
-
生物通官微
陪你抓住生命科技
跳动的脉搏
累积胆固醇-高密度脂蛋白-血糖指数及其变化模式与代谢功能障碍相关脂肪性肝病心血管代谢共病风险的关联:一项全国纵向队列研究
《Cardiovascular Diabetology》:Cumulative exposure and change patterns of cholesterol, high-density lipoprotein, and glucose index and incident cardiometabolic multimorbidity in middle-aged and older Chinese adults with metabolic dysfunction-associated steatotic liver disease: a nationwide cohort study
【字体: 大 中 小 】 时间:2026年10月25日 来源:Cardiovascular Diabetology 15.6
编辑推荐:
摘要背景胆固醇、高密度脂蛋白及血糖(CHG)指数可反映整合的糖脂代谢功能障碍。在代谢功能障碍相关脂肪性肝病(MASLD)患者中,累积CHG(cuCHG)及其变化模式是否与心血管代谢共病(CMM)的发生相关并能预测其发生,目前尚无定论。方法本全国队列研究纳入了来自中国健康与退休
胆固醇、高密度脂蛋白及血糖(CHG)指数可反映整合的糖脂代谢功能障碍。在代谢功能障碍相关脂肪性肝病(MASLD)患者中,累积CHG(cuCHG)及其变化模式是否与心血管代谢共病(CMM)的发生相关并能预测其发生,目前尚无定论。
本全国队列研究纳入了来自中国健康与退休纵向研究(CHRS,2011–2020年)的2,058名基线时无CMM、年龄≥45岁的MASLD参与者。采用2015年标志点设计,根据2012年和2015年的重复测量数据计算cuCHG,随访自2015年标志点开始。K-means聚类识别出三种CHG变化模式。Cox回归分析其与新发CMM的关联。限制性立方样条评估剂量-反应关系。通过受试者工作特征曲线分析、净重分类改善指数和综合判别改善指数评估预测价值。探索性地进行了基于机器学习的Boruta特征选择与SHAP可解释性分析,以识别并量化变量的相对重要性。
在平均随访4.7年期间,246名参与者(12.0%)新发CMM。cuCHG每增加一个单位,CMM风险升高36%(HR 1.36,95% CI 1.24–1.5)。最高三分位与最低三分位相比,风险升高2.38倍(95% CI 1.68–3.37;P趋势<0.001)。持续偏高变化模式的风险最高(HR 2.82,95% CI 1.92–4.14)。观察到线性剂量-反应关系(P非线性=0.772)。将cuCHG加入基本模型后,曲线下面积从0.698提高至0.722(P=0.012),净重分类改善(0.259)和综合判别改善(0.02)亦有提升。在完整病例(cuCHG HR 1.36,95% CI 1.23–1.5)、逻辑回归、Fine–Gray竞争风险模型(cuCHG HR 1.31,95% CI 1.2–1.42)及亚组分析中,结果均稳健。Boruta和SHAP分析将cuCHG识别为最重要的预测因子之一。
在中国中老年MASLD患者中,较高的cuCHG暴露水平和持续偏高的CHG变化模式均与新发CMM风险升高独立相关。将cuCHG与CHG变化模式结合,可能有助于在该人群中更早识别CMM风险增高者。

胆固醇、高密度脂蛋白及血糖(CHG)指数可反映整合的糖脂代谢功能障碍。在代谢功能障碍相关脂肪性肝病(MASLD)患者中,累积CHG(cuCHG)及其变化模式是否与心血管代谢共病(CMM)的发生相关并能预测其发生,目前尚无定论。
本全国队列研究纳入了来自中国健康与退休纵向研究(CHRS,2011–2020年)的2,058名基线时无CMM、年龄≥45岁的MASLD参与者。采用2015年标志点设计,根据2012年和2015年的重复测量数据计算cuCHG,随访自2015年标志点开始。K-means聚类识别出三种CHG变化模式。Cox回归分析其与新发CMM的关联。限制性立方样条评估剂量-反应关系。通过受试者工作特征曲线分析、净重分类改善指数和综合判别改善指数评估预测价值。探索性地进行了基于机器学习的Boruta特征选择与SHAP可解释性分析,以识别并量化变量的相对重要性。
在平均随访4.7年期间,246名参与者(12.0%)新发CMM。cuCHG每增加一个单位,CMM风险升高36%(HR 1.36,95% CI 1.24–1.5)。最高三分位与最低三分位相比,风险升高2.38倍(95% CI 1.68–3.37;P趋势<0.001)。持续偏高变化模式的风险最高(HR 2.82,95% CI 1.92–4.14)。观察到线性剂量-反应关系(P非线性=0.772)。将cuCHG加入基本模型后,曲线下面积从0.698提高至0.722(P=0.012),净重分类改善(0.259)和综合判别改善(0.02)亦有提升。在完整病例(cuCHG HR 1.36,95% CI 1.23–1.5)、逻辑回归、Fine–Gray竞争风险模型(cuCHG HR 1.31,95% CI 1.2–1.42)及亚组分析中,结果均稳健。Boruta和SHAP分析将cuCHG识别为最重要的预测因子之一。
在中国中老年MASLD患者中,较高的cuCHG暴露水平和持续偏高的CHG变化模式均与新发CMM风险升高独立相关。将cuCHG与CHG变化模式结合,可能有助于在该人群中更早识别CMM风险增高者。
