心脏代谢指数预测房颤患者主要不良心血管事件：来自社区队列的启示

本研究发现，心脏代谢指数（CMI）作为一项整合中心性肥胖与血脂异常的综合指标，能够独立预测心房颤动（AF）患者的主要不良心血管事件（MACE），并呈现显著的非线性剂量-反应关系。CMI在传统风险模型基础上进一步提升了风险分层能力，尤其适用于基层医疗场景下的高危患者识别与个性化管理。

　　

引言

心房颤动（AF）是全球范围内最常见的心律失常之一，其发病率在老龄化人群中迅速上升，对心血管健康构成严重威胁。AF不仅显著增加卒中、心力衰竭和全因死亡风险，还给医疗卫生系统带来沉重负担。社区卫生健康服务中心在AF患者的长期管理中扮演关键角色，是实施分级诊疗与高危人群筛查的重要环节。及时识别高风险个体并开展个性化干预已成为全科医学减少AF相关并发症的核心任务。

当前临床实践中，CHA₂DS₂-VASc评分被广泛用于评估AF患者的血栓栓塞和主要不良心血管事件（MACE）风险。然而，该评分主要基于年龄、高血压和糖尿病等临床变量，未能充分反映代谢紊乱和身体成分变化，在某些人群中的预测性能有限。新近证据表明，代谢异常——尤其是中心性肥胖和血脂异常——在AF的发生和进展中起到关键作用。这提示我们需要新的代谢标志物以补充传统风险模型。

心脏代谢指数（CMI）是一项综合指标，通过腰围身高比（WHtR）和甘油三酯与高密度脂蛋白胆固醇比值（TG/HDL-C）的乘积计算而得，同时反映了中心性肥胖和脂质代谢异常。CMI已在冠心病、心力衰竭等多种心血管疾病中显示出良好的预测价值。然而，其在AF患者中与MACE的关联尚未被系统研究，其独立预后价值和潜在机制仍有待阐明。

本研究利用一个真实世界的社区队列，系统探讨CMI与AF患者MACE发生风险之间的关系，旨在明确CMI是否能够独立预测MACE，探索其是否存在非线性关联，并评估其在不同临床亚组中的一致性以及与传统风险模型结合的增量价值。

方法

研究设计与人群

这项单中心回顾性队列研究纳入了2022年1月至2024年1月期间在上海浦东金杨社区卫生服务中心接受慢性病管理随访的心房颤动患者。大多数参与者来自上海交通大学医学院附属仁济医院心内科，并纳入区域医疗联合体的社区高危人群管理平台。所有患者均接受定期、规范的临床评估和实验室检测。

纳入标准包括：年龄≥18岁，且符合欧洲心脏病学会（ESC）指南的AF诊断标准并加入随访管理。排除标准包括：不符合ESC的AF诊断标准；随访中断或至少缺少一次随访记录；合并中重度瓣膜性心脏病、既往瓣膜置换手术或先天性心脏病手术史；患有活动性恶性肿瘤；以及缺少关键临床或生化数据（如空腹血糖或甘油三酯）。AF类型根据2024年ESC指南定义为阵发性或持续性，分类以基线记录为准。

最终共有192例患者符合条件并纳入分析。研究方案经上海交通大学医学院附属仁济医院伦理委员会批准（批件号：KY2022-105-B），严格遵循《赫尔辛基宣言》及相关伦理规范。由于是回顾性研究，使用既住医疗记录，未获取书面知情同意，但伦理委员会鉴于研究的科学和临床价值高于个体隐私风险，批准豁免同意。所有数据经匿名化处理以保护患者隐私。

终点事件与随访

随访数据和终点事件通过定期门诊访视、结构化电话访谈以及电子健康记录系统链接获取。预设的观察截止日期为2024年1月31日。主要终点MACE包括心血管死亡、非致死性心肌梗死、非致死性卒中、因心力衰竭恶化住院以及因不稳定性心绞痛或缺血事件进行的冠状动脉血运重建。所有事件均由两位心脏科医生判定，分歧时由第三位评审专家裁决。中位随访时间为664天（四分位距：384–900天），采用反Kaplan–Meier法估计。

数据采集

基础临床数据来自金杨社区卫生服务中心的电子健康记录系统。人口学变量包括年龄、性别、身高、体重、体重指数（BMI）、腰围和臀围。病史变量包括高血压、糖尿病、冠心病（CAD）、慢性肾脏病（CKD）、心力衰竭和卒中。治疗相关信息包括抗凝治疗状态和是否接受过射频消融。实验室参数涵盖空腹血糖、糖化血红蛋白、血脂谱（甘油三酯、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）、总胆固醇）、肝功能指标（丙氨酸氨基转移酶、天冬氨酸氨基转移酶、总胆红素）、肾功能（血清肌酐）以及全血细胞计数变量（血红蛋白、红细胞计数、血细胞比容、血小板计数）。超声心动图评估包括左心房前后径（LAID）和左心室射血分数（LVEF）。此外，还记录了以下经过验证的临床评分和分类：AF类型、欧洲心律协会（EHRA）症状评分、CHA₂DS₂-VASc评分和HAS-BLED评分。

心脏代谢指数计算公式

CMI = WHtR ×（TG [mmol/L] / HDL-C [mmol/L]），其中WHtR = 腰围（cm）/ 身高（cm）。

统计分析

所有统计分析使用R（v4.4.2）和Python（v3.11.8）在Jupyter Notebook环境中完成，调用tidyverse、survival、rms、xgboost、sklearn和SHAP等包。所有检验均为双侧，P < 0.05认为有统计学意义，P < 0.01为高度显著。预处理包括变量选择、缺失值处理和正态性检验。缺失超过10%的变量被排除。Shapiro–Wilk检验用于评估正态性。符合正态分布的变量以均数±标准差表示，组间比较采用单因素方差分析；非正态变量以中位数（四分位距）表示，使用Kruskal–Wallis H检验。分类变量以频数（百分比）描述，组间比较使用卡方检验或Fisher精确检验。

为评估CMI与MACE的关联，将患者按CMI三分位分组，以最低组为参考。采用Cox比例风险模型，模型1未调整；模型2调整年龄和性别；模型3进一步调整合并症（高血压、CAD、CKD、心力衰竭、既往卒中）。结果以风险比（HR）和95%置信区间（CI）报告。趋势分析将CMI三分位作为连续变量处理。使用Harrell’s C指数评估模型区分度。采用Kaplan–Meier曲线和log-rank检验比较累积发病率。通过5000次Bootstrap迭代进行内部验证，得到偏差校正的C指数估计。

使用限制性立方样条（RCS）拟合三节点模型探索CMI与MACE之间的非线性关联，Wald检验评估非线性。利用XGBoost构建机器学习模型，以临床和实验室特征为预测变量，MACE为结局。数据按8:2划分训练集和测试集，十折交叉验证优化超参数。区分度通过C指数评估。SHAP值量化各特征贡献度。按年龄（≥65 vs. <65岁）、性别、高血压、CAD、CKD、心力衰竭、抗凝治疗和导管消融进行亚组分析，通过多变量Cox模型评估CMI预测价值的一致性。

结果

基线特征

共192例AF患者纳入分析。根据基线CMI水平分为三分位组，最低组作为Cox回归中的参考组。三组间基线特征总结显示，年龄、身高、体重、BMI、空腹血糖和糖化血红蛋白无显著差异（均P > 0.05）。但腰围（P = 0.013）和臀围（P = 0.022）随CMI升高显著增加，提示中心性肥胖模式逐渐增强。代谢参数也存在显著差异：高CMI组的甘油三酯水平显著高于低、中组（分别为1.02 [0.85–1.20] mmol/L、1.75 [1.57–1.88] mmol/L和2.31 [2.11–2.96] mmol/L；P < 0.01），而HDL-C水平则随三分位升高明显下降（1.20 [1.16–1.26] mmol/L、1.01 [0.96–1.06] mmol/L和0.82 [0.78–0.86] mmol/L；P < 0.01）。总胆固醇和LDL-C组间差异也显著（P < 0.01和P = 0.014）。血红蛋白及肝肾功能指标无组间差异（均P > 0.05）。随访期间，MACE发生率在CMI组间差异显著（P < 0.001），低、中、高CMI组发生率分别为4.7%（3例）、7.8%（5例）和30.2%（19例），表明高CMI患者心血管风险显著升高。

CMI与MACE的关联

为考察CMI与MACE风险的关系，依次构建三个Cox比例风险回归模型。未调整模型中，高CMI组MACE风险显著高于低CMI组（HR = 6.02，95% CI: 1.78–20.35，P = 0.004），中CMI组无显著差异（P = 0.45）。调整人口学变量（年龄、性别）后，高CMI组风险依然显著升高（HR = 6.31，95% CI: 1.85–21.52，P = 0.003），中CMI组仍不显著（P = 0.42）。完全调整模型（进一步调整高血压、CAD、CKD、心力衰竭、既往卒中）中，高CMI组MACE风险仍显著增加（HR = 5.56，95% CI: 1.48–20.90，P = 0.011），中CMI组呈非显著上升趋势（P = 0.64），证实高CMI是不良心血管结局的独立危险因素。最终模型中其他显著预测因子包括糖尿病（HR = 4.60，95% CI: 1.74–12.13，P < 0.01）、冠心病（HR = 4.16，95% CI: 1.59–10.89，P < 0.01）和心力衰竭（HR = 5.79，95% CI: 2.06–16.30，P < 0.01）。模型区分度方面，C指数从模型1的0.648 ± 0.053、模型2的0.659 ± 0.056显著提升至完全调整模型3的0.882 ± 0.029，显示出色的人群区分能力。

Kaplan–Meier分析与限制性立方样条

Kaplan–Meier生存曲线显示，随访期间MACE累积发病率随CMI三分位升高而逐步增加，高CMI组累积发病率最高，中、低组次之。Log-rank检验证实生存曲线差异显著（P < 0.001）。整个观察期内，低CMI组始终维持最低事件风险，中组居中，高CMI组事件发生最为集中，表明CMI水平与MACE风险呈正相关。

RCS模型揭示了CMI与MACE风险之间的非线性正相关关系（非线性P < 0.001）。发现在CMI ≈ 0.85处存在拐点：低于该阈值时风险缓慢上升；超过0.85后风险急剧升高，且随CMI进一步上升持续攀升。这一非线性剂量-反应关系凸显了CMI预测心血管风险可能存在阈值效应。

XGBoost模型与SHAP解释

为提升MACE预测精度并探究特征重要性，开发了XGBoost模型。数据集按8:2随机划分为训练集与测试集，超参数经十折交叉验证优化。测试集上XGBoost模型的C指数为0.737，优于未调整和仅人口学调整的Cox模型，但低于完全调整Cox模型。

通过SHAP值量化各变量对模型输出的边际贡献，按平均SHAP值排序，前四位预测因子依次为：年龄（0.415）、左房内径（0.373）、左室射血分数（0.317）和高CMI分类（0.302），表明心脏结构参数和代谢状态共同显著影响预测。其他重要贡献变量包括高血压、糖尿病、抗凝治疗和冠心病。

亚组分析

通过多变量Cox模型考察CMI在不同临床亚组中对MACE的预测价值。发现两个亚组中高CMI与MACE风险显著相关：无CKD患者中，高CMI组MACE风险显著升高（HR = 5.42，95% CI: 1.03–28.65，P = 0.047）；未接受射频消融的患者中，高CMI同样显著增加MACE风险（HR = 10.8，95% CI: 1.41–82.64，P = 0.022）。其余亚组中CMI与MACE关联无统计学意义（均P > 0.05）。

讨论

本研究首次在真实世界社区AF队列中系统评估了CMI与MACE的关系。结果明确显示，CMI升高与MACE风险增加显著相关，且经多变量调整后依然稳健。Kaplan–Meier分析和RCS模型均提示存在非线性正相关，当CMI超过0.85时心血管风险急剧上升。亚组分析表明，CMI的预测价值在无CKD和未接受导管消融的患者中尤为突出。

尽管既往研究已确立中心性肥胖、代谢综合征与AF发病率之间的关联——如鹿特丹队列研究和1型糖尿病患者中的发现——但多数研究聚焦于BMI、血糖或血脂异常等单一代谢成分，或依赖定义宽松的表型。相比之下，CMI整合了腰围身高比和TG/HDL-C比值，是一项更全面的代谢标志物，但其在AF相关风险预测中的作用尚未深入探索。虽然CMI在冠心病和糖尿病患者中已显示预测效用，但其在AF人群中的独立贡献和增量价值一直不明。本研究提供新证据表明，将CMI纳入MACE风险预测模型可显著提升模型性能，C指数从仅人口学模型的0.659跃升至完全调整模型的0.904，突显CMI作为识别高危AF患者的强大工具潜力。这一提升在初级保健或资源有限场景中尤为相关，因这些场合亟需高效预筛工具。此外，通过结合非线性样条建模和机器学习技术（XGBoost与SHAP解释），我们证明了CMI在复杂临床情境中的稳健性和可解释性。这种多方法策略弥补了传统回归模型难以捕捉复杂交互和非线性效应的局限，提示联合使用传统与机器学习模型可提供更精细可靠的风险分层策略，为未来研究和临床实践提供信息。

我们发现CMI与MACE风险间存在显著非线性关系，表明超越临界阈值后代谢紊乱可能引发心血管系统失代偿反应。这种非线性可能源于多条代谢通路的协同作用。首先，中心性肥胖作为CMI核心组分，促进内脏和心周脂肪积聚，这些脂肪组织作为活跃旁分泌器官，分泌促炎细胞因子和活性氧物种，导致慢性低度炎症和氧化应激，共同驱动心房结构和电重构。既往研究显示，心周脂肪厚度每增加1个标准差，AF风险升高2.6倍，可能机制包括炎症扩散、自主神经激活和心肌纤维化。其次，高TG/HDL-C比值反映显著脂蛋白代谢功能障碍，促致动脉粥样硬化的小密LDL颗粒生成，同时受损的HDL功能削弱内皮保护并增强血栓形成倾向，显著增加血栓风险——这对本就易发缺血性卒中的AF患者尤为关键。第三，数据表明当CMI超过0.85时MACE风险陡升，这一阈值效应可能提示累积代谢负荷超越心脏代偿能力，导致明显心房结构重构和电生理异常，反映从适应性向失适应性心肌反应的转变。支持这一解读的是，先前研究证明减重可逆转心房重构并降低AF负荷，强调这些变化的可逆性。综上，CMI不仅是中心性肥胖和血脂异常的综合标志，更可能是整合代谢、炎症、电生理和血栓形成通路的关键“应激轴”。此外，鉴于中心性肥胖和脂质紊乱在AF进展和MACE发生中的病理生理角色，我们的发现凸显了生活方式干预在减轻心脏代谢风险中的潜在价值。例如，坚持富含抗炎和抗氧化成分的地中海饮食已显示可改善AF患者代谢谱并减少心血管事件，这类饮食模式可能有助于减轻内脏肥胖、改善HDL功能并抑制全身炎症，从而调控CMI及其下游效应。将此类非药物策略纳入AF管理，或可为降低MACE风险提供实用有效途径，尤其在初级预防场景中。

本研究结果提示，CMI作为简便易得的综合代谢指标，或可作为AF患者风险分层的实用工具。通过同时捕捉中心性肥胖负荷和脂代谢功能障碍，CMI提供了传统评分系统如CHA₂DS₂-VASc之外的额外预后信息。其计算简便和广泛可用性使其特别适合初级保健或资源有限的社区健康平台，可用于早期识别高危个体、指导抗凝决策和转诊策略。此外，机器学习探索性建模显示CMI在复杂非线性框架中仍位居最重要预测因子之列，印证了其模型稳定性和可解释性，支持其未来整合入智能风险预测系统以增强精准临床决策。

然而，本研究存在若干局限。首先，这是单中心回顾性分析，样本量较小，可能存在选择偏倚和数据不全。其次，未纳入与炎症、氧化应激或胰岛素抵抗相关的关键机制生物标志物测量，限制了对CMI与心血管结局间生物学通路的深入洞察。第三，相对较短的中位随访时间可能未能充分捕捉CMI与MACE的长期动态关系。因此，未来研究应在更大规模、多中心、前瞻性队列中验证这些发现，延长随访时间以确认其在不同临床环境中的稳健性和普适性。

未来研究可朝三个方向拓展：第一，整合炎症细胞因子、脂联素水平和胰岛素敏感指数等机制标志物，系统阐明CMI背后的代谢-炎症-电生理通路，澄清其生物学基础；第二，利用大规模数据集构建基于CMI的风险评分系统，并与CHA₂DS₂-VASc等现有工具比较，评估重分类能力和增量预测价值；第三，进一步探索CMI在指导AF管理中的临床效用——尤其是抗凝策略选择、导管消融时机和生活方式干预实施——从而推动连接风险预测与靶向干预的闭环风险管理模式发展。

结论

本研究表明，心脏代谢指数升高与心房颤动患者主要不良心血管事件风险增加显著相关，且呈现非线性趋势。经多临床风险因素调整后，CMI仍是独立预测因子。作为一项简便易得的综合代谢指标，CMI或可辅助社区医疗提供者进行心血管风险分层并指导AF管理中的早期干预规划。