编辑推荐：
为探究 VAI 和饮食对 CVD 的预测作用，作者[第一作者单位] 研究人员开展相关研究。结果发现 VAI、蛋白质摄入与 CVD 风险相关，且可预测 CVD。该研究为预防 CVD 提供新视角，推荐科研读者一读，助力深入了解 CVD 防治。
在全球范围内，心血管疾病（CVD）如同一个无形的 “健康杀手”，严重威胁着人类的生命和健康。从 1990 年到 2019 年，患有 CVD 的人数从 2.71 亿飙升至 5.32 亿 ，它始终霸占着全球疾病负担的 “榜首” 位置。CVD 主要包括缺血性心脏病、充血性心力衰竭（CHF）和中风等。肥胖、胰岛素代谢抵抗和代谢综合征等都是它的主要风险因素。
不同的饮食成分对 CVD 的发展有着不同的影响，健康的饮食模式有助于预防 CVD。肥胖又分为均匀型和内脏型，其中，内脏脂肪指数（VAI）是评估内脏肥胖、超重 / 肥胖和血脂水平的可靠指标，比评估内脏脂肪组织（VAT）更方便、更具成本效益。然而，VAI 和饮食对 CVD 的预测能力究竟如何，这个问题一直困扰着医学界。传统的逻辑回归分析虽然能量化风险因素对结果变量的影响，但存在无法提供更好的决策建议、难以处理变量间多重共线性等问题。
为了深入探究 VAI 和饮食与 CVD 之间的关系，作者[第一作者单位] 的研究人员在《[期刊原文名称]》上发表了题为《[论文原文标题]》的论文。研究发现，VAI 和蛋白质摄入水平与 CVD 风险独立相关，VAI、蛋白质摄入和膳食纤维摄入可以预测 CVD 风险。这一研究成果为人们预防 CVD 提供了健康的生活方式建议，也为临床医生提供了相对简单的评估工具，具有重要的意义。
研究人员在开展这项研究时，用到了几个主要的关键技术方法。他们从美国国家健康和营养检查调查（NHANES 2017 - 2018）获取数据，这些数据包含了人口统计、饮食、生化检查和问卷信息等丰富内容。计算 VAI 时，研究人员使用了体重指数（BMI）、腰围、甘油三酯和高密度脂蛋白胆固醇等数据，并通过特定公式进行计算。在数据分析阶段，研究人员运用 SPSS24.0 软件，采用独立样本 t 检验、非参数检验、卡方检验等方法处理数据，还用二元逻辑回归分析探索 CVD 的风险因素，最后通过决策树（DT）模型预测不同条件下的 CVD 风险。
下面我们来详细看看研究结果。
基本信息
研究人员从 NHANES 2017 - 2018 中精心挑选了 2104 名参与者，他们的平均年龄是 50.87 岁，其中男性占 48.38%，女性占 51.62%。34.17% 的参与者年龄在 61 岁及以上，超过一半（56.56%）的人接受过高中及以上教育。此外，37.79% 的人患有高血压，19.58% 的人患有糖尿病，43.49% 的人是吸烟者。研究人员根据是否患有 CVD，将参与者分为 CVD 组（253 人）和非 CVD 组（1851 人）。通过单因素分析发现，两组在人口统计信息（性别、年龄、种族、吸烟情况）以及高血压和糖尿病的患病率上都存在显著差异。
VAI 和饮食特征的比较
单因素分析还发现，两组在 VAI、蛋白质、碳水化合物、膳食纤维和总能量的摄入水平上也有明显差异。非 CVD 组的 VAI 为 [1.24（0.73，2.14）] ，明显低于 CVD 组的 [1.54（0.99，2.44）] 。而且，CVD 组的蛋白质、碳水化合物、膳食纤维和总能量的摄入水平都显著低于非 CVD 组，不过两组的脂肪摄入量差异并不明显。
不同 VAI 水平下的饮食特征
研究人员将所有研究对象按照 VAI 的四分位数进行分组，分别命名为 Q1、Q2、Q3 和 Q4 组，从低到高排列。通过 Kruskal - Wallis 检验发现，不同 VAI 组的蛋白质和脂肪摄入水平存在显著差异，而且随着 VAI 水平的升高，脂肪摄入量逐渐减少。
CVD 的风险因素
逻辑回归模型显示，VAI 和蛋白质摄入水平与 CVD 相关。研究人员进一步在逻辑回归模型中纳入人口统计信息和既往合并症等协变量，探索 CVD 的风险因素。结果发现，年龄、教育水平、种族、高血压、糖尿病史、吸烟、VAI 和蛋白质摄入水平都与 CVD 有关。具体来说，中年人的 CVD 风险是年轻人的 4.364 倍，老年人的 CVD 风险是年轻人的 9.097 倍。高学历可能是预防 CVD 的保护因素，与高中以下学历的人相比，高中学历的人患 CVD 的风险为 60.5%，高中以上学历的人患 CVD 的风险为 65.8%。其他种族的 CVD 风险是非西班牙裔黑人的 50.4%。高血压患者患其他 CVD 的风险是没有高血压的人的 2.747 倍。糖尿病患者的 CVD 风险比非糖尿病患者高 2.011 倍。吸烟者的 CVD 风险比不吸烟者高 1.576 倍。VAI 水平高（≥2.18）的人 CVD 风险是 VAI 水平低（≤0.76）的人的 1.654 倍。蛋白质摄入量处于中高水平（72.1 - 99.92g）和高水平（≥99.93g）的人，CVD 风险分别是低水平（≤50.34g）的人的 44.5% 和 45.0%。研究人员还在性别亚组中分析了 VAI、饮食和其他因素对 CVD 的影响。
基于 DT 模型的 CVD 风险因素
研究人员将性别、年龄、种族、教育水平、高血压、糖尿病、吸烟、VAI、蛋白质、脂肪、碳水化合物、能量和膳食纤维这 13 个因素纳入 DT 模型，最终筛选出 8 个影响因素，分别是年龄、种族、高血压、糖尿病、吸烟、VAI、蛋白质和膳食纤维。这个 DT 模型有 6 层 26 个节点，14 条路径，不同路径对应着不同人群的 CVD 风险，比如≤60 岁、没有高血压、吸烟、其他种族的人，CVD 风险约为 1.3%；≥61 岁、患有糖尿病、吸烟、蛋白质摄入量≤72.10g 的人，CVD 风险约为 48.8%。
综合研究结果和讨论部分，这项研究意义非凡。它是首次探讨 VAI 和饮食特征与 CVD 相关性，并通过 DT 模型更准确预测 CVD 风险的研究。以往用 BMI 判断肥胖存在局限性，而 VAI 能更敏感地反映内脏脂肪含量。此次研究发现 VAI 水平高会增加 CVD 风险，高蛋白质摄入则能降低风险，膳食纤维摄入也与 CVD 风险有关，低膳食纤维摄入可能意味着更高的 CVD 患病率。不过，研究也存在一些不足，比如它是横断面研究，无法确定因果关系；CVD 诊断依赖患者自述，缺乏影像检查；没有随访信息，难以判断 VAI 和饮食变化对结果的影响。但这并不影响它为人们预防 CVD 提供重要参考，让人们知道可以通过调整饮食，适当增加蛋白质和膳食纤维的摄入，关注 VAI 水平，来降低 CVD 的发病风险，也为临床医生评估患者 CVD 风险提供了新思路。未来，还需要更全面、详细的数据对研究结果进行进一步验证和完善 。
