机器学习评估代谢指标与心血管事件关联：METS-IR在风险分层中的关键作用

心血管疾病(CVD)是全球主要死因，但传统代谢指标预测能力有限。为解决这一问题，中山大学等机构研究人员利用NHANES数据库(2003-2018)数据，通过XGBoost等机器学习算法系统评估了TyG、HOMA-IR等9项代谢指标对心绞痛(AP)、冠心病(CHD)等主要心血管不良事件(MACE)的预测价值。研究发现腰围和METS-IR(胰岛素抵抗代谢评分)最具预测价值，其中METS-IR的贡献度超越传统指标，为心血管风险分层提供了新工具。

　　

心血管疾病每年导致全球数百万人死亡，但传统风险评估模型存在明显局限性。在这个背景下，中山大学中医药学院联合广西医科大学第一附属医院的研究团队开展了一项突破性研究，他们发现腰围和新型代谢指标METS-IR能更精准预测心血管事件。这项发表在《Diabetology》的研究，为临床提供了更高效的风险预警工具。

研究团队采用机器学习交叉验证技术分析NHANES数据库16,299例样本，通过XGBoost、随机森林等6种算法评估代谢指标价值，并运用SHAP值解析特征重要性。关键创新在于引入100种算法组合验证，确保结论可靠性。

研究结果显示：在AP预测中，XGBoost算法AUC达0.790，腰围是最重要指标；CHD预测中BMI贡献最大；而METS-IR在所有心血管事件中均显示最强预测力，其SHAP值显著高于TyG、HOMA-IR等传统指标。进一步分析发现，METS-IR与心血管风险的关联可能通过PI3K/Akt和mTOR通路介导，影响内皮功能及心肌细胞代谢。

这项研究首次系统比较了新型代谢指标的预测效能，证实METS-IR可替代传统指标用于心血管风险评估。其临床意义在于：为无症状人群筛查提供简便工具；指导个体化预防策略制定；推动代谢异常与心血管疾病关联机制的深入研究。研究也存在样本地域局限等不足，未来需在多中心队列中验证。

结论部分强调，该研究建立了基于机器学习的心血管风险预测新范式，其中METS-IR作为核心指标，其40.966的临界值可能成为临床干预的重要参考点。这些发现为心血管疾病的早期防控提供了重要科学依据。