《Frontiers in Endocrinology》:Development and validation of a cross-sectional risk screening nomogram for carotid plaque based on routine health examination data and the triglyceride-glucose-waist-to-hip ratio
编辑推荐:
摘要:动脉粥样硬化性心血管疾病(ASCVD)的全球首要死因地位使得在一般人群中识别已存在颈动脉斑块(Carotid Plaque, CP)的高危个体对一级预防至关重要。现有工具未能充分捕捉胰岛素抵抗(Insulin Resistance, IR)与中心性肥胖的
摘要:动脉粥样硬化性心血管疾病(ASCVD)的全球首要死因地位使得在一般人群中识别已存在颈动脉斑块(Carotid Plaque, CP)的高危个体对一级预防至关重要。现有工具未能充分捕捉胰岛素抵抗(Insulin Resistance, IR)与中心性肥胖的共同影响。本研究旨在利用常规健康体检数据开发一个用于识别现患颈动脉斑块的横断面风险分层模型。研究人员纳入体检队列中4992例受试者构成开发集并按7:3随机分为训练集与内部验证集,另纳入3812例受试者构成时序验证集(Temporal Validation Set)。所有变量与结局(有无颈动脉斑块)均同步采集于同一体检周期。计算甘油三酯-葡萄糖-腰臀比(Triglyceride-glucose-waist-to-hip ratio, TyG-WHR),采用递归特征消除(Recursive Feature Elimination, RFE)进行变量筛选,构建Logistic回归列线图(Nomogram)。结果显示TyG-WHR与现患CP独立相关,其判别效能[曲线下面积(Area Under the Curve, AUC)=0.689]优于传统TyG指数(AUC=0.642);在时序验证集中,TyG-WHR对传统临床变量基础模型的增量价值显著[净重新分类改善(Net Reclassification Improvement, NRI)=0.472, P<0.001]。基于8项常规体检指标构建的Logistic回归列线图在时序验证集中AUROC达0.85,校准度良好。无外部验证前结果仅供研究用途,不应直接用于临床实践。讨论:该基于常规体检数据的横断面列线图为一般体检人群中发现可能已存在亚临床颈动脉斑块的个体提供了便捷的辅助筛查工具,支持大规模体检中的风险分层,须强调本模型用于识别当前可能存在的亚临床颈动脉斑块而非预测未来新发事件。
论文解读:基于常规健康体检数据与甘油三酯-葡萄糖-腰臀比(TyG-WHR)构建颈动脉斑块横断面风险筛查列线图的开发与验证
一、研究背景与目的
动脉粥样硬化性心血管疾病(Atherosclerotic Cardiovascular Disease, ASCVD)是全球首要致死致残原因,颈动脉作为全身动脉系统的"窗口",检测颈动脉斑块(Carotid Plaque, CP)可为评估动脉粥样硬化负荷提供早期可及标志物。准确识别亚临床期已存在CP的个体对ASCVD一级预防具有重要公共卫生意义。传统风险评估依赖年龄、高血压、糖尿病及血脂异常等因素,但无法完全解释个体风险异质性——胰岛素抵抗(Insulin Resistance, IR)与异常脂肪分布交织的致病通路可能被忽视。甘油三酯-葡萄糖(Triglyceride-glucose, TyG)指数是IR的可靠替代指标,但未纳入中心性肥胖这一独立危险维度;腰臀比(Waist-to-Hip Ratio, WHR)反映中心性肥胖,TyG与WHR结合形成的TyG-WHR理论上可同时捕获IR与不良脂肪分布两大关键通路,但其在一般人群CP横断面筛查中的表现及其相对于TyG指数的增量价值尚未充分验证。随着数据驱动方法在临床医学中的应用,利用常规体检指标构建具有满意区分度、校准度和泛化性的筛查工具成为可能。本研究旨在系统评价TyG-WHR与现患CP的关联,并基于常规临床指标构建横断面风险筛查列线图(Nomogram),以简便直观方式进行个体化风险分层,指导颈动脉超声检查的决策。
二、主要技术方法
研究人员回顾性收集解放军总医院第一医学中心健康体检并完成首次颈动脉超声诊断者的数据,开发集4992例(2014—2017年,CP组1549例,非CP组3443例)按7:3随机分为训练集(n=3496)与内部验证集(n=1496),另纳入2020—2021年时序验证集3812例。排除标准详见原文流程图。TyG-WHR计算公式为Ln[TG(mg/dL)×Glu(mg/dL)/2]×腰围(cm)/臀围(cm)。缺失率≤10%的变量用随机森林多重插补(R mice包)。先剔除高度相关变量消除多重共线性,再用递归特征消除(Recursive Feature Elimination, RFE)结合随机森林筛选最优特征子集。基于筛选出的变量构建7种机器学习模型,最终选择Logistic回归制作列线图。用ROC曲线、Hosmer-Lemeshow检验、Brier Score及决策曲线分析(Decision Curve Analysis, DCA)评估模型性能,用净重新分类改善(Net Reclassification Improvement, NRI)和综合判别改善指数(Integrated Discrimination Improvement, IDI)评估TyG-WHR增量价值,限制性立方样条(Restricted Cubic Spline, RCS)分析剂量-反应关系,按性别、年龄、BMI、高血压及糖尿病史进行亚组分析与分层验证。
三、研究结果
3.1 研究人群基线特征:开发集总体中位年龄50.0岁,男性占68.65%,CP患病率31.03%。CP组较非CP组年龄更大,高血压及糖尿病患病率更高,收缩压(Systolic Blood Pressure, SBP)、空腹血糖、糖化血红蛋白(Glycated Hemoglobin, HbA1c)、甘油三酯(Triglyceride, TG)、TyG、TyG-WHR等代谢与体脂分布指标均显著升高(均P<0.001),炎症凝血指标中性粒细胞-淋巴细胞比(Neutrophil-to-Lymphocyte Ratio, NLR)、单核细胞-高密度脂蛋白胆固醇比(Monocyte-to-High-density Lipoprotein Cholesterol Ratio, MHR)、纤维蛋白原(Fibrinogen, FIB)也显著升高。
3.2 TyG-WHR和TyG指数与颈动脉斑块的关联:多因素Logistic回归显示,调整人口学特征、BMI及主要心血管代谢危险因素后,TyG-WHR最高四分位(Q4)较最低四分位(Q1)患CP风险在开发集为OR=2.404(95% CI: 1.854–3.116),在时序验证集达OR=3.814(95% CI: 2.626–5.542);而TyG指数Q4 vs Q1在开发集OR=1.390,时序验证集OR=1.684,TyG-WHR关联强度明显更强。每SD增加分析中TyG-WHR的OR亦高于TyG指数。
3.3 TyG-WHR和TyG指数与颈动脉斑块关联的亚组分析:在开发集中TyG指数在女性、≥60岁、有高血压或糖尿病史者中无显著关联且存在性别交互(P-for-interaction<0.001);TyG-WHR在所有分析亚组中均呈显著正相关(均P<0.05),在时序验证集各亚组亦均显著,且在女性、≥60岁、无糖尿病人群中关联更强。
3.4 TyG-WHR/TyG指数与现患颈动脉斑块的剂量-反应关系:RCS分析显示TyG指数(P-for-nonlinearity=0.015开发集,=0.002时序验证集)与TyG-WHR(均P-for-nonlinearity<0.001)均与CP风险呈非线性剂量-反应关系,TyG-WHR随指数升高风险曲线更陡峭。
3.5 TyG-WHR和TyG指数对现患颈动脉斑块的判别性能:开发集TyG-WHR的AUC=0.633(95% CI: 0.617–0.649)优于TyG的0.585(0.569–0.602);时序验证集TyG-WHR AUC=0.689(0.672–0.706)优于TyG的0.642(0.625–0.660),最佳截断值处灵敏度分别为72.05%和78.01%。
3.6 特征筛选:经相关性分析与RFE结合随机森林五折交叉验证,最终确定8个核心预测因子:年龄、估算肾小球滤过率(estimated Glomerular Filtration Rate, eGFR)、TyG-WHR、SBP、FIB、尿酸(Uric Acid, UA)、MHR、总胆固醇(Total Cholesterol, CHO),VIF检验无多重共线性问题,10折嵌套交叉验证平均AUC=0.791与内部验证一致,提示未发生过拟合。
3.7 模型评估:Logistic回归及其他6种机器学习模型在内部验证集AUROC 0.74–0.79,Logistic回归AUROC=0.793(95% CI: 0.770–0.815),校准好(Brier Score=0.167),DCA显示临床净获益。时序验证集Logistic回归AUROC=0.85(95% CI: 0.840–0.860),校准接近理想(Brier Score=0.182)。考虑到列线图便于基层纸质使用且性能等同于SVM,最终选定Logistic回归为最终模型。推荐高灵敏度筛查截值(预测概率=0.25),时序验证集灵敏度=0.81,特异度=0.75,阳性预测值(Positive Predictive Value, PPV)=0.49,阴性预测值(Negative Predictive Value, NPV)=0.89。
3.8 列线图(Nomogram):基于8变量Logistic回归系数绘制列线图,各变量赋分求和得总分再读取现患CP概率。回归公式:线性预测值LP=?13.895+0.137×年龄+0.014×SBP+0.263×TyG-WHR+0.236×FIB+0.002×UA?0.004×eGFR+0.531×MHR+0.085×CHO;患病概率P=1/[1+exp(?LP)]。TyG-WHR每单位增加OR=1.300(1.161–1.456),年龄每增1岁OR=1.147,MHR每单位OR=1.700,其余变量均显著(均P<0.05)。
3.9 TyG-WHR的增量价值:基础模型(年龄、性别、BMI、SBP、舒张压(Diastolic Blood Pressure, DBP)、高血压史、糖尿病史)C-statistic在时序验证集为0.692,加入TyG-WHR后升至0.745;NRI=0.472(95% CI: 0.416–0.532, P<0.001),IDI=0.025(P<0.001),似然比χ2=37.20(P<0.001),内部验证集结果同样显著,表明TyG-WHR提供传统变量以外的独立判别信息。
3.10 不同亚组模型性能:列线图在女性(时序验证AUC=0.88)、BMI<24 kg/m2(AUC=0.89)、无糖尿病人群中判别较好;在≥60岁亚组AUC仅0.66及高血压亚组AUC=0.71,判别能力不足,故建议本列线图适用人群限定为<60岁且无高血压的一般体检人群。
四、讨论与结论
研究人员讨论指出,TyG-WHR优于单纯TyG指数的病理生理基础在于同时整合IR与中心性肥胖两个动脉粥样硬化核心驱动因素,在非糖尿病人群中尤能敏感识别已存在血管损害的高危者。TyG-WHR对传统变量基础模型的NRI达0.472,证实其具显著增量判别价值。本模型含年龄(血管损害累积)、TyG-WHR(代谢炎症与IR)、SBP(血流动力学应力)、FIB(凝血与急性相炎症)、MHR(炎症-逆向转运)、UA(内皮功能)、CHO(经典脂质风险)、eGFR(肾-血管损伤标志),从多维病理生理角度综合评估。Logistic回归简洁透明、EPV充足(≈136)且复杂非线性模型未显示出更优泛化能力。列线图输入变量均为常规体检项目,在社区或体检中心可作为颈动脉超声前初筛工具,推荐高灵敏度截值以减少漏诊,DCA支持其临床决策辅助潜力。亚组分析明确不适用于≥60岁及已确诊高血压人群。局限性包括单中心回顾设计、无真正外部验证、横断面不能推断因果或预测新发事件、缺用药史与生活方式信息、老年与高血压亚组效能不足、高灵敏度截值伴随假阳性升高、尚无前瞻性实效验证。
结论(翻译):本研究系统验证了TyG-WHR指数对一般人群现患颈动脉斑块的独立判别价值,其判别性能优于传统TyG指数,并在传统临床变量之外提供显著且可重复的增量信息。在此基础上构建的列线图为大规模健康体检场景下颈动脉斑块风险分层提供了便捷、低成本的辅助工具。本模型旨在识别当前可能已存在斑块的个体,而非预测未来新发事件。