遗传学证据表明重症COVID-19加速纵向脑萎缩:一项孟德尔随机化研究

《Medical Care》:Genetic evidence that advanced COVID-19 accelerates longitudinal brain atrophy: A Mendelian randomization study

【字体: 大 中 小 】 时间:2026年09月27日 来源:Medical Care 1.9

编辑推荐:

   中性粒细胞百分比与白蛋白比值(NPAR)同时反映了全身性炎症和营养状态,这两个因素与癌症进展和心血管疾病(CVD)密切相关。尽管 NPAR 已被证明与各类人群的不良结局相关,但其在合并 CVD 的癌症幸存者中的预后价值尚不明确。本研究旨在利用具有全国代表性的美国数据,评估 N

  

中性粒细胞百分比与白蛋白比值(NPAR)同时反映了全身性炎症和营养状态,这两个因素与癌症进展和心血管疾病(CVD)密切相关。尽管 NPAR 已被证明与各类人群的不良结局相关,但其在合并 CVD 的癌症幸存者中的预后价值尚不明确。本研究旨在利用具有全国代表性的美国数据,评估 NPAR 与该高风险人群中全因死亡率之间的关联。我们利用美国国家健康和营养检查调查(NHANES,1999–2018)的数据进行了一项回顾性队列研究。共有 1101 名同时患有癌症和 CVD 的成年患者被纳入研究。NPAR 作为暴露变量进行评估,全因死亡率为结果指标。根据 NPAR 将参与者分为三分位数组。使用 Kaplan-Meier 生存曲线比较各组间的死亡率,并采用 Cox 比例风险回归模型评估 NPAR 与死亡风险之间的独立关联。在中位随访 77.9 个月期间,较高的 NPAR 水平与全因死亡率升高显著相关。Kaplan-Meier 分析显示各组间生存差异具有统计学意义(P < .0001)。最低、中间和最高三分位数组的中位生存时间分别为 73.0 个月(IQR:41.0–127.0)、70.0 个月(IQR:36.0–116.0)和 53.0 个月(IQR:26.8–102.0)。多变量 Cox 回归分析证实,与中间三分位数组相比,最高三分位数组参与者的死亡风险显著增加(HR = 1.54,95% CI:1.24–1.90,P < .001)。升高的 NPAR 独立关联于合并 CVD 的成年癌症幸存者的全因死亡率升高。作为一种简单且易于获取的生物标志物,NPAR 可能成为该高风险人群中早期风险分层和个体化管理的有用工具。

1. 引言
医疗技术和治疗策略的进步导致全球癌症幸存者人口稳步增加。根据美国癌症协会的预测,预计 2025 年美国将发生约 2,041,910 例新发癌症病例和 618,120 例癌症相关死亡。[1] 尽管肿瘤学预后有所改善,但心血管疾病(CVD)已成为该人群的主要合并症。大规模流行病学调查表明,近三分之一的癌症患者会发生 CVD 并发症。[2] 此外,美国癌症幸存者的 CVD 相关死亡风险显著高于普通人群,多项研究报告称,与无癌症个体相比,癌症患者的 CVD 相关死亡风险不成比例地升高。[3]

中性粒细胞百分比与白蛋白比值(NPAR)是一种新型复合生物标志物,整合了炎症和营养状态,计算方式为中性粒细胞百分比与血清白蛋白浓度之比。[4] 该指数全面反映了由中性粒细胞介导的全身性炎症以及由白蛋白水平代表的营养状况。[5] 炎症和营养不良均是公认的癌症和心血管疾病的发病和进展诱因,且对患者预后产生重大影响。[6] 重要的是,NPAR 易于获取、成本低廉且计算简单,既往研究已证明其与多种状况的不良结局相关,包括传染病、糖尿病、高血压、心力衰竭和胆石症。[7-11] 新兴证据进一步表明,NPAR 可作为肿瘤人群中全因死亡率和癌症特异性死亡率的预测因子,同时也与心血管疾病的风险和患病率相关。[12,13]

通过同时捕捉炎症和营养轴,NPAR 被提议作为风险分层和临床决策中的有用辅助工具。最近的调查显示,NPAR 能有效预测包括慢性病患者、重症患者甚至普通社区人群在内的多种人群的全因死亡率和疾病特异性死亡率。[14,15] 来自大规模队列研究(如美国国家健康和营养检查调查(NHANES))的结果进一步证实,NPAR 独立预测全因死亡率和心血管疾病死亡率,突显了其预后价值。[16] 然而,NPAR 在合并心血管疾病的癌症幸存者中的预后意义仍未得到充分阐明。迄今为止,专门针对该高风险人群的系统性研究稀缺,支持 NPAR 在此背景下临床应用的确凿证据尚缺。

基于上述考虑,本研究采用回顾性队列设计,利用 NHANES 1999–2018 的大规模数据,系统评估了合并心血管疾病的成年癌症患者中 NPAR 与全因死亡率之间的关联。应用严格的纳入和排除标准以最小化潜在混杂,并进行多变量调整以确保结果的准确性和可重复性。本研究不仅旨在进一步阐明 NPAR 在该高风险人群中的预测价值和适用性,还为炎症和营养相关生物标志物在临床风险分层和个体化干预中的作用提供了重要证据。最终,我们的研究结果可能为同时患有癌症和心血管疾病患者的管理提供新视角。

2. 材料与方法
2.1. 研究人群
本回顾性队列研究利用了 1999 年至 2018 年期间的 NHANES 数据,随访于 2018 年完成。研究人群由该期间 NHANES 数据库中识别出的所有成年癌症幸存者组成。NHANES 经国家卫生统计中心伦理审查委员会批准进行,并获得了所有参与研究人员的知情书面同意。最初共筛查了 5166 名个体。白蛋白数据缺失(n = 736)或中性粒细胞百分比数据缺失(n = 22)的参与者被排除。此外,无心血管疾病(CVD)病史的个体(n = 3307)被从队列中移除。应用这些纳入和排除标准后,仍有 1101 名合并 CVD 的成年癌症幸存者符合条件进行分析。纳入和排除过程如图 1 所示。疾病诊断根据 NHANES 标准定义,基于医生访谈、自我报告问卷、体格检查和实验室检测。数据收集遵循结构化和标准化方案,所有程序均由受过训练的人员执行,以确保准确性和可靠性。

开放多媒体模态
图 1.
开放多媒体模态
参与者选择流程图。CVD = 心血管疾病,NHANES = 美国国家健康和营养检查调查。

2.2. 研究变量
主要暴露变量为 NPAR,计算方式为中性粒细胞百分比乘以 100 后除以白蛋白浓度(g/dL)。所有实验室数据均取自 NHANES 标准化检测结果。NPAR 既作为连续变量分析,也作为按三分位数分层的分类变量分析,以评估剂量 - 反应关系。主要结局为合并 CVD 的癌症幸存者的全因死亡率,通过与美国国家死亡索引(NDI)链接确定。根据既往流行病学研究,全因死亡率定义为任何记录原因的死亡。[17]

协变量包括人口特征,如年龄、性别、种族、婚姻状况、教育水平和贫困 - 收入比;生活方式因素,包括吸烟和饮酒;以及临床状况,如高血压、糖尿病、血脂异常和妊娠。其他实验室参数包括糖化血红蛋白、肌酐、总蛋白、尿酸、钙、总胆固醇、甘油三酯、白细胞计数、红细胞计数、血小板计数和淋巴细胞计数。这些协变量的选择基于已确立的流行病学证据,以最小化残留混杂。所有测量和分类均遵循 NHANES 标准。

2.3. 伦理声明
本研究按照《赫尔辛基宣言》进行。NHANES 项目获得了国家卫生统计中心(NCHS)和国立卫生研究院(NIH)机构审查委员会的批准。所有参与者在入组时均获得了书面知情同意。由于本研究是对公开可用、去标识化数据的二次分析,因此无需额外的知情同意。所有与数据收集、存储和使用相关的程序均符合国际数据安全和隐私保护标准。

2.4. 统计分析
正态分布的连续变量报告为平均值±标准差(SD),组间比较使用 Student t 检验或方差分析(ANOVA)进行评估。非正态分布的连续变量表示为中位数和四分位数间距,组间差异使用 Mann-Whitney U 检验或 Kruskal-Wallis H 检验进行测试。分类变量以频率和百分比表示,组间差异使用 χ2 检验或 Fisher 精确检验进行检查。

NPAR 被分为三分位数用于生存分析。使用 Kaplan-Meier 曲线和 log-rank 检验比较各组间的全因死亡率。使用 Cox 比例风险回归模型评估 NPAR 与死亡风险之间的关联。应用了逐步建模方法。未调整模型(模型 0)之后进行连续调整。模型 1 调整了年龄和性别。模型 2 额外调整了种族、婚姻状况、贫困 - 收入比和教育水平。模型 3 进一步纳入了吸烟状况、饮酒情况、体质指数、糖尿病、血脂异常和高血压。模型 4 将调整扩展至包括实验室生物标志物,如糖化血红蛋白、肌酐、总蛋白、尿酸、钙、血脂谱和血常规参数。报告了风险比(HR)和 95% 置信区间(CI)。

为了评估稳健性,进行了亚组和敏感性分析。协变量的缺失数据通过多重插补处理。所有统计分析均使用 R 统计软件(R 统计计算基金会,奥地利维也纳)完成。双侧 P 值 < .05 被视为具有统计学意义。

3. 结果
3.1. 研究人群的基线特征
分析中共纳入 1101 名合并 CVD 的成年癌症幸存者,其中男性占 56.8%,女性占 43.2%。研究人群的平均年龄为 71.8±11.1 岁。根据 NPAR 将参与者分为三分位数组(从最低 NPAR 三分位数组到最高 NPAR 三分位数组 [Q1–Q3])。基线特征总结于表 1。各组间在人口特征、生活方式和临床生化指标方面观察到显著差异。值得注意的是,较高的 NPAR 水平与年龄较大、体质指数(BMI)较高以及多项实验室参数数值增加相关,而已婚个体和当前饮酒者的比例随着 NPAR 水平的升高而下降(表 1)。

表 1
按 NPAR 三分位数组划分的基线特征。

| 变量 | 总计 (n = 1101) | Q1 (n = 364) | Q2 (n = 369) | Q3 (n = 368) | P 值 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| 年龄,均值±SD | 71.8±11.1 | 69.6±12.0 | 72.9±9.9 | 72.8±10.9 | <.001 |
| 性别,n (%) | .347 | | | | |
|   男性 | 625 (56.8) | 196 (53.8) | 218 (59.1) | 211 (57.3) | |
|   女性 | 476 (43.2) | 168 (46.2) | 151 (40.9) | 157 (42.7) | |
| 种族,n (%) | .071 | | | | |
|   非西班牙裔白人 | 818 (74.3) | 249 (68.4) | 280 (75.9) | 289 (78.5) | |
|   非西班牙裔黑人 | 146 (13.3) | 61 (16.8) | 45 (12.2) | 40 (10.9) | |
|   墨西哥裔美国人 | 64 (5.8) | 24 (6.6) | 20 (5.4) | 20 (5.4) | |
|   其他西班牙裔 | 32 (2.9) | 16 (4.4) | 11 (3.0) | 5 (1.4) | |
|   其他种族 - 包括多种族 | 41 (3.7) | 14 (3.8) | 13 (3.5) | 14 (3.8) | |
| 婚姻状况,n (%) | .008 | | | | |
|   已婚/同居伴侣 | 605 (55.0) | 214 (58.8) | 213 (57.7) | 178 (48.4) | |
|   未婚/其他 | 496 (45.0) | 150 (41.2) | 156 (42.3) | 190 (51.6) | |
| 贫困 - 收入比组,n (%) | .593 | | | | |
|   ≤1.30 | 335 (30.4) | 113 (31.0) | 103 (27.9) | 119 (32.3) | |
|   1.31–3.50 | 495 (45.0) | 156 (42.9) | 175 (47.4) | 164 (44.6) | |
|   >3.50 | 271 (24.6) | 95 (26.1) | 91 (24.7) | 85 (23.1) | |
| 教育水平,n (%) | .538 | | | | |
|   高中以下 | 331 (30.1) | 104 (28.6) | 107 (29.0) | 120 (32.6) | |
|   高中或同等学历 | 252 (22.9) | 81 (22.3) | 93 (25.2) | 78 (21.2) | |
|   高中以上 | 518 (47.0) | 179 (49.2) | 169 (45.8) | 170 (46.2) | |
| 吸烟,n (%) | .152 | | | | |
|   从不 | 382 (34.7) | 124 (34.1) | 139 (37.7) | 119 (32.3) | |
|   以前吸烟 | 538 (48.9) | 169 (46.4) | 181 (49.1) | 188 (51.1) | |
|   当前吸烟 | 181 (16.4) | 71 (19.5) | 49 (13.3) | 61 (16.6) | |
| 饮酒,n (%) | .016 | | | | |
|   从不 | 162 (14.7) | 51 (14.0) | 54 (14.6) | 57 (15.5) | |
|   以前饮酒 | 390 (35.4) | 113 (31.0) | 124 (33.6) | 153 (41.6) | |
|   当前饮酒 | 549 (49.9) | 200 (54.9) | 191 (51.8) | 158 (42.9) | |
| 体质指数 (kg/m2),均值±SD | 29.2±6.3 | 28.6±5.4 | 29.2±6.4 | 29.8±7.0 | .024 |
| 糖尿病,n (%) | .132 | | | | |
|   无 | 675 (61.3) | 238 (65.4) | 222 (60.2) | 215 (58.4) | |
|   有 | 426 (38.7) | 126 (34.6) | 147 (39.8) | 153 (41.6) | |
| 血脂异常,n (%) | .28 | | | | |
|   无 | 124 (11.3) | 35 (9.6) | 49 (13.3) | 40 (10.9) | |
|   有 | 977 (88.7) | 329 (90.4) | 320 (86.7) | 328 (89.1) | |
| 高血压,n (%) | .474 | | | | |
|   无 | 213 (19.3) | 76 (20.9) | 73 (19.8) | 64 (17.4) | |
|   有 | 888 (80.7) | 288 (79.1) | 296 (80.2) | 304 (82.6) | |
| 糖化血红蛋白 (HbA1c)%,均值±SD | 6.1±1.1 | 6.0±1.1 | 6.0±1.0 | 6.2±1.2 | .032 |
| 肌酐 (Cr),中位数 (IQR) mg/dL | 1.0 (0.8, 1.3) | 1.0 (0.8, 1.2) | 1.0 (0.8, 1.2) | 1.1 (0.9, 1.4) | <.001 |
| 总蛋白 (TP),均值±SD g/dL | 7.0±0.5 | 7.2±0.5 | 7.1±0.5 | 6.9±0.5 | <.001 |
| 钙 (Ca) mg/dL,均值±SD | 9.4±0.4 | 9.5±0.4 | 9.4±0.4 | 9.3±0.4 | <.001 |
| 尿酸 (UA) mg/dL,均值±SD | 6.1±1.7 | 6.0±1.5 | 6.0±1.7 | 6.3±1.8 | .039 |
| 甘油三酯 (TR) mg/dL,均值±SD | 181.5±46.5 | 191.5±48.4 | 178.5±41.9 | 174.7±47.4 | <.001 |
| 总胆固醇 (TC) mg/dL,中位数 (IQR) | 135.0 (95.0, 201.0) | 143.5 (100.8, 212.0) | 134.0 (90.0, 192.0) | 132.0 (93.8, 190.8) | .06 |
| 白细胞计数 (WBC) 103 cells/μL,中位数 (IQR) | 7.1 (5.8, 8.6) | 6.7 (5.4, 8.1) | 6.9 (5.7, 8.3) | 7.8 (6.4, 9.4) | <.001 |
| 红细胞计数 (RBC) 10? cells/μL,均值±SD | 4.5±0.6 | 4.5±0.5 | 4.5±0.5 | 4.4±0.6 | .009 |
| 血小板计数 (PLT) 103 cells/μL,均值±SD | 231.9±73.9 | 231.8±70.2 | 233.6±70.9 | 230.2±80.2 | .823 |
| 淋巴细胞计数 (LC) 103 cells/μL,中位数 (IQR) | 1.7 (1.3, 2.3) | 2.2 (1.7, 2.8) | 1.7 (1.3, 2.1) | 1.4 (1.1, 1.8) | <.001 |
| 随访时间 (月),中位数 (IQR) | 67.0 (33.0, 113.0) | 73.0 (41.0, 127.0) | 70.0 (36.0, 116.0) | 53.0 (26.8, 102.0) | <.001 |

数值以均值±标准差 (SD)、中位数与四分位数间距 (IQR) 或数量 (百分比) 表示,视情况而定。组间差异使用单因素方差分析或 Kruskal-Wallis 检验评估连续变量,使用 χ2 检验评估分类变量。
BMI = 体质指数,Ca = 钙,Cr = 肌酐,DM = 糖尿病,IQR = 四分位数间距,LC = 淋巴细胞计数,NPAR = 中性粒细胞百分比与白蛋白比值,PIR = 贫困 - 收入比,PLT = 血小板计数,RBC = 红细胞计数,SD = 标准差,TC = 总胆固醇,Time_exm = 随访时间(月),TP = 总蛋白,TR = 甘油三酯,UA = 尿酸,WBC = 白细胞计数。

3.2. 多变量 Cox 回归
多变量 Cox 比例风险回归表明,NPAR 升高与全因死亡风险增加之间存在显著关联。与中间三分位数组(Q2)相比,最高三分位数组(Q3)参与者的死亡风险显著增加,且在调整多个协变量后,这种关系依然存在(表 1)。趋势分析表明,NPAR 增加与死亡风险之间存在正相关关联。在完全调整模型(模型 4)中,NPAR 每增加一个单位均与显著更高的死亡风险相关(HR = 1.28,95% CI:1.13–1.45,P < .001)。

详细结果见表2。表2 NPAR与全因死亡率在不同模型中的Cox回归分析。组别、模型0、模型1、模型2、模型3、模型4的风险比(95%置信区间)及P值如下:NPAR的风险比分别为3.02(2.26–4.04)、2.56(1.90–3.46)、2.38(1.76–3.23)、2.40(1.76–3.26)、2.34(1.58–3.45),P值均<.001。Q2相对Q1的风险比分别为1、1、1、1、1。Q3相对Q1的风险比分别为0.77(0.62–0.95)、0.91(0.73–1.13)、0.93(0.75–1.16)、0.93(0.75–1.16)、0.96(0.76–1.21),P值分别为.015、.383、.518、.527、.722。趋势检验的风险比分别为1.43(1.29–1.59)、1.34(1.21–1.49)、1.30(1.17–1.45)、1.32(1.19–1.47)、1.28(1.13–1.45),P值均<.001。风险比(HR)及其95%置信区间(CI)采用Cox比例风险回归模型计算。模型0未做校正;模型1校正了年龄和性别;模型2额外校正了种族/民族、婚姻状况、贫困收入比(PIR)和教育程度;模型3进一步校正了吸烟状况、饮酒、体重指数(BMI)、糖尿病、高脂血症和高血压;模型4额外校正了糖化血红蛋白(HbA1c)、肌酐、总蛋白、尿酸、钙、总胆固醇、甘油三酯、白细胞计数、红细胞计数、血小板计数和淋巴细胞计数。CI = 置信区间,HR = 风险比,NPAR = 中性粒细胞百分比与白蛋白比值。

3.3 生存分析
Kaplan-Meier生存分析显示,3个NPAR组之间的全因生存率存在显著差异(P < .0001)。Q1组的平均生存时间为85.6个月,Q2组(中间NPAR三分位)为80.8个月,Q3组为67.2个月。在随访期间,最高三分位组的生存概率持续低于中位和最低三分位组,而Q1组的参与者表现出最佳的生存结局。基线时各组的危险人数相当,并随时间推移按比例下降(图2)。

图2 Kaplan-Meier全因死亡率曲线,按NPAR三分位分组。NPAR = 中性粒细胞百分比与白蛋白比值。

3.4 非线性关系
采用Cox样条回归和阈值效应分析探索NPAR与死亡率之间关联的形状(表3和图3)。结果显示二者之间存在非线性关系。在NPAR值为1.209处观察到阈值效应。超过该阈值后,NPAR升高会显著增加死亡风险,而低于该点的变化在统计学上无意义。总体关联具有高度显著性(P总体 < .001),非线性证据充分(P非线性 < .001)。

表3 NPAR与全因死亡率的关联:Cox断点与非线性分析。项目、断点、风险比(95%置信区间)及P值如下:E_BK1的断点为1.209(1.179, 1.238),P值不适用。Slope1的风险比为0.185(0.02, 1.735),P值为.1396。Slope2的风险比为2.804(1.61, 4.885),P值<.001。似然比检验的P值为.011。非线性检验1的P值为.004。非线性检验2的P值为.005。断点和斜率估计值源自带有分段(分片)分析的Cox比例风险回归模型。似然比检验用于比较分段模型与单一线性模型。采用限制立方样条函数评估NPAR与全因死亡率之间的非线性关联(*1和*2表示不同的样条模型规格)。CI = 置信区间,HR = 风险比,NA = 不适用,NPAR = 中性粒细胞百分比与白蛋白比值。

图3 中性粒细胞百分比与白蛋白比值(NPAR)与全因死亡风险的非线性关系。(A)分段Cox回归(阈值)分析(B)平滑曲线拟合(Cox模型)。NPAR = 中性粒细胞百分比与白蛋白比值。

3.5 ROC曲线分析
受试者工作特征(ROC)曲线分析结果显示曲线下面积(AUC)为0.602(95% CI: 0.568–0.635),表明单独使用时判别能力有限(图4)。NPAR的最佳临界值为1.545,对应的灵敏度为0.669,特异度为0.492。

图4 NPAR的ROC曲线。AUC = 曲线下面积,NPAR = 中性粒细胞百分比与白蛋白比值,ROC = 受试者工作特征曲线。

3.6 亚组分析
按性别、年龄、婚姻状况、收入、教育程度、吸烟和饮酒状况、慢性合并症及BMI进行的亚组分析一致显示,较高的NPAR与全因死亡风险增加相关。例如,在男性中,NPAR升高与死亡显著相关(校正后风险比 = 2.15,95% CI: 1.27–3.64),在女性中也观察到类似的关联(校正后风险比 = 2.42,95% CI: 1.20–4.87)。NPAR与各分层变量之间未观察到显著交互作用(所有P交互 > 0.05),表明该关联在不同人群亚组中具有稳健性。详细结果见表4和图5。

表4 中性粒细胞百分比与白蛋白比值(NPAR)与全因死亡关联的亚组分析。亚组、总人数、事件数(%)、粗风险比(95%置信区间)、粗P值、校正风险比(95%置信区间)、校正P值及交互P值如下:

性别:
男性:625人,45例(55.2%),粗风险比2.83(1.91–4.19),粗P值<.001,校正风险比2.15(1.27–3.64),校正P值.005,交互P值.446。
女性:476人,236例(49.6%),粗风险比3.24(2.09–5.03),粗P值<.001,校正风险比2.42(1.20–4.87),校正P值.013。

年龄(岁):
<70岁:355人,109例(30.7%),粗风险比3.59(1.84–6.98),粗P值<.001,校正风险比2.60(0.79–8.55),校正P值.117,交互P值.275。
≥70岁:746人,472例(63.3%),粗风险比2.44(1.75–3.40),粗P值<.001,校正风险比2.19(1.41–3.41),校正P值<.001。

婚姻状况:
已婚/有伴侣:605人,299例(49.4%),粗风险比2.56(1.66–3.95),粗P值<.001,校正风险比2.89(1.50–5.58),校正P值.002,交互P值.144。
未婚/其他:496人,282例(56.9%),粗风险比3.28(2.20–4.89),粗P值<.001,校正风险比2.80(1.58–4.94),校正P值<.001。

贫困收入比(PIR):
≤1.30:335人,174例(51.9%),粗风险比3.40(1.97–5.87),粗P值<.001,校正风险比3.89(1.41–10.74),校正P值.009,交互P值.426。
1.31–3.50:495人,287例(58.0%),粗风险比3.06(2.04–4.60),粗P值<.001,校正风险比2.12(1.21–3.73),校正P值.009。
>3.50:271人,120例(44.3%),粗风险比2.46(1.27–4.78),粗P值.008,校正风险比2.66(1.01–7.00),校正P值.048。

教育程度:
初中及以下:331人,206例(62.2%),粗风险比2.01(1.26–3.21),粗P值.003,校正风险比1.80(0.87–3.74),校正P值.114,交互P值.272。
高中:252人,127例(50.4%),粗风险比3.87(2.00–7.50),粗P值<.001,校正风险比4.52(1.81–11.32),校正P值.001。
高中以上:518人,248例(47.9%),粗风险比3.84(2.41–6.10),粗P值<.001,校正风险比3.03(1.56–5.90),校正P值.001。

吸烟:
从不吸烟:382人,192例(50.3%),粗风险比2.37(1.41–3.99),粗P值.001,校正风险比2.29(1.16–4.52),校正P值.017,交互P值.997。
曾经吸烟:538人,309例(57.4%),粗风险比3.50(2.34–5.24),粗P值<.001,校正风险比2.32(1.30–4.16),校正P值.005。
目前吸烟:181人,80例(44.2%),粗风险比2.97(1.41–6.25),粗P值.004,校正风险比2.75(0.55–13.78),校正P值.219。

饮酒:
从不饮酒:162人,91例(56.2%),粗风险比2.37(1.15–4.89),粗P值.019,校正风险比3.51(1.07–11.53),校正P值.039,交互P值.969。
曾经饮酒:390人,239例(61.3%),粗风险比2.68(1.74–4.12),粗P值<.001,校正风险比2.35(1.16–4.73),校正P值.017。
目前饮酒:549人,251例(45.7%),粗风险比3.27(2.03–5.26),粗P值<.001,校正风险比2.72(1.43–5.19),校正P值.002。

糖尿病:
无:675人,355例(52.6%),粗风险比2.64(1.82–3.83),粗P值<.001,校正风险比2.25(1.35–3.76),校正P值.002,交互P值.422。
有:426人,226例(53.1%),粗风险比3.83(2.41–6.09),粗P值<.001,校正风险比2.93(1.44–5.96),校正P值.003。

高脂血症:
无:124人,76例(61.3%),粗风险比2.28(0.87–5.98),粗P值.093,校正风险比7.26(2.87–258.88),校正P值.004,交互P值.253。
有:977人,505例(51.7%),粗风险比3.09(2.27–4.20),粗P值<.001,校正风险比2.41(1.59–3.65),校正P值<.001。

高血压:
无:213人,110例(51.6%),粗风险比3.23(1.69–6.15),粗P值<.001,校正风险比2.44(0.76–7.90),校正P值.135,交互P值.657。
有:888人,471例(53.0%),粗风险比2.97(2.14–4.11),粗P值<.001,校正风险比2.70(1.74–4.20),校正P值<.001。

BMI(kg/m2):
<25:268人,174例(64.9%),粗风险比3.48(1.87–6.46),粗P值<.001,校正风险比2.34(0.98–5.56),校正P值.055,交互P值.696。
25–29.9:409人,218例(53.3%),粗风险比2.53(1.59–4.02),粗P值<.001,校正风险比2.12(1.06–4.24),校正P值.034。
≥30:424人,189例(44.6%),粗风险比3.83(2.34–6.28),粗P值<.001,校正风险比3.62(1.77–7.40),校正P值<.001。

风险比(HR)及其95%置信区间(CI)采用Cox比例风险回归模型估计。粗风险比代表未校正的关联,而校正风险比则源自控制年龄、性别、种族/民族、婚姻状况、贫困收入比(PIR)、教育程度、吸烟状况、饮酒、体重指数(BMI)、糖尿病、高脂血症、高血压、糖化血红蛋白(HbA1c)、肌酐、总蛋白、尿酸、钙、总胆固醇、甘油三酯、白细胞计数、红细胞计数、血小板计数和淋巴细胞计数的多变量模型。交互P值检验用于评估各亚组间潜在的效应修饰。BMI = 体重指数,CI = 置信区间,HR = 风险比,NPAR = 中性粒细胞百分比与白蛋白比值,PIR = 贫困收入比。

图5 NPAR与全因死亡率的亚组分析。BMI = 体重指数,CI = 置信区间,DM = 糖尿病,HR = 风险比,NPAR = 中性粒细胞百分比与白蛋白比值,PIR = 贫困收入比。

4. 讨论

本项基于NHANES 1999–2018年数据、具有长期随访的大型、全国代表性回顾性队列研究,系统地考察了NPAR与合并心血管疾病(CVD)的成人癌症幸存者全因死亡率之间的关联。我们的研究发现,NPAR升高与全因死亡风险增加显著相关。即使在校正了人口统计学、社会经济、生活方式和临床协变量后,NPAR最高三分位组的参与者与中间三分位组相比死亡风险仍显著升高(风险比 = 1.54,95% CI: 1.24–1.90)。此外,NPAR水平与死亡风险呈剂量-反应关系(P < .001)。这些结果为NPAR作为炎症-营养生物标志物在该高危人群中进行风险分层提供了有力的流行病学证据。

我们的结果与此前强调NPAR在不同人群中预后作用的研究一致。先前的研究表明,NPAR值较高与一般人群中CVD患病率增加以及肿瘤队列中全因和癌症特异性死亡率升高相关[12,13]。类似地,Xie等(2021年)报告NPAR升高与美国一般人群的全因死亡率增加相关(风险比 = 1.31,95% CI: 1.09–1.58)[18]。与这些研究相比,本研究的特色在于聚焦于合并CVD的癌症幸存者,从而针对一个临床上重要但研究不足的亚组。

与我们的发现一致,Chen等(2022年)也利用MIMIC-III数据库证明了NPAR与卒中患者短期和长期死亡率之间的正相关,尽管其研究受限于较小的样本量(n = 940)和较短的随访时间[19]。相比之下,本研究利用了更大、更具代表性的队列,纳入了更长的随访时间,并采用了更全面的协变量校正。这些差异共同凸显了我们结果的稳健性和临床相关性。

ROC分析进一步为这些结果的临床解读提供了依据。尽管NPAR在回归模型中与死亡率独立相关,但其AUC为0.602表明单独使用时判别能力有限。因此,NPAR的主要价值可能在于其作为已确立临床风险因素的廉价辅助工具,而非独立的筛查或决策工具。未来研究应确定将NPAR加入已验证的预后模型是否能对判别能力、校准度和临床效用产生有意义的改善。

从机制角度来看,NPAR反映了两个相互关联的生物学过程:全身炎症和营养状态。中性粒细胞百分比反映了免疫激活和炎症反应的程度[20],而血清白蛋白则是营养状态和全身炎症的既定指标[21]。炎症状态与白蛋白合成受抑制相关,从而导致营养不良和疾病进展。通过整合这两个指标,NPAR提供了比单独使用任一参数更准确的炎症-营养轴测量。在癌症幸存者中,慢性肿瘤相关炎症与CVD相关免疫激活并存,创造了一个NPAR能够有效捕捉持续炎症和营养恶化的生理环境[22-25]。这些机制可能解释了NPAR为何在该高危人群中表现出独立的预后价值。

癌症和心血管疾病患者所面临的临床负担可能不仅限于死亡,还包括认知和功能后果。先前的研究强调了神经心理学评估在检测心脏手术后认知缺陷方面的价值,描述了各类癌症化疗后认知损害,并报告了老年手术人群中术后持续性认知功能障碍[26-28]。尽管这些结局未在NHANES中评估,且不属于本次分析的主要范围,但它们进一步说明了合并癌症和心血管疾病的患者的多维脆弱性,并支持超越传统生存结局的全面随访。

本研究具有若干优势。首先,它基于NHANES,这是一个大型、全国代表性数据集,具有长期随访,从而增强了结果的普适性和科学有效性。其次,研究人群专门限定为合并CVD的癌症幸存者,使我们能够针对重要的合并症背景进行研究,并最大限度地减少无关基线疾病的混杂。第三,暴露(NPAR)和结局(全因死亡)的标准化定义确保了准确性和可比性。最后,多变量Cox回归、逐步校正模型以及敏感性和亚组分析的使用增强了结论的稳健性,并证实了结果在不同亚组间的一致性。

尽管存在这些优势,仍应承认若干局限性。首先,癌症和CVD的诊断主要基于自我报告的医生诊断,且无法获取疾病分期、活动性、治疗反应和复发的信息。其次,NHANES并未在1999–2018年所有周期中提供血液采集时急性感染、近期输血或特定骨髓增殖性肿瘤的统一指标。处方药物档案记录了前30天使用的许多药物,但可能未能全面捕获住院、输注、短程或未报告的免疫抑制和抗肿瘤治疗。因此,这些因素无法作为统一的排除标准,且可能影响中性粒细胞百分比、白蛋白浓度和其他全血细胞计数参数,从而成为残余混杂的潜在来源。第三,由于几种癌症类别包含的参与者和死亡人数较少,可能导致估计值不稳定并增加多次比较产生偶然发现的风险,因此未进行癌症特异性亚组分析。此外,癌症类型、分期、活动性和治疗状态不够详细,无法进行稳健的癌症特异性分析;因此,癌症幸存者之间的异质性可能仍然存在。第四,预设终点为全因死亡。尽管公开使用的链接死亡率文件提供了广泛的潜在死因分类,但未单独分析心血管和非心血管死亡率。因此,本研究结果不应解释为NPAR与心血管和其他死因具有等同关联的证据。第五,NHANES包含某些癌症和心血管疾病的诊断年龄信息,使得部分参与者的近似疾病持续时间可被计算。然而,根据疾病和调查周期的不同,可获得性和完整性存在差异,特别是在报告多种癌症或心血管诊断的参与者中。因此,无法在全队列中一致地确定疾病持续时间,也未将其作为协变量纳入。第六,由于这是一项观察性研究,无法确立因果关系。最后,该队列代表非制度化的美国人群,在将结果外推到其他环境或用于临床决策前,需要进行外部验证。这些局限性是使用NHANES数据的研究中常见的[29],强调了对谨慎解读的需求,并凸显了通过不同人群的前瞻性、多中心研究进行验证的重要性。

5. 结论

本研究证明,NPAR作为一种易于获得且成本效益高的生物标志物,反映全身炎症和营养状态,是合并CVD的成人癌症幸存者全因死亡的独立预测因子。通过促进高危个体的早期识别,NPAR可能为临床风险分层和个体化管理提供有价值的支持。将NPAR纳入癌症-CVD合并症患者的常规随访中,可能有助于优化干预措施,改善生存结局,并提高生活质量。

未来需要开展整合多组学方法和动态监测的前瞻性研究,以进一步验证其临床价值并阐明潜在的生物学机制。

作者贡献

概念设计:雷丽华、曾晴晴。
数据整理:雷丽华、秦媛媛、曾晴晴。
正式分析:雷丽华、秦媛媛、唐美玲、秦江欢、曾晴晴。
资金获取:雷丽华。
调查研究:秦媛媛、唐美玲、魏芳美。
方法学:唐美玲。
项目管理:魏芳美。
资源:魏芳美。
软件:唐美玲、秦江欢。
验证:秦江欢。
初稿撰写:雷丽华、秦媛媛、唐美玲、秦江欢、魏芳美、曾晴晴。
审阅与编辑:雷丽华、秦媛媛、唐美玲、秦江欢、魏芳美、曾晴晴。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号