10 种 TyG 衍生指标预测 5 年晚期 CKM 综合征的性能比较：TyG-CVAI 表现最优

《Cardiovascular Diabetology》：Triglyceride-glucose-Chinese visceral adiposity index (TyG-CVAI) outperforms other TyG-derived indices in predicting 5-year advanced cardiovascular-kidney-metabolic syndrome: a prospective community-based cohort and machine learning study in China

　　``

摘要

背景

心血管-肾脏-代谢（CKM）综合征是一个最近提出的综合疾病概念。其晚期阶段（第3-4阶段）的特点是亚临床或临床心血管疾病、严重的慢性肾脏病以及显著升高的死亡风险。甘油三酯-葡萄糖（TyG）及其衍生指标可以全面反映胰岛素抵抗（IR）和肥胖；然而，这些指标对晚期CKM综合征的预测性能尚未进行系统比较。本研究旨在比较10种TyG及其衍生指标对5年晚期CKM综合征的预测价值，并确定最佳指标。

方法

这项基于社区的前瞻性队列研究（中国广西郁林）包括2072名基线时未患晚期CKM的参与者（中位随访时间：54.7个月）。计算了10种TyG及其衍生指标（TyG、TyG-WC、TyG-WHtR、TyG-BMI、TyG-BRI、TyG-WWI、TyG-LAP、TyG-ABSI、TyG-VAI、TyG-CVAI）。使用限制性立方样条（RCS）回归分析剂量-反应关系，Cox比例风险回归估计效应大小。通过临床参考模型（Model Clinical）和简化模型（Model 2）进行敏感性分析来评估增量预测价值。主要指标是IDI和时间依赖的AUC，NRI作为次要指标（1000次自举重采样）。在训练集中联合应用了三种特征选择方法（LASSO、Boruta和RF-RFE）来确定最佳TyG指标，并使用1000次自举重采样评估其稳定性。使用六种机器学习算法（RF、XGBoost、LightGBM、MLP、AdaBoost和Bagging）构建预测模型。根据测试集的区分能力、校准（Hosmer–Lemeshow P ≥ 0.05）和临床实用性选择最佳模型，并使用Youden指数确定阈值。使用AUC、校准图、Brier评分和决策曲线分析（DCA）评估模型性能。使用Youden指数从训练集中得出风险分层临界值，并将其应用于测试集。使用SHAP解释最终的最佳模型。内部验证采用了10折交叉验证和自举乐观校正（1000次重采样）；敏感性分析包括逆概率截尾加权（IPCW）、排除患有高血压、糖尿病或正在用药的参与者、进一步调整基线CKM阶段，以及分别分析第3阶段和第4阶段的结果，并重新定义仅由eGFR < 30 mL/min/1.73 m2定义的晚期CKM。应用多重比较校正（FDR和Bonferroni）。进行了亚组分析以评估年龄、性别、吸烟、饮酒和运动层次的一致性。

结果

经过5年的随访，2072名参与者中有247人发生了晚期CKM事件（发病率密度：每100人年2.79例）。RCS分析显示，除了TyG-ABSI表现出U形非线性关联（非线性P = 0.037，交叉点：0.651和0.712）外，其余九个指标与晚期CKM风险之间存在显著的线性剂量-反应关系（整体P < 0.05，所有P > 0.05）。在完全调整后的模型中，TyG-CVAI显示出最大的效应大小（每增加1个标准差：HR = 1.290，95% CI 1.143–1.456，P < 0.001）。在使用Model Clinical进行的增量预测分析中，TyG-CVAI显示出最高的连续NRI（0.363，95% CI 0.198–0.493，P < 0.001）和中等但具有统计学意义的IDI（0.009，95% CI 0.001–0.022，P = 0.016）。在60个月时，加入TyG-CVAI使AUC略有但具有统计学意义的提升（从0.789增加到0.799；ΔAUC = 0.010，P < 0.001）。这是所有指标中最大的改进。所有三种特征选择方法一致地将TyG-CVAI确定为最佳指标。基于测试集AUC、校准曲线和Brier评分的全面评估，XGBoost模型（AUC = 0.839，95% CI 0.796–0.883，Brier score = 0.084，Hosmer–Lemeshow P = 0.200）在区分能力和校准之间取得了最佳平衡，被选为最终的最佳模型。内部验证显示10折交叉验证的AUC为0.855 ± 0.038，自举乐观校正后的AUC为0.870，表明过拟合风险较低。DCA显示，在0.10–0.40的阈值概率范围内，XGBoost模型相对于“全部治疗”策略具有积极的净效益。校准曲线显示预测概率和观察结果之间有很好的一致性。对最终六特征XGBoost模型的SHAP分析说明了年龄、性别、高血压、糖尿病、LDL-C和TyG-CVAI的贡献。使用0.14的临界值，将测试集分为低风险组和高风险组，5年的晚期CKM累积发病率分别为5.9%和38.1%（HR = 8.356，95% CI 5.105–13.676，P < 0.001）。亚组分析显示各层次之间的一致性（所有P > 0.05）。敏感性分析包括排除患有高血压、糖尿病或正在用药的参与者、进一步调整基线CKM阶段，以及分别分析第3阶段和第4阶段的结果，结果一致。这些发现经FDR和Bonferroni校正后仍然稳健，且TyG-CVAI在100%的自举重采样中均被选中。

结论

在评估的10种TyG及其衍生指标中，TyG-CVAI在预测5年晚期CKM综合征方面表现出优越的性能，具有最大的效应大小和最高的连续NRI，尽管其额外的预测价值相对于已建立的临床预测因子来说较为 modest。这些发现在多种机器学习方法中保持一致。TyG-CVAI可能作为一种低成本的辅助工具，在社区环境中用于识别晚期CKM高风险个体，有待外部验证。

图形摘要

背景

心血管-肾脏-代谢（CKM）综合征是一个最近提出的综合疾病概念。其晚期阶段（第3-4阶段）的特点是亚临床或临床心血管疾病、严重的慢性肾脏病以及显著升高的死亡风险。甘油三酯-葡萄糖（TyG）及其衍生指标可以全面反映胰岛素抵抗（IR）和肥胖；然而，这些指标对晚期CKM综合征的预测性能尚未进行系统比较。本研究旨在比较10种TyG及其衍生指标对5年晚期CKM综合征的预测价值，并确定最佳指标。

方法

这项基于社区的前瞻性队列研究（中国广西郁林）包括2072名基线时未患晚期CKM的参与者（中位随访时间：54.7个月）。计算了10种TyG及其衍生指标（TyG、TyG-WC、TyG-WHtR、TyG-BMI、TyG-BRI、TyG-WWI、TyG-LAP、TyG-ABSI、TyG-VAI、TyG-CVAI）。使用限制性立方样条（RCS）回归分析剂量-反应关系，Cox比例风险回归估计效应大小。使用临床参考模型（Model Clinical）和简化模型（Model 2）进行敏感性分析来评估增量预测价值。主要指标是IDI和时间依赖的AUC，NRI作为次要指标（1000次自举重采样）。在训练集中联合应用了三种特征选择方法（LASSO、Boruta和RF-RFE）来确定最佳TyG指标，并使用1000次自举重采样评估其稳定性。使用六种机器学习算法（RF、XGBoost、LightGBM、MLP、AdaBoost和Bagging）构建预测模型。根据测试集的区分能力、校准（Hosmer–Lemeshow P ≥ 0.05）和临床实用性选择最佳模型，并使用Youden指数确定阈值。使用AUC、校准图、Brier评分和决策曲线分析（DCA）评估模型性能。使用Youden指数从训练集中得出风险分层临界值，并将其应用于测试集。使用SHAP解释最终的最佳模型。内部验证采用了10折交叉验证和自举乐观校正（1000次重采样）；敏感性分析包括逆概率截尾加权（IPCW）、排除患有高血压、糖尿病或正在用药的参与者、进一步调整基线CKM阶段，以及分别分析第3阶段和第4阶段的结果，并重新定义仅由eGFR < 30 mL/min/1.73 m2定义的晚期CKM。应用多重比较校正（FDR和Bonferroni）。进行亚组分析以评估年龄、性别、吸烟、饮酒和运动层次的一致性。

结果

经过5年的随访，2072名参与者中有247人发生了晚期CKM事件（发病率密度：每100人年2.79例）。RCS分析显示，除了TyG-ABSI表现出U形非线性关联（非线性P = 0.037，交叉点：0.651和0.712）外，其余九个指标与晚期CKM风险之间存在显著的线性剂量-反应关系（所有P < 0.05，所有P > 0.05）。在完全调整后的模型中，TyG-CVAI显示出最大的效应大小（每增加1个标准差：HR = 1.290，95% CI 1.143–1.456，P < 0.001）。在使用Model Clinical进行的增量预测分析中，TyG-CVAI显示出最高的连续NRI（0.363，95% CI 0.198–0.493，P < 0.001）和中等但具有统计学意义的IDI（0.009，95% CI 0.001–0.022，P = 0.016）。在60个月时，加入TyG-CVAI使AUC略有但具有统计学意义的提升（从0.789增加到0.799；ΔAUC = 0.010，P < 0.001）。这是所有指标中最大的改进。所有三种特征选择方法一致地将TyG-CVAI确定为最佳指标。基于测试集AUC、校准曲线和Brier评分的全面评估，XGBoost模型（AUC = 0.839，95% CI 0.796–0.883，Brier score = 0.084，Hosmer–Lemeshow P = 0.200）在区分能力和校准之间取得了最佳平衡，被选为最终的最佳模型。内部验证显示10折交叉验证的AUC为0.855 ± 0.038，自举乐观校正后的AUC为0.870，表明过拟合风险较低。DCA显示在0.10–0.40的阈值概率范围内，XGBoost模型相对于“全部治疗”策略具有积极的净效益。校准曲线显示预测概率和观察结果之间有很好的一致性。对最终六特征XGBoost模型的SHAP分析说明了年龄、性别、高血压、糖尿病、LDL-C和TyG-CVAI的贡献。使用0.14的临界值，将测试集分为低风险组和高风险组，5年的晚期CKM累积发病率分别为5.9%和38.1%（HR = 8.356，95% CI 5.105–13.676，P < 0.001）。亚组分析显示各层次之间的一致性（所有P > 0.05）。敏感性分析包括排除患有高血压、糖尿病或正在用药的参与者、进一步调整基线CKM阶段，以及分别分析第3阶段和第4阶段的结果，结果一致。这些发现经FDR和Bonferroni校正后仍然稳健，且TyG-CVAI在100%的自举重采样中均被选中。

结论

在评估的10种TyG及其衍生指标中，TyG-CVAI在预测5年晚期CKM综合征方面表现出优越的性能，具有最大的效应大小和最高的连续NRI，尽管其额外的预测价值相对于已建立的临床预测因子来说较为 modest。这些发现在进行多种机器学习方法时保持一致。TyG-CVAI可能作为一种低成本的辅助工具，在社区环境中用于识别晚期CKM高风险个体，有待外部验证。

图形摘要

```