非肥胖东亚成年人动脉硬化指数与糖尿病风险的非线性关系新解

为解决非肥胖人群中动脉硬化指数（AI）与糖尿病风险关系不明的问题，赣州市人民医院 Jun Cao 等人开展相关研究，发现二者呈非线性关系，AI 低于 1.47 时影响更显著。该研究为糖尿病防控提供新依据，推荐科研读者阅读。

　　

江西省赣州市人民医院（赣南医学院附属市立医院）心内科的 Jun Cao 等人在《Scientific Reports》期刊上发表了题为 “Non-linear relationship between arteriosclerosis index and diabetes risk in non-obese east Asian adults” 的论文。这篇论文在心血管疾病与糖尿病关联研究领域意义重大，为非肥胖东亚成年人糖尿病风险的预测和防控提供了关键依据。

研究背景

糖尿病（Diabetes）是一种以长期高血糖为特征的慢性代谢紊乱疾病。据国际糖尿病联盟（IDF）数据，全球糖尿病患病率已达危急水平，全球超 4.63 亿成年人患病，预计到 2045 年这一数字将增至约 7 亿，占全球成年人口的 9.3%。糖尿病患者患心血管疾病的风险大幅增加，糖尿病及其并发症的流行使血糖异常成为重大公共卫生问题。因此，筛查糖尿病风险因素并尽早治疗对预防疾病进展至关重要。

动脉硬化指数（AI，arteriosclerosis index）是评估心血管疾病风险的重要生物标志物，它反映了低密度脂蛋白（LDL）和其他非高密度脂蛋白（non-HDL）颗粒水平，这些都是动脉粥样硬化的重要致病因素。此前诸多研究已证实 AI 可有效预测心血管风险，但它与糖尿病，尤其是非肥胖成年人糖尿病的关系，研究尚不充分。

本研究聚焦东亚非肥胖成年人，旨在定量探究 AI 与糖尿病风险的关系，明确二者的非线性联系，为心血管健康与代谢疾病的关联研究提供参考，进而推动针对性预防措施的制定。

研究方法

1. 研究设计：采用回顾性队列研究设计，分析中国计算机数据库和日本村上市立医院 NAGALA（Non-Alcoholic Fatty Liver Disease in Gifu Area, Longitudinal Analysis）数据库的数据。研究以基线 AI 指数为主要自变量，糖尿病为结局变量（0 = 正常，1 = 糖尿病）。
2. 数据来源：数据源自 DATADRYAD 数据库，其中中国个体数据来自 “Association of Body Mass Index and Age with Incident Diabetes in Chinese Adults: A Population-Based Cohort Study” 一文的数据集，日本个体数据来自 “Ectopic Fat Obesity Presents the Greatest Risk for Incident Type 2 Diabetes: A Population-Based Longitudinal Study” 一文的数据集。这些数据的初始收集均获得参与者知情同意，本研究作为二次分析，遵循 Dryad 指南，无需伦理审批，但仍遵循《赫尔辛基宣言》原则。
3. 研究人群：中国队列最初有 685,277 人，经筛选排除部分个体后，211,833 人进入初步考察；日本队列最初 20,944 人，排除 5,480 人后，15,464 人参与分析。最终，研究共纳入 227,297 名参与者。进一步排除缺乏 AI 数据、AI 值极端、体重指数（BMI，Body Mass Index）≥25 kg/m2（聚焦非肥胖个体）以及 AI 值异常的个体后，95,402 人被纳入最终分析，占原始数据集的 41.97%。
4. 定义和结局测量：糖尿病诊断依据为空腹血浆葡萄糖水平≥7.00 mmol/L 或随访期间自我报告糖尿病。参与者在糖尿病确诊或最后一次就诊（以先发生者为准）时被截尾。AI 计算公式为 AI = [总胆固醇（TC，Total Cholesterol） - 高密度脂蛋白胆固醇（HDL-C，High-Density Lipoprotein Cholesterol）]/HDL-C。主要结局为随访期间是否被诊断为糖尿病，以二元变量记录（0 = 无糖尿病，1 = 糖尿病）。
5. 数据收集：收集中国和日本人群的人口统计学特征（年龄、性别）、BMI、丙氨酸氨基转移酶（ALT，Alanine Aminotransferase）、收缩压（SBP，Systolic Blood Pressure）、甘油三酯（TG，Triglyceride）、TC、舒张压（DBP，Diastolic Blood Pressure）、HDL-C 和随访时长等数据。基于临床知识和文献，选取 DBP、BMI、HDL-C、SBP、TC、年龄、ALT 等连续变量和性别等分类变量作为协变量。
6. 统计分析：按 AI 将参与者分为四类进行统计分析。对于连续变量，正态分布数据以均值 ± 标准差表示，偏态分布数据以中位数和四分位数间距表示；分类数据以频率和百分比呈现。使用 χ2 检验比较分类变量差异，根据数据分布选择单因素方差分析或 Kruskal-Wallis H 检验比较连续变量差异。采用 Kaplan-Meier 法估计事件发生率和时间 - 事件变量，用对数秩检验比较 AI 组间糖尿病发病率。运用单变量和多变量 Cox 比例风险回归分析探究 AI 与糖尿病风险的关系，构建未调整模型、最小调整模型（调整年龄和性别）和完全调整模型（调整年龄、性别、SBP、DBP、BMI、ALT）。通过排除特定个体（如年龄＞60 岁、SBP≥140 mmHg、BMI≤18.5 kg/m2、男性）进行敏感性分析，以验证结果可靠性。利用 Cox 回归模型结合三次样条函数和分段 Cox 回归方法探索 AI 与糖尿病的非线性关系，通过对数似然比检验选择最佳模型。分析使用 R 软件包和 Empower Stats 软件，P＜0.05 为具有统计学意义。

研究结果

1. 参与者特征：95,402 名参与者平均年龄 42.92 ± 12.24 岁，中国人群平均年龄 42.82 ± 12.67 岁，日本人群 43.56 ± 8.97 岁；男性占 46.23%。中位随访 3.01 年，日本亚组中位随访 6.08 年，中国亚组 3.10 年。随访期间，1213 人（1.27%）患糖尿病。AI 范围为 0.13 - 14.88，中位数 2.28。随着 AI 四分位数增加，年龄、BMI、SBP、DBP、TC、TG 和 ALT 上升，HDL-C 水平下降，且各指标差异均有统计学意义（p 均＜0.001）。糖尿病发病率在 AI 四分位数间显著上升（0.57 - 2.31%，p＜0.001），且高 AI 四分位数中男性比例更高。
2. AI 四分位数与糖尿病发病率的关系：糖尿病发病率随 AI 四分位数升高显著增加（P＜0.001），总体发病率 1.27%，Q1 - Q4 发病率分别为 0.56%、0.87%、1.33%、2.31%。Kaplan-Meier 曲线显示，不同 AI 组糖尿病发病概率差异显著（log-rank 检验，p＜0.001），且随 AI 升高而增加，表明非肥胖个体中，AI 最高四分位数者患糖尿病概率更大。
3. 影响糖尿病发病的因素：单因素分析显示，糖尿病风险与年龄、BMI、SBP、DBP、ALT、TG、AI 和 TC 呈正相关（P＜0.05），与 HDL-C 呈负相关（P＜0.05）。
4. AI 与糖尿病风险的关系：Cox 比例风险回归模型显示，未调整模型中，AI 每升高 1 单位，糖尿病发病风险增加 35%（HR = 1.35，95% CI 1.30 - 1.41，P＜0.0001）；部分调整模型（仅考虑年龄和性别）中，AI 每升高 1 单位，发病风险增加 17%（HR = 1.17，95% CI 1.12 - 1.23，P＜0.0001）；完全调整模型中，AI 每升高 1 单位，发病风险增加 9%（HR = 1.09，95% CI 1.03 - 1.15，P = 0.0017）。将 AI 转换为分类变量纳入模型，多变量调整模型显示，与 Q1 参与者相比，Q2 - Q4 参与者进展为糖尿病的可能性分别增加 20%、21%、29%。
5. 敏感性分析：排除年龄＞60 岁（10,843 人）、SBP≥140 mmHg（6,453 人）、BMI≤18.5 kg/m2（8,127 人）的参与者以及排除男性参与者（44,109 人）后，经调整混杂变量，AI 与糖尿病进展仍呈稳定正相关，HR 分别为 1.11（95% CI 1.04 - 1.19，P = 0.0023）、1.12（95% CI 1.06 - 1.19，P = 0.0002）、1.08（95% CI 1.03 - 1.14，P = 0.0024）、1.22（95% CI 1.12 - 1.34，P＜0.0001），表明研究结果可靠。
6. 非线性关系分析：研究发现 AI 与非肥胖个体糖尿病风险呈非线性关系。三次样条函数 Cox 比例风险回归模型和两段式 Cox 比例风险回归模型分析显示，AI 存在临界点 1.47。AI＜1.47 时，HR = 5.87（95% CI 1.20 - 28.63），P = 0.0287；AI≥1.47 时，HR = 1.07（95% CI 1.02 - 1.13），P = 0.0115，且两者效应差异有统计学意义（P = 0.0367）。
7. 亚组分析：亚组分析发现 AI 与性别存在显著交互作用。尽管性别、DBP、BMI 和种族不改变 AI 与糖尿病风险的正相关关系，但 AI 与糖尿病风险的关系在女性中更显著，而 DBP、BMI、种族与 AI 在影响糖尿病风险方面无显著交互作用。

研究结论与讨论

本研究在 95,402 名非肥胖东亚成年人中发现，AI 水平与糖尿病风险显著相关，且呈非线性关系。当 AI＜1.47 时，降低 AI 可大幅降低非肥胖个体糖尿病风险；AI≥1.47 时，降低 AI 的风险降低效果较小。这表明将 AI 维持在 1.47 以下，或许能显著降低非肥胖东亚人群糖尿病发病风险。

此前研究虽发现 AI 与糖尿病风险存在关联，但多未聚焦非肥胖成年人。本研究纳入大量中国和日本非肥胖成年人样本，首次明确二者在这一特定人群中的非线性关系及临界点。这一发现为预防非肥胖东亚成年人糖尿病提供了重要参考，提示可通过控制 AI，如降低 TC 或提高 HDL-C，来预防糖尿病。不过，当 AI 超过 1.47 时，可能需采取增加体育活动、体重管理、均衡饮食、规律作息或药物治疗等综合措施防控糖尿病。

目前 AI 与 2 型糖尿病（T2DM，Type 2 Diabetes Mellitus）关联的机制尚不明确。AI 升高可能增加外周胆固醇沉积，使游离脂肪酸（FFA，Free Fatty Acids）增多、胰岛素敏感性降低，还可能导致胰腺胆固醇积累，损害胰岛细胞功能、促进胰岛淀粉样聚集、加重 β 细胞功能障碍，同时降低具有抗糖尿病作用的 HDL-C 水平，削弱其对胰岛细胞的保护作用，从而增加糖尿病风险。

本研究具有重要意义。样本量大，统计效力强，长期随访有助于准确判断因果关系。深入探究非线性关系并确定临界点，为理解 AI 与糖尿病风险关联提供新视角。但研究也存在局限性，如回顾性研究导致数据收集缺乏控制，样本局限于东亚人群，依赖二次分析使原始数据质量存疑，多变量模型未纳入基线空腹血糖（FPG，Fasting Plasma Glucose），可能影响风险评估全面性，且无法确定因果关系。未来研究需在不同地区开展，以验证研究结果普适性，并深入探究 AI 与糖尿病风险关联的因果机制。