《Metabolism Open》:Associations of non-traditional lipid-inflammatory parameters with all-cause mortality in middle-aged and older adults: Insights from two nationally representative cohorts
编辑推荐:
背景:非传统脂质-炎症参数(non-traditional lipid-inflammatory parameters)是整合脂质代谢与炎症的新兴生物标志物。然而,其与中老年人全因死亡(all-cause mortality)的关联尚未被系统评估。
方法:本
背景:非传统脂质-炎症参数(non-traditional lipid-inflammatory parameters)是整合脂质代谢与炎症的新兴生物标志物。然而,其与中老年人全因死亡(all-cause mortality)的关联尚未被系统评估。
方法:本研究纳入来自美国国家健康与营养调查(National Health and Nutrition Examination Survey, NHANES)的9,943名参与者和来自中国健康与养老追踪调查(China Health and Retirement Longitudinal Study, CHARLS)的9,409名参与者。应用调查权重以考虑复杂抽样设计。采用Kaplan–Meier分析估计累积生存概率。采用Cox比例风险模型(Cox proportional hazards models)检验关联。拟合限制性立方样条(restricted cubic splines, RCS)探索潜在剂量–反应关系。进行时间依赖受试者工作特征(time-dependent ROC)分析以评估随访时间点的预测性能。采用DeLong检验评估曲线下面积(areas under the curve, AUC)差异的统计学显著性。构建校准曲线以评估模型校准度。进行亚组和敏感性分析以探索异质性并评估结果稳健性。
结果:在NHANES平均随访80.3个月、CHARLS平均随访100.2个月期间,分别记录2,377例和1,246例死亡。在NHANES中,除LCI-CRP(lipoprotein combine index-CRP,脂蛋白联合指数-CRP)(Log-rank P=0.960)外,所有参数按四分位分组后累积生存概率均下降。校正混杂因素后,在连续分析中,所有参数均与全因死亡呈正相关。在四分位分析中,除CHARLS中的AIP-CRP(atherogenic index of plasma-CRP,血浆致动脉粥样硬化指数-CRP)(HR=1.16,95% CI:0.88–1.52,P=0.295)和LCI-CRP(HR=1.28,95% CI:0.99–1.64,P=0.056)外,最高四分位较最低四分位具有更高风险。AIP-CRP在两个队列中均表现出非线性剂量–反应关系。NHANES中参数的预测性能随随访时间延长而改善,而在CHARLS中则波动。DeLong检验显示,纳入参数的模型较基础模型具有更好的区分能力。校准曲线表明纳入参数的模型校准良好。CHARLS中高血压显著改变了某些参数的关联。结果在所有敏感性分析中保持稳健。
结论:非传统脂质-炎症参数与中老年人全因死亡风险升高存在显著独立关联。基于常规脂质和炎症检测,这些参数是用于早期风险分层的简单、低成本工具。
全球人口老龄化正在加速。世界卫生组织预测,到2050年60岁及以上人口将翻倍;联合国报告显示,65岁及以上人群已成为增长最快的年龄组。死亡日益集中于老年人,1990年以来70岁及以上人群年死亡数增加逾一倍。因此,早期识别全因死亡高风险个体对于风险分层和靶向预防至关重要。血脂异常和慢性炎症是公认的全因死亡驱动因素。传统血脂参数反映脂质谱并用于心血管风险评估,但其预测全因死亡的效用受到“胆固醇悖论”限制。非传统血脂参数,如非高密度脂蛋白胆固醇(non-high-density lipoprotein cholesterol, non-HDL-C)和残余胆固醇(remnant cholesterol, RC),可捕捉传统参数遗漏的全因死亡残余风险。同时,C反应蛋白(C-reactive protein, CRP)作为炎症标志物可独立预测全因死亡风险。证据提示,RC与CRP共同升高较任一单独升高与全因死亡风险更高相关。因此,联合评估非传统血脂参数与CRP可能改善全因死亡风险分层。由非传统血脂参数与CRP整合构建的非传统脂质-炎症参数已被研究,现有证据将其与卒中、高血压等心血管结局联系,但其与全因死亡的关联仍不清楚。本研究旨在评估非传统脂质-炎症参数与中老年人全因死亡的关联,以提供支持联合脂质-炎症评估策略临床应用的流行病学证据。
研究人员使用两个全国代表性队列开展研究。NHANES由美国国家卫生统计中心开展,采用多阶段、分层概率抽样,纳入2005–2010和2015–2018周期数据构建基线分析人群。CHARLS由北京大学国家发展研究院组织,针对45岁及以上中国成人,纳入2011年Wave 1构建基线分析人群。两个队列采用统一排除标准,依次排除年龄<45岁、基线衰弱状态不可评估、缺失总胆固醇(total cholesterol, TC)、甘油三酯(triglyceride, TG)、高密度脂蛋白胆固醇(high-density lipoprotein cholesterol, HDL-C)、低密度脂蛋白胆固醇(low-density lipoprotein cholesterol, LDL-C)或CRP测量值、失访及缺失抽样权重者。最终纳入NHANES 9,943人、CHARLS 9,409人。暴露为八种非传统脂质-炎症参数,由既定非传统血脂参数乘以CRP(mg/L)/10构建。结局为全因死亡。NHANES平均随访80.3个月,记录2,377例死亡;CHARLS平均随访100.2个月,记录1,246例死亡。校正协变量包括年龄、性别、婚姻状况、教育、吸烟、饮酒、糖尿病、高血压、体质指数(body mass index, BMI)和收缩压(systolic blood pressure, SBP)。研究人员得出,非传统脂质-炎症参数与中老年人全因死亡风险升高存在显著独立关联;这些参数基于常规脂质和炎症检测,简单、低成本,可作为早期风险分层工具。
关键技术方法概括:研究基于两个全国代表性队列:美国NHANES(2005–2010、2015–2018周期)和中国CHARLS(2011年Wave 1)。基线排除年龄<45岁、衰弱状态不可评估、缺失TC/TG/HDL-C/LDL-C/CRP、失访及缺失抽样权重者。纳入调查权重。构建八种非传统脂质-炎症参数,即非传统血脂参数×CRP(mg/L)/10。采用链式方程多重插补处理缺失值,加权Kaplan–Meier、加权Cox比例风险模型、限制性立方样条、时间依赖ROC、DeLong检验和校准曲线;并行亚组分析及Benjamini–Hochberg错误发现率控制;敏感性分析包括调整队列特异混杂、额外调整心脏病/卒中/癌症、排除1年内死亡、排除降脂药及完整病例分析。
3.1 研究队列基线特征:最终分析纳入NHANES 9,943人和CHARLS 9,409人。与存活者相比,非存活者年龄更大,男性、低教育、其他婚姻状况和吸烟比例更高,衰弱程度更重,SBP、CRP及八种非传统脂质-炎症参数水平更高,而BMI、TC和LDL-C较低;非存活者糖尿病和高血压患病率更高,以上比较均具有统计学显著性(P<0.05)。
3.2 非传统脂质-炎症参数与全因死亡的关联:加权Kaplan–Meier生存曲线显示,按四分位分组后累积生存率呈下降趋势。在NHANES中,除LCI-CRP(Log-rank P=0.960)外,最高四分位(Q4)累积生存率低于最低四分位(Q1);在CHARLS中,所有参数的生存曲线组间差异均有统计学意义(Log-rank P<0.01)。加权Cox比例风险回归逐步校正模型显示,在最终模型中,作为连续变量的所有参数在两个队列中均与全因死亡呈正相关(P<0.001)。按四分位分析时存在队列差异:NHANES中Q4较Q1均与更高的全因死亡风险显著相关(P<0.01),趋势检验显著(P
trend<0.001),CRI-I-CRP关联最强(HR=1.59,95% CI:1.40–1.81,P<0.001);CHARLS中AIP-CRP(HR=1.16,95% CI:0.88–1.52,P=0.295)和LCI-CRP(HR=1.28,95% CI:0.99–1.64,P=0.056)与全因死亡无显著关联,AIP-CRP趋势检验不显著(P
trend=0.204)。
3.3 潜在剂量–反应关系:加权限制性立方样条分析显示,所有参数与全因死亡均存在显著总体关联(P-overall<0.01)。其中,AIP-CRP在两个队列中均呈显著非线性剂量–反应关系(P-nonlinear<0.001),其余参数呈线性关联(P-nonlinear>0.05)。
3.4 预测性能:时间依赖ROC曲线分析用于评估预测性能。在NHANES中,区分能力随随访时间延长而逐步提高,CRI-I-CRP在多数时间点显示相对较强区分能力。在CHARLS中,区分能力在随访期间波动;non-HDL-C-CRP在短期(1–3年)显示相对较强区分能力,而RC-CRP更利于长期预测(5–7年)。DeLong检验显示,纳入这些参数的模型较基础模型具有更好区分能力。校准曲线进一步表明,纳入参数的模型校准良好。
3.5 亚组分析:在NHANES中,预设亚组未观察到显著效应修饰(P for interaction (BH-FDR)>0.05)。在CHARLS中,高血压显著修饰non-HDL-C-CRP、AC-CRP、CRI-I-CRP和CRI-II-CRP与全因死亡的关联,这些关联在无高血压参与者中似乎更强(P for interaction (BH-FDR)<0.01)。
3.6 敏感性分析:研究人员进行了多项敏感性分析。第一,调整队列特异混杂因素:NHANES中调整种族和贫困收入比(poverty income ratio, PIR),CHARLS中调整居住地。第二,逐步额外调整主要临床共病,包括心脏病、卒中和癌症。第三,排除随访第一年内死亡者以减少潜在反向因果。第四,排除基线报告服用降脂药物者以避免药物混杂。第五,使用完整病例数据重复所有分析。在所有敏感性分析中,关联保持稳健,并与主分析一致。
讨论部分总结:研究人员利用两个全国代表性队列评估八种非传统脂质-炎症参数与中老年人全因死亡的关联。关键发现包括:作为连续变量时,所有参数在两个队列中均与全因死亡正相关;按四分位分类时,AIP-CRP和LCI-CRP在CHARLS中关联不显著;AIP-CRP在两个队列中均呈显著非线性剂量–反应关系;预测性能在NHANES中随随访延长而改善,在CHARLS中波动。具体而言,CRI-I-CRP在NHANES所有随访时间点保持相对较强区分能力;在CHARLS中,non-HDL-C-CRP短期区分较强,RC-CRP长期区分较强。高血压在CHARLS中显著修饰部分关联。既往证据与本研究一致并得到扩展:丹麦队列研究显示RC升高与更高全因死亡风险相关;本研究提示RC与CRP交互后该关联持续存在;构建参数的数学逻辑与Wang et al.提出的RCII相同,并进一步确认包括RCII(RC-CRP)在内的八种参数与全因死亡的关联。CHARLS中两个例外可能涉及:四分位分类可能掩盖AIP及其相关参数的真实风险关联;两个队列人群异质性,加权基线显示脂质谱存在明显差异;降脂治疗差异,中国他汀使用率低于美国;饮食模式差异,中国传统饮食精制碳水化合物较高,西方饮食饱和脂肪和加工肉较高;LCI作为四种传统血脂参数的复合指标对极端值敏感,既往研究显示其在死亡预测中不稳定,与CRP交互后可能放大该不稳定性。预测价值呈时间依赖性,但两队列模式不同。NHANES基于死亡数据库链接的随访中累积事件曲线较平滑,而CHARLS基于波次随访,事件仅在离散调查波次捕获,这种随访设计结构差异可能部分解释CHARLS波动;5年AUC点估计落在相邻时间点对应估计的CI内,提示下降可能反映统计不确定性而非真实预测性能丧失。类似TyG–炎症指数研究也显示最佳预测因子随时间变化。因此,基于单一时间点的排名应谨慎解释,这些参数在中国老龄化队列中的性能仍需验证。机制上,这些参数捕获血脂异常与慢性炎症相互放大的病理过程。一方面,脂质成分可驱动炎症:富含甘油三酯脂蛋白及其残粒可穿过动脉内膜并被巨噬细胞摄取,导致血管壁胆固醇沉积和局部低度炎症反应;孟德尔随机化证据显示,RC每升高1 mmol/L与CRP升高28%因果相关。另一方面,炎症可改变脂质成分生理功能:系统和血管炎症导致高密度脂蛋白功能障碍,表现为逆向胆固醇转运受损以及抗炎和抗氧化能力下降。这些互为机制可能部分解释两个队列中AIP-CRP的非线性关联。曲线右臂可能反映致动脉粥样硬化性血脂异常和系统性炎症叠加效应,协同促进内皮功能障碍和斑块形成;分布低端风险升高可能反映营养不良、衰弱或隐匿慢性病,此时脂质和炎症储备均耗竭。不过,这些机制不能完全解释高血压的显著修饰效应。高血压中血管内皮持续机械应力可诱导内皮炎症激活,并与脂质沉积协同损伤,因此预期这些参数关联在高血压个体中更明显,但结果相反。该悖论可能反映血压驱动损伤在高血压个体中占主导,使这些参数的增量预测价值较小。实践中,这些发现强调应用这些参数时需考虑高血压状态,同时需要机制研究阐明该亚组差异基础。这些参数可直接由常规血脂检测联合CRP测量计算。临床实践中,应根据目标人群特征、预测时间窗和患者基础疾病状态选择指标。公共卫生层面,它们为大规模全因死亡风险分层提供简单、低成本工具,尤其在资源有限环境中。研究优势包括:双队列设计允许在两个国家人群中交叉验证;引入调查权重将结果外推至国家层面;在统一分析框架中比较八种参数;结合剂量–反应分析与动态预测;系统评估稳健性和异质性。局限包括:观察性设计,尽管校正多种混杂因素仍不能排除残余混杂;参数仅来自单次基线测量,无法捕捉随访期间动态轨迹或治疗干预影响;部分NHANES周期LDL-C使用Friedewald公式估计,可能影响准确性;两个队列在死亡确认、随访模式和基线用药记录方面存在客观差异;结果可能受参与偏倚影响,这在人群研究中常见。
研究结论翻译:本研究表明,非传统脂质-炎症参数与中老年人全因死亡呈正相关。仅需常规血脂谱和炎症检测,这些参数简单、低成本且易于获取,可作为全因死亡早期风险分层的实用工具。