身体圆度指数与心血管风险预测：基于三队列机器学习的前瞻性研究

本刊推荐：本研究利用CHARLS、HRS和ELSA三大老龄化队列数据，通过LASSO-Cox和随机生存森林（RSF）算法构建心血管疾病（CVD）风险预测模型。研究发现年龄、高血压、收缩压（SBP）、身体质量指数（BMI）和身体圆度指数（BRI）是重要预测因子，其中BRI在预测效能上优于传统肥胖指标，为肥胖相关CVD风险防控提供了新视角。

　　

引言

心血管疾病（CVD）是全球死亡和残疾的主要负担，其患病率从1990年至2019年几乎翻倍。在众多风险因素中，肥胖作为一个可干预的独立风险因素备受关注。传统上使用身体质量指数（BMI）评估肥胖，但近年研究表明反映中心性肥胖的身体圆度指数（BRI）等新指标可能具有更好的预测价值。当前CVD预测模型存在局限性，包括单一队列开发的模型普适性不足，以及机器学习模型的可解释性差。本研究利用中国健康与养老追踪调查（CHARLS）、美国健康与退休研究（HRS）和英国老龄化纵向研究（ELSA）三大前瞻性队列，旨在构建一个基于肥胖指标的CVD风险预测模型，并通过先进的机器学习方法增强模型的可解释性。

材料与方法

研究设计基于CHARLS（2011-2018）、HRS（2012-2018）和ELSA（2012-2018）的纵向数据。入选标准为年龄≥45岁、基线无CVD，最终纳入CHARLS 5768人、HRS 3151人、ELSA 3016人。主要结局是发生CVD（自我报告的医生诊断的心脏病或卒中）。计算了五种肥胖指数：BMI、BRI、A Body Shape Index（ABSI）、腰围身高比（WHtR）和圆锥指数（CI）。协变量包括社会人口学、行为特征、疾病史、体格测量和实验室指标。统计分析采用R软件，先进行单变量Cox回归初筛变量，然后使用LASSO-Cox和RSF算法进行变量选择，最终通过多变量Cox回归构建预测模型。模型性能通过区分度（C-index）、校准曲线和时间依赖性ROC曲线评估，并使用时间依赖性特征重要性图、部分依赖生存图和SHAP图解释模型。

结果

研究人群基线特征显示，CHARLS、HRS和ELSA的中位年龄分别为57、62和64岁，女性比例分别为54.2%、61.0%和54.8%。CVD发病率分别为21.2%、13.2%和13.5%。通过LASSO-Cox和RSF算法筛选变量，最终纳入预测模型的变量为年龄、高血压、SBP、BMI和BRI。多变量Cox回归显示这些变量均为CVD的显著预测因子。模型在训练集、测试集和验证集的C-index分别为0.63、0.663和0.621，表明模型具有中等预测性能。校准曲线显示预测风险与实际风险具有良好一致性。时间依赖性ROC曲线显示，训练集在24、48和84个月的AUC分别为0.69、0.61和0.63；测试集在24、48和72个月的AUC分别为0.64、0.66和0.70；验证集相应时间点的AUC分别为0.66、0.61和0.63。模型解释结果显示，高血压和年龄在整个随访期间重要性最高，BRI和年龄对CVD结局的影响较强，所有五个变量值的增加均与CVD风险升高相关。

讨论

本研究利用三大老龄化队列构建了针对中老年人群的CVD风险预测模型，发现年龄、高血压、SBP、BMI和BRI是CVD的显著预测因子。肥胖作为CVD的独立风险因素，其关联可能通过传统和非传统风险因素介导，如代谢综合征。与BMI相比，BRI等反映中心性肥胖的指标能更精确评估腹部脂肪分布，从而提供额外的预测价值。年龄与CVD风险正相关，中年以后风险逐渐升高，老年阶段尤为明显。高血压和SBP作为已知的强风险因素，在本研究中再次被确认，两者同时纳入模型具有临床意义，可反映疾病史和当前状态。模型表现出中等预测性能，与既往研究一致。研究发现中美英三国的CVD发病率存在差异，中国发病率较高，可能源于种族差异、基因组多样性、社会经济发展和生活方式变化，以及医疗系统差异。研究存在一些局限性，包括问卷数据的回忆偏倚、协变量覆盖不足、未能处理时变协变量和长期随访数据缺乏等。未来研究应纳入更多预测因子，扩展随访时间，并在更多样化人群中验证模型。

结论

年龄、高血压、SBP、BMI和BRI是中老年人CVD的有效预测因子，特别强调肥胖在CVD风险中的作用。BRI作为新兴肥胖指标，显示出优于传统指标的预测潜力，为CVD风险防控提供了新思路。研究结果支持在临床和公共卫生实践中整合这些指标以优化CVD风险预测和干预策略。