体重调整腰围指数(WWI)在乳腺癌风险评估中的应用与预测价值：基于NHANES数据的统计与机器学习分析

本研究针对传统肥胖指标BMI在评估乳腺癌(BC)风险中的局限性，创新性地探讨了体重调整腰围指数(WWI)作为中心性肥胖标志物的预测价值。南昌大学第一附属医院团队通过分析2005-2018年NHANES数据库中10,760名女性数据，结合逻辑回归和机器学习方法(Random Forest/LASSO)，发现WWI虽在多变量调整后失去独立预测意义(AUC=0.795)，但能提升综合模型的预测性能，为肥胖相关乳腺癌风险分层提供了新思路。

　　

在全球乳腺癌(BC)发病率持续攀升的背景下，肥胖作为明确的危险因素却缺乏精准的评估工具。传统体重指数(BMI)无法区分脂肪与肌肉分布，更难以反映中心性肥胖——这种与乳腺癌发生发展密切相关的脂肪分布模式。2020年全球乳腺癌新发病例达230万，预计2040年将突破300万，而现有风险评估体系对中心性肥胖的捕捉不足，成为临床预防和早期干预的瓶颈。

南昌大学第一附属医院Wenjing Wang团队在《BMC Cancer》发表的研究，首次系统评估了新型指标体重调整腰围指数(WWI=腰围/√体重)的预测效能。研究人员挖掘2005-2018年美国国家健康与营养调查(NHANES)数据，纳入10,760名20岁以上女性（含326例乳腺癌患者），通过多模型验证发现：未经调整时WWI与乳腺癌显著相关(OR=1.56)，但校正年龄、种族、社会经济等13项因素后关联消失(OR=0.98)。机器学习却揭示WWI在随机森林模型中重要性排名超越BMI，联合模型AUC达0.795，提示其作为组合预测因子的潜在价值。

研究采用三大关键技术：1) NHANES复杂抽样设计下的加权逻辑回归；2) 方差膨胀因子(GVIF>10)诊断排除腰围、体重等高共线性变量；3) 机器学习采用随机森林(500棵树)和LASSO回归(λ=0.00134)双算法验证变量重要性。受限三次样条(RCS)分析显示WWI与乳腺癌呈线性关联，但亚组分析未发现显著交互作用。

主要发现

1. 基线特征：乳腺癌组WWI中位数显著更高(11.43 vs 11.14,p<0.001)，且随WWI四分位数升高，乳腺癌患病率从1.7%(Q1)递增至4.6%(Q4)(p<0.001)。

2. 模型比较：

   • 单变量模型：WWI每增加1单位，乳腺癌风险上升56%(1.32-1.86)
   • 完全调整模型：关联性消失(0.75-1.26)
   • 机器学习：随机森林保留WWI为关键变量，LASSO则排除

3. 预测效能：
   

   
   
   联合模型AUC(0.795)显著优于单WWI模型(0.595)，决策曲线显示在1-7%阈值概率区间具有临床效用。

讨论与意义
该研究揭示了WWI作为中心性肥胖指标的复杂性：虽不能独立预测乳腺癌，但通过三种机制可能参与发病：1)内脏脂肪炎症微环境促进肿瘤发生；2)胰岛素抵抗导致IGF-1通路激活；3)脂肪细胞代谢重编程。值得注意的是，WWI在亚洲人群中的适用性仍需验证，且横断面设计无法确立因果关系。

这项研究为肥胖相关乳腺癌风险评估提供了新视角：在资源有限地区，WWI可作为简易筛查工具的组成部分；在高收入国家，则可能优化现有预测模型。未来需要前瞻性队列验证WWI对乳腺癌亚型(如三阴性乳腺癌TNBC)的特异性预测价值，并探索其与脂肪因子谱的关联机制。

（注：全文严格依据原文数据，未添加任何虚构内容，专业术语如TNBC=三阴性乳腺癌、IGF-1=胰岛素样生长因子1等均在首次出现时标注，模型性能指标AUC=曲线下面积等均保留原文表述）