基于无监督机器学习的中国中老年肥胖人群心脏代谢表型聚类分析

《BMC Cardiovascular Disorders》：Using unsupervised machine learning methods to cluster cardio-metabolic profile of the middle-aged and elderly Chinese with general and central obesity

本研究针对肥胖高度异质性的临床挑战，采用无监督机器学习方法，对CHARLS数据库中7,970名中国中老年肥胖人群进行心脏代谢表型聚类分析。研究通过HbA1c、TyG指数和尿酸三项指标将肥胖人群划分为四个亚型，发现高血糖-胰岛素抵抗(H-G-I)亚型虽仅占4.52%，但其心脏代谢风险显著最高，为肥胖的精准分型管理和风险分层提供了数据驱动的新策略。

　　

肥胖早已超越单纯的体重问题，成为一种高度异质性的慢性疾病。在中国，随着生活方式改变和人口老龄化，中老年人群的肥胖问题日益突出——不仅体重指数(BMI)超标者增多，腰围身高比(WHtR)提示的中心性肥胖更为普遍。然而，传统的BMI分类方法在临床实践中暴露出明显局限：同样BMI值的患者，其代谢健康状况和并发症风险可能存在天壤之别。这种"一刀切"的诊断方式难以满足精准医疗时代对肥胖个体化管理的需求。

在此背景下，澳门大学中医药研究院的薛燕、宋梦焕等研究人员在《BMC Cardiovascular Disorders》发表了一项创新研究。他们独辟蹊径地采用无监督机器学习方法，对中国健康与养老追踪调查(CHARLS)这一全国性大型队列数据进行了深入挖掘，旨在揭示中国中老年肥胖人群的内在异质性，为临床实践提供更精细化的风险分层工具。

研究团队首先从CHARLS基线调查的17,708名参与者中筛选出7,970名符合条件的中老年人，其中41.88%存在一般性肥胖(BMI≥24 kg/m²)，71.29%存在中心性肥胖(WHtR≥0.5)。这一数据本身就反映了中国中老年人群肥胖问题的严重性和特殊性——中心性肥胖的比例远高于一般性肥胖。

研究采用的核心技术方法主要包括：基于CHARLS全国性队列的横断面数据分析、k-means聚类算法以及多变量逻辑回归分析。研究人员特别选择了糖化血红蛋白(HbA1c)、甘油三酯-葡萄糖(TyG)指数和尿酸(UA)这三个临床易获取的指标作为聚类依据，不仅考虑了它们的代谢相关性，还兼顾了实际应用的成本效益。

研究设计流程清晰合理：

从数据预处理、指标标准化到聚类分析，每个环节都经过精心设计。研究对象筛选过程严格：

确保最终纳入分析的数据质量可靠。

一般性肥胖的聚类结果

通过k-means聚类算法，研究人员将一般性肥胖人群划分为四个具有明显代谢特征差异的亚型：

1. 1.
   代谢相对健康型肥胖(RHO)：占比44.79%，代谢指标相对正常
2. 2.
   高尿酸血症型(H-U)：占比23.04%，以尿酸水平显著升高为特征
3. 3.
   高血糖-胰岛素抵抗型(H-G-I)：占比4.52%，同时表现出高HbA1c和高TyG指数
4. 4.
   平均代谢型(AVERAGE)：占比27.65%，各项指标处于中间水平

聚类结果可视化显示，H-G-I亚型虽然人数最少，但其代谢异常程度最为严重。该亚型患者不仅血糖控制差，还伴有明显的胰岛素抵抗，同时其他心脏代谢指标也普遍异常。

中心性肥胖的聚类结果

对中心性肥胖人群的聚类分析得到了相似的亚型划分：

RHO亚型占47.76%，H-U亚型占25.96%，H-G-I亚型占3.94%，AVERAGE亚型占22.33%。这一结果进一步验证了聚类方法的稳定性。

亚型特征的深度解析

通过详细比较各亚型的心脏代谢特征，研究发现H-G-I亚型患者无论是一般性肥胖还是中心性肥胖，都表现出最为严重的代谢异常。他们的腰围、腰高比、体锥度指数(CI)、脂质积累产物(LAP)、内脏脂肪指数(VAI)和中国内脏脂肪指数(CVAI)等指标均显著高于其他亚型。同时，该亚型的血压、血脂、血糖和炎症指标也全面恶化。

并发症风险的显著差异

最令人警醒的发现来自各亚型并发症风险的比较。与代谢相对健康的RHO亚型相比，H-G-I亚型患者发生高血压的风险增加2.6倍，血脂异常风险增加10.3倍，糖尿病风险更是惊人地增加24倍。即使与其他代谢异常亚型相比，H-G-I亚型的风险也明显更高。

研究结论明确指出，基于HbA1c、TyG指数和尿酸的三维聚类方法能够有效识别出具有不同心脏代谢风险的肥胖亚型。其中，高血糖-胰岛素抵抗亚型虽然人数比例不大，但其临床风险最高，需要优先干预。这种数据驱动的分类策略为肥胖的精准医疗提供了实用工具，有助于在常规临床评估中实现快速风险分层。

讨论部分深入剖析了研究的临床意义。传统的肥胖管理往往侧重于体重控制，而忽视了代谢异质性的重要性。本研究结果表明，对于肥胖患者，特别是同时存在高血糖和胰岛素抵抗的个体，需要采取更加积极的综合干预策略，包括体重管理、血糖控制、胰岛素敏感性改善等多管齐下。

研究的创新性在于首次将无监督机器学习应用于中国中老年肥胖人群的心脏代谢表型分析，并同时考虑了一般性肥胖和中心性肥胖两种类型。选择的三个聚类指标在常规临床检查中即可获取，具有良好的推广可行性。

当然，研究也存在一些局限性。横断面设计无法推断因果关系，中国人群的特殊性可能限制结果在其他种族的推广，以及H-G-I亚型样本量相对较小导致的估计精度问题。这些都需要在未来通过更大规模、更长随访期的研究来进一步完善。

总之，这项研究为肥胖的精准分型管理提供了重要证据支持。它提醒临床医生，肥胖不是单一疾病，而是一组具有不同代谢特征的综合征。只有识别出真正的高风险个体，才能实现有限医疗资源的最优配置，最终改善肥胖患者的长期健康结局。随着人工智能技术在医疗领域的深入应用，这种数据驱动的精准分型方法有望成为慢性病管理的新标准。