《International Journal of Endocrinology》：Decoding the Nonlinear Association Between Visceral Adiposity Index and All-Cause Mortality: The Mediating Role of White Blood Cells and Neutrophils
1. 引言
肥胖已成为全球性的公共卫生问题，据世界卫生组织预测，到2025年全球肥胖患病率将达到18%，给医疗系统和经济带来沉重负担。肥胖是多种慢性病的主要诱因，并显著增加全因死亡风险。尽管身体质量指数（BMI）被广泛用于评估肥胖，但其在预测健康风险方面存在局限性，因为它无法准确反映内脏脂肪分布和代谢功能。
近年来，内脏脂肪指数（VAI）作为一种综合指标，整合了性别、腰围（WC）、体重和血脂水平等变量，能够更敏感地评估肥胖相关的代谢风险。与BMI相比，VAI能更精确地反映腹部脂肪分布和代谢功能，并在多项研究中显示出对全因死亡率的强大预测能力，成为传统BMI的有力补充。
既往研究表明，VAI与全因死亡率之间存在显著关联，在老年人和透析患者中表现出较强的预测能力。然而，这些研究存在样本偏倚，且缺乏对普通成年人群的全面分析。此外，现有文献主要关注VAI的流行病学预测作用，对其潜在的生物学机制关注有限。特别是，作为肥胖相关健康风险的关键介质，炎症在VAI与全因死亡率关联中的作用尚未得到充分验证和探讨。
为填补上述研究空白，本研究利用美国国家健康与营养调查（NHANES）1999-2018年的数据，系统探讨了VAI与全因死亡率之间的关联，全面评估了其在不同亚组中的适用性，并首次量化了VAI的风险阈值。此外，研究还通过考察白细胞计数（WBC）、中性粒细胞计数、淋巴细胞计数、红细胞分布宽度（RDW）和中性粒细胞与淋巴细胞比值（NLR）等关键炎症生物标志物，深入探讨了系统性炎症在这一关系中的中介作用，为揭示代谢风险与死亡率之间的生物学通路提供了新的见解。
2. 材料与方法
2.1. 研究设计与人群
本研究采用纵向队列设计，利用NHANES数据进行分析。NHANES采用多阶段概率抽样，确保数据具有全国代表性。数据通过访谈、临床评估和实验室评估收集，整个过程受到严格监督，并由专业培训的医疗人员执行。
本研究纳入了1999-2018年NHANES周期的数据。排除了20岁以下个体、无腰围数据者、无BMI数据者、无甘油三酯（TG）数据者、无高密度脂蛋白胆固醇（HDL-C）数据者、无WBC数据者、无淋巴细胞计数数据者、无死亡率数据者、既往有癌症诊断者以及孕妇。最终分析共纳入19,862名参与者。
2.2. VAI评估
VAI是经过验证的内脏脂肪分布和代谢风险标志物，整合了腰围、BMI、TG和HDL-C。VAI采用性别特异性公式计算，其中TG和HDL-C以毫摩尔/升（mmol/L）为单位，BMI以千克/平方米（kg/m2）为单位，腰围以厘米（cm）为单位。该指数提供了内脏脂肪的功能性评估，已被广泛用作心血管风险、胰岛素抵抗和全因死亡率的预测因子。
由于VAI具有性别特异性和人群依赖性，目前尚无普遍接受的“正常”切点。在原始推导中，健康、非肥胖、脂肪分布正常且TG/HDL水平正常的个体被校准为VAI≈1。在本研究中，我们使用队列特异性切点将VAI分为性别特异性五分位数。
2.3. 全因死亡率评估
本研究的主要结局是全因死亡率。死亡状态通过公开可用的NHANES关联死亡率文件（更新至2019年12月31日）和国家死亡指数（NDI）确定。这些数据由国家卫生统计中心（NCHS）通过概率匹配算法提供。
2.4. 协变量
研究收集的协变量包括人口统计学因素（年龄、性别、种族、教育水平、贫困收入比）、生活方式行为（婚姻状况、吸烟史、饮酒量、体力活动）和临床指标。临床指标包括心血管疾病（充血性心力衰竭[CHF]、冠心病[CHD]、卒中）、慢性疾病（高血压、高脂血症、糖尿病）、人体测量学指标（BMI、腰围）和生化参数（HDL-C、TG、低密度脂蛋白胆固醇[LDL-C]、总胆固醇[TC]）。此外，还包括血液学标志物，如RDW、WBC、淋巴细胞计数、中性粒细胞计数和NLR。
2.5. 统计分析
NHANES采用多阶段抽样框架，统计分析纳入权重以产生具有全国代表性的结果。统计分析使用R（版本4.2.2）和EmpowerStats（版本4.2）进行。由于VAI呈偏态分布，在统计分析前进行log2转换。此外，log2-VAI在从连续变量转换后，被分为基于四分位数的组别。
分类变量用频率和百分比进行总结，组间比较采用卡方检验。连续变量用加权平均值及其相应的95%置信区间（CI）表示，组间差异采用加权线性回归分析进行评估。所有分析的统计学显著性阈值设定为p<0.05。
使用Kaplan-Meier分析评估VAI四分位数间的生存概率。采用对数秩检验评估组间差异。采用Cox比例风险模型分析log2转换后的VAI与全因死亡率之间的关联，估计log2-VAI（连续）和VAI四分位数（分类）的风险比（HR）和95% CI。提出了三个不同的模型：第一个模型未调整协变量；第二个模型调整了年龄、性别和种族；第三个模型额外调整了社会经济因素（教育水平、贫困收入比、婚姻状况）、生活方式变量（吸烟、饮酒、体力活动）、心血管疾病（CHF、CHD、卒中）、血液学标志物（WBC、淋巴细胞计数、中性粒细胞计数、RDW、NLR）和代谢状况（高血压、糖尿病、TC）。
为分析log2-VAI与全因死亡率之间的非线性相关性，采用了限制性立方样条（RCS）回归，并在整个模型中调整协变量。采用分段回归模型和对数似然比检验探讨log2-VAI对全因死亡率的潜在阈值效应，并调整相关混杂因素。
此外，利用亚组分析考察VAI与全因死亡率在不同类别中的关联，包括人口统计学（性别、年龄、种族、婚姻状况）、社会经济因素（教育、收入）、行为（吸烟、体力活动）和健康状况（CHF、CHD、卒中、高血压、糖尿病）。本研究采用因果中介分析评估WBC、中性粒细胞计数、淋巴细胞计数、RDW和NLR在log2-VAI与全因死亡率关联中的中介效应。分析使用EmpowerStats进行，间接效应（IE）通过非参数Bootstrap重抽样方法估计，以生成偏差校正的95% CI。log2-VAI对全因死亡率的总效应被分解为直接效应（DE）和间接效应，并据此计算中介比例。如果间接效应的95% CI不包含零，则认为中介效应具有统计学意义。
为评估研究结果对未测量混杂因素的稳健性，使用EmpowerStats计算了E值。该分析量化了未测量的混杂因素需要与log2-VAI和全因死亡率同时具有多强的关联强度，才能完全解释观察到的关系。
3. 结果
3.1. 基线特征
表1展示了按log2-VAI四分位数分层的加权社会人口学和协变量分布。本研究共纳入19,862名参与者，平均年龄为48.54岁。其中，50.13%为男性，42.19%为非西班牙裔白人。平均VAI为4.85，平均log2-VAI为1.81。log2-VAI被分为以下四分位数：（1）<1.04；（2）1.04-1.76；（3）1.76-2.52；（4）>2.52。
处于较高log2-VAI四分位数的参与者往往年龄更大、男性居多、更常为非西班牙裔白人，且更可能拥有较高的教育水平和中等贫困收入比。他们也更常已婚或与伴侣同居。此外，这些参与者吸烟史患病率更高，体力活动水平较低，BMI和腰围更大。在疾病患病率方面，处于较高log2-VAI四分位数的参与者高血压、糖尿病、卒中、CHF和CHD的比例显著更高。在生化标志物方面，这些参与者的HDL-C水平较低，但TG、LDL-C、TC和血液学计数（WBC、中性粒细胞、淋巴细胞和NLR）水平显著更高。
3.2. log2-VAI与死亡率的关联
在整个随访期间，中位随访时间为118.3个月（范围1-249个月），共记录了2622例死亡，占所有参与者的13.2%。Kaplan-Meier生存分析显示，较高的log2-VAI四分位数与全因死亡率升高和生存率降低密切相关。在观察期内，Q4组的全因死亡率累积发生率相对于Q1组最高（对数秩p<0.001）。
log2-VAI与全因死亡率的关联如表2所示。根据粗模型，log2-VAI每增加一个单位，全因死亡风险增加24%（HR：1.24，95% CI：1.19-1.30，p<0.001）。根据部分调整模型，关联略有减弱但仍具有统计学意义（HR：1.16，95% CI：1.10-1.22）。在调整了所有混杂因素的模型中，log2-VAI每增加一个单位，全因死亡风险增加8%（HR：1.08，95% CI：1.02-1.14，p<0.001）。此外，当log2-VAI按四分位数分组时，Q4组的全因死亡风险显著高于Q1组（完全调整HR：1.22，95% CI：1.05-1.43，趋势p<0.001）。
3.3. log2-VAI与死亡率的非线性关联
平滑曲线拟合和阈值效应分析显示，log2-VAI与全因死亡率之间存在非线性相关性。随着log2-VAI水平升高，死亡风险先下降后上升，在log2-VAI=1.81处观察到转折点。低于此阈值时，关联不显著（HR：0.93，95% CI：0.85-1.02，p=0.1183）。高于此阈值时，全因死亡风险显著增加（HR：1.12，95% CI：1.05-1.20，p=0.0004）。似然比检验证实存在显著的阈值效应（p<0.005）。这些结果考虑了各种混杂因素，如人口统计学特征、生活习惯和合并症。
3.4. 亚组分析
为评估log2-VAI与全因死亡率关联在不同队列中的稳定性，并识别潜在的人群差异，研究按性别、年龄、种族、教育、婚姻状况、收入水平、吸烟状况、体力活动、CHF、CHD、卒中、高血压和糖尿病进行了分层分析和交互作用检验。
亚组分析显示，该关联在某些亚组中存在显著差异。在年龄分析中，log2-VAI与40-60岁个体的全因死亡率显著相关（HR：1.24，95% CI：1.15-1.34；p<0.0001），但在<40岁（HR：1.17，95% CI：0.99-1.37）或>60岁（HR：0.99，95% CI：0.95-1.03）个体中不显著（交互作用p=0.0001）。此外，在CHD亚组分析中，log2-VAI与无CHD参与者的全因死亡率密切相关（HR：1.18，95% CI：1.13-1.22；p<0.0001），而在有CHD的参与者中，关联无统计学意义（HR：0.88，95% CI：0.79-0.99；p=0.0306，交互作用p=0.0293）。在其他亚组中，尽管log2-VAI与全因死亡率之间的联系存在显著差异，但所有评估的交互作用均无显著结果（交互作用p>0.05）。
3.5. 炎症相关指标的中介作用
中介分析显示，在调整混杂因素后，WBC介导了log2-VAI与全因死亡率之间45.07%的关联，间接效应为-1.79（95% CI：-2.32至-1.31，p<0.0001）。对于中性粒细胞计数，中介比例为37.91%，间接效应为-1.65（95% CI：-2.04至-1.31，p<0.0001）。在这两个模型中，log2-VAI对全因死亡率的直接效应均无统计学意义（p>0.05）。此外，对其他炎症生物标志物（包括淋巴细胞计数、RDW和NLR）的中介分析显示，没有显著的中介效应。
3.6. 敏感性分析
研究计算了E值以评估未测量混杂因素对VAI与全因死亡率关联的潜在影响。对于主要分析（HR=0.72），E值为2.12，表明一个未测量的混杂因素需要与VAI和全因死亡率同时具有至少2.12的风险比，才能完全解释观察到的关联。此外，如果混杂因素与VAI的关联度假设为1.67，那么它与死亡率的关联度需要达到风险比≥3.31才能抵消观察到的效应。因此，除非存在极强的未测量混杂因素，否则研究结果被认为是稳健的。
4. 讨论
本研究确定了log2-VAI与全因死亡率之间的强关联，并首次阐明了这种关系的非线性特征，确定log2-VAI=1.81为风险转折点。研究结果表明，log2-VAI每增加一个单位与全因死亡风险升高相关，尤其是在中年人群（40-60岁）和无CHD的人群中。此外，中介分析首次系统性地证明，WBC和中性粒细胞计数分别介导了log2-VAI与全因死亡率之间45.07%和37.91%的关联，表明炎症是这一关系背后的核心机制。
既往研究广泛探讨了VAI与死亡率之间的关联，证实了其作为代谢风险和生存结局重要预测因子的潜力。然而，这些研究往往存在研究人群受限、随访时间相对较短以及对潜在生物学机制探索不足等局限性。相比之下，本研究基于具有全国代表性的NHANES 1999-2018年数据，克服了上述局限性。通过近20年的随访期，研究利用RCS和分段Cox回归模型验证了VAI与全因死亡率之间的非线性关联，并通过E值敏感性分析进一步证实了结果的稳健性。这些方法学优势增强了研究结果的统计可靠性和机制可解释性，提供了更大的外部有效性和临床相关性。
本研究首次在普通成年人群中确定了全因死亡率的临床意义阈值（log2-VAI=1.81，约等于3.5），并证明系统性炎症标志物——WBC和中性粒细胞计数——部分介导了VAI与死亡率之间的关联，从而揭示了潜在的生物学机制。为了进一步阐明炎症在这一关系中的作用，研究最初考虑了多种炎症生物标志物作为潜在中介。然而，由于NHANES数据集中缺乏IL-6和TNF-α数据，且CRP数据不完整，无法将其纳入分析。为确保全面评估，研究将WBC、中性粒细胞计数、RDW和淋巴细胞计数纳入中介分析模型，以系统评估它们在VAI与死亡率关联中的作用。结果显示，WBC和中性粒细胞计数分别介导了45.07%和37.91%的关联，表明这些炎症标志物可能通过促进炎症激活和代谢功能障碍，成为连接VAI与全因死亡率的关键生物学调节因子。
作为肥胖相关代谢紊乱的标志，慢性炎症是连接肥胖与死亡风险增加的关键介质。在肥胖个体中，脂肪组织中促炎M1巨噬细胞和Th1细胞数量显著增加，而调节性T细胞（Tregs）减少。免疫细胞失衡导致促炎细胞因子（如MCP-1、IL-6和TNF-α）持续分泌，从而诱导胰岛素抵抗和血脂异常。这些代谢异常通过循环炎症因子进一步激活中性粒细胞和WBC，维持系统性炎症状态。
中性粒细胞的促炎机制在这一过程中尤为关键。中性粒细胞通过释放活性氧（ROS）和弹性蛋白酶直接损伤血管内皮，同时通过增强氧化应激促进动脉粥样硬化和组织损伤。WBC升高是系统性炎症的广泛标志，反映了免疫激活增强。这种升高不仅与氧化应激水平增加有关，还通过促进血管重塑和免疫功能障碍加剧代谢紊乱。这些机制显著增加了全因死亡风险。
干预研究表明，调节炎症可以降低高VAI个体的死亡风险。例如，地中海饮食通过减少脂肪组织炎症，显著降低了VAI的代谢风险和相关的炎症水平。此外，二甲双胍等药物干预通过激活AMPK信号通路调节巨噬细胞极化并抑制中性粒细胞的促炎活性，进一步支持了通过调节炎症来降低死亡风险的可行性。
本研究首次定量确定了log2-VAI=1.81作为死亡风险的非线性阈值。当log2-VAI低于此值时，死亡风险相对较低，而超过1.81则与死亡风险显著增加相关。这种非线性关系可能反映了脂肪组织从代谢稳态向代谢功能障碍的转变。当log2-VAI<1.81时，脂肪组织保留足够的脂质储存能力，有效缓冲游离脂肪酸（FFAs），防止其在肝脏、胰腺和血管中过度沉积，从而减少脂毒性和胰岛素抵抗。此外，代谢健康的脂肪组织分泌抗炎细胞因子，维持免疫稳态并抑制慢性炎症，这可以解释为什么较低的VAI水平不会显著增加死亡风险。然而，当log2-VAI超过1.81时，脂肪组织储存能力受损，导致FFA释放增加并沉积在肝脏和胰腺中，从而促进胰岛素抵抗和脂毒性损伤。同时，慢性低度炎症加剧，M1巨噬细胞浸润脂肪组织，触发促炎细胞因子（TNF-α、IL-6和MCP-1）的分泌，并进一步激活WBC和中性粒细胞。这一级联反应加剧了血管损伤、氧化应激和动脉粥样硬化，加速了死亡风险的上升。这种阈值效应与脂肪组织扩张极限假说一致，该假说认为一旦脂肪组织达到其储存能力，其保护作用就会减弱，导致FFA溢出和全身性代谢功能障碍。
本研究的亚组分析表明，log2-VAI与死亡风险的关联在中年人群（40-60岁）和无CHD的人群中更为明显。这一发现可能反映了中年人群正处于代谢和炎症反应的关键过渡阶段，生活方式因素与代谢负担相结合，使他们更容易受到高VAI水平的影响。相比之下，在<40岁的人群中未观察到显著关联，这可能是由于他们的基线死亡风险较低，整体健康状况较好，从而降低了VAI对死亡风险的相对贡献。此外，该年龄组的代谢紊乱和慢性炎症状况较轻，可能阻止了死亡风险的显著增加。对于老年人，死亡风险主要由合并症驱动，可能掩盖了VAI的独立作用。同样，在CHD患者中，心血管事件导致的过早死亡可能稀释了VAI在全因死亡率分析中的贡献。为了更精确地量化VAI在不同人群中的作用，未来的研究可以采用竞争风险模型来进一步剖析其对全因死亡率的独立贡献。
鉴于中年人群具有较高的代谢和炎症风险特征，本研究建议针对该人群的靶向健康干预可能显著降低死亡风险。在个体层面，坚持地中海饮食有助于减少促炎细胞因子分泌，而定期进行中等强度的有氧运动（如快走或慢跑）可以改善代谢功能并降低VAI。在公共卫生层面，建议将VAI评估纳入常规健康检查、慢性病管理计划和社区卫生服务中，以优化个性化健康管理策略。此外，社区健康促进项目可包括在社区卫生服务中心进行饮食咨询，制定抗炎饮食计划，并定期监测WBC和中性粒细胞计数，提供相应的个性化健康报告。
本研究利用具有全国代表性的NHANES数据，首次确定了炎症生物标志物（WBC和中性粒细胞计数）在连接VAI与全因死亡率中的关键中介作用。同时，研究还强调了中年人群在代谢健康管理中的独特性，为公共卫生政策和个性化干预提供了新的证据。尽管如此，本研究存在一定的局限性。首先，由于横断面设计的局限性，无法确定因果关系，且缺乏竞争风险模型可能低估了特定人群的独立风险。其次，炎症生物标志物的选择有限，可能无法全面反映炎症状态。第三，我们依赖公开使用的关联死亡率文件；由于2015-2018年外部原因类别不可用，我们无法在所有周期中统一排除创伤/外部原因死亡。这一限制可能会引入轻微的稀释偏倚；然而，我们关于非线性模式和已验证阈值的主要推论不太可能对此限制敏感。此外，作为一项观察性研究，本研究未通过干预试验验证调节炎症对降低高VAI个体死亡风险的实际效果。另外，尽管我们计算了E值来评估未测量混杂因素对VAI与全因死亡率关联的潜在影响，但需要注意的是，E值方法并未考虑所有潜在的协变量或其交互作用；因此，不能完全排除残留混杂。未来的研究应纳入竞争风险模型、更广泛的炎症生物标志物以及随机对照试验，以进一步证实和扩展本研究的结论。
5. 结论
本研究确定了log2-VAI与全因死亡率之间存在显著的非线性关系，并确定炎症是这一关系中的关键中介机制。中介研究显示，WBC和中性粒细胞计数分别介导了45.07%和37.91%的关联，进一步强调了系统性炎症在VAI升高相关代谢风险中的关键作用。这些发现为设计靶向炎症的公共卫生策略以有效减轻肥胖相关死亡风险提供了新的科学证据。
