低40%(合并HR 0.60,95% CI 0.57–0.64)。与Q1相比,Q4的合并HR为0.27(95% CI 0.22–0.32;趋势P < 0.001)。对于累积eGDR,ELSA中每增加1个标准差的HR为0.68(95% CI 0.54–0.84),HRS中为0.52(95% CI 0.45–0.60);Q4与Q1相比的对应HR分别为0.44(95% CI 0.23–0.85)和0.15(95% CI 0.09–0.24)(趋势P < 0.05)。共识别出四种eGDR轨迹。与持续低轨迹相比,持续高轨迹与CMM风险降低79%相关(合并HR 0.21,95% CI 0.10–0.41;趋势P < 0.01)。RCS分析表明基线和累积eGDR与CMM风险之间存在反向线性关联。在基础模型中添加基线eGDR可小幅改善长期判别能力并改善重分类,而累积eGDR及其轨迹的增益在HRS中更为一致。eGDR并未优于分别纳入其各组成部分的模型。亚组和敏感性分析总体支持了主要发现。
较高的基线和累积eGDR以及持续高eGDR轨迹与中老年人群CMM风险显著降低相关。这些发现支持将单次和重复eGDR测量纳入CMM风险评估的潜在价值。

胰岛素抵抗与心脏代谢多病共存(CMM)的发生有关,但关于基线、累积及纵向估计葡萄糖处置率(eGDR)模式与新发CMM之间关联的证据仍然有限。我们利用两个前瞻性队列研究了这些关联,并评估了eGDR的增量预测价值。
数据来源于英国老年纵向研究(ELSA)和健康与退休研究(HRS)。基线eGDR分析纳入14,970名参与者,累积及轨迹分析纳入5,854名具有重复eGDR测量的参与者。采用基于组的轨迹模型识别eGDR的纵向轨迹。应用Cox比例风险模型和受限样条(RCS)模型评估与新发CMM的关联,CMM定义为心脏病、中风和糖尿病中至少两种疾病的共存。采用随机效应荟萃分析合并各队列特异性估计值。采用时间依赖性受试者工作特征曲线下面积、C指数、净重分类改善和综合判别改善评估预测性能。此外还进行了亚组和敏感性分析。
在随访期间,基线eGDR队列和累积eGDR队列分别发生了2,218例和526例新发CMM事件。基线eGDR每增加1个标准差,CMM风险降低40%(合并HR 0.60,95% CI 0.57–0.64)。与Q1相比,Q4的合并HR为0.27(95% CI 0.22–0.32;趋势P < 0.001)。对于累积eGDR,ELSA中每增加1个标准差的HR为0.68(95% CI 0.54–0.84),HRS中为0.52(95% CI 0.45–0.60);Q4与Q1相比的对应HR分别为0.44(95% CI 0.23–0.85)和0.15(95% CI 0.09–0.24)(趋势P < 0.05)。共识别出四种eGDR轨迹。与持续低轨迹相比,持续高轨迹与CMM风险降低79%相关(合并HR 0.21,95% CI 0.10–0.41;趋势P < 0.01)。RCS分析表明基线和累积eGDR与CMM风险之间存在反向线性关联。在基础模型中添加基线eGDR可小幅改善长期判别能力并改善重分类,而累积eGDR及其轨迹的增益在HRS中更为一致。eGDR并未优于分别纳入其各组成部分的模型。亚组和敏感性分析总体支持了主要发现。
较高的基线和累积eGDR以及持续高eGDR轨迹与中老年人群CMM风险显著降低相关。这些发现支持将单次和重复eGDR测量纳入CMM风险评估的潜在价值。
