《Cardiovascular Therapeutics》：Trajectories of a Composite Lipid, Glucose, and Refined Obesity Index Predict Cardiovascular Disease
编辑推荐：
背景：胰岛素抵抗（IR）和中心性肥胖是心血管疾病（CVD）的关键驱动因素。尽管CHG指数和肥胖相关指标可分别预测代谢风险，本研究探讨了其复合指数和纵向轨迹对CVD发病的预测价值。
方法：基于一项全国性前瞻性队列的4164名中老年参与者，研究人员分析了CHG
背景：胰岛素抵抗（IR）和中心性肥胖是心血管疾病（CVD）的关键驱动因素。尽管CHG指数和肥胖相关指标可分别预测代谢风险，本研究探讨了其复合指数和纵向轨迹对CVD发病的预测价值。
方法：基于一项全国性前瞻性队列的4164名中老年参与者，研究人员分析了CHG相关复合指数的基线水平、累积暴露和K-means定义的纵向轨迹。采用Cox回归、ROC分析和加权分位数和（WQS）回归来探讨CVD关联及预测效能。
结果：在中位随访8年期间，22.14%的参与者发生CVD。复合指数的基线值升高、累积暴露增加和不利轨迹与较高的CVD风险相关。基线CHG-WC和CHG-CVAI每增加1个标准差（SD），分别对应CVD风险增加19%和17%。其加入使Framingham风险评分的预测性能和风险分层能力获得统计学显著改善，NRI和IDI分析进一步支持了这一点。
结论：CHG-肥胖复合指数的纵向轨迹和累积暴露可作为CVD的可靠独立预测因子。动态监测这些指标有助于早期CVD风险分层。
心血管疾病（CVD）的患病率持续上升，已成为全球主要的死亡原因。肥胖和不良生活方式通过诱发代谢紊乱和血管内皮功能障碍加剧CVD风险。胰岛素抵抗（IR）是CVD的关键代谢因素。近年来，胆固醇-高密度脂蛋白-葡萄糖（CHG）指数作为IR的替代标志物，已被验证对中老年人群的CVD风险具有预测价值。然而，现有研究多关注CHG指数单独使用或与传统肥胖指标（如体质指数）结合，而体质指数无法区分脂肪分布，存在“肥胖悖论”的局限。随着精细化肥胖指标（如腰围、腰高比、内脏脂肪指数等）的出现，它们能更好地表征中心性肥胖。已有研究探讨了TyG-肥胖复合指数轨迹与CVD的关系，但CHG与精细化肥胖衍生指标（CHG-ROD）复合指数的基线水平和纵向轨迹对CVD发病的关联尚未阐明。因此，本研究旨在利用全国性前瞻队列，系统评估CHG-ROD复合指数的基线水平、累积暴露和纵向轨迹对CVD发病的预测价值。
研究人员基于中国健康与养老追踪研究（CHARLS）队列数据，纳入4164名中老年参与者，通过计算CHG指数与5种肥胖指标（BMI、WC、WHtR、VAI、CVAI）的复合指数，分析了基线水平、累积暴露和K-means聚类定义的纵向轨迹与CVD发病的关联。结果显示，在中位随访8年中，22.14%的参与者发生CVD。基线值升高、累积暴露增加及不利轨迹均与CVD风险增加显著相关。其中，CHG-WC和CHG-CVAI每增加1个标准差，CVD风险分别增加19%和17%。将复合指数加入Framingham风险评分模型后，预测性能和风险分层能力显著改善。该研究首次系统揭示了CHG-ROD复合指数动态变化与CVD的关联，为CVD早期风险分层提供了新工具。
本研究数据来源于中国健康与养老追踪研究（CHARLS）这一全国性前瞻队列。关键方法包括：1) 构建CHG-ROD复合指数，计算公式为CHG指数乘以各肥胖指标（BMI、WC、WHtR、VAI、CVAI）；2) 利用K-means聚类算法基于2012年和2015年两次测量识别纵向轨迹；3) 采用Cox比例风险回归评估关联，并逐步调整协变量；4) 使用ROC曲线分析预测性能，并通过C-index、净重分类改善指数（NRI）和综合判别改善指数（IDI）评估增量价值；5) 采用加权分位数和（WQS）回归量化各组分贡献；6) 进行亚组和敏感性分析。所有分析使用R软件完成。
**3.1 基线特征**
比较发生CVD与未发生CVD的参与者，发现CVD组年龄更大、女性比例更高、体重、腰围、BMI等指标更高，且合并高血压、糖尿病、血脂异常的比例更高；血糖、总胆固醇、LDL-C、甘油三酯水平更高，HDL水平更低。CVD组的基线及累积CHG-ROD水平显著更高，轨迹控制更差。
**3.2 心血管疾病发病风险：Kaplan-Meier生存分析**
根据CHG-ROD四分位数分组，CVD累积发病率随分位数升高而递增；轨迹控制不良组相比控制良好组具有更高的CVD发病风险（log-rank p < 0.001）。
**3.3 基线、累积暴露和轨迹与CVD的关联**
多因素Cox回归显示，在充分调整模型中，除CHG-VAI外，各复合指数基线每增加1个SD，CVD风险增加14%~19%；累积暴露每增加1个SD，风险增加7%~20%；轨迹控制不良组风险显著高于控制良好组（HR范围1.26~1.33）。这表明这些关联独立于传统危险因素。
**3.4 剂量-反应关系**
限制性立方样条（RCS）分析显示，基线CHG-BMI和CHG-CVAI与CVD呈线性关系，而CHG-WC、CHG-WHtR、CHG-VAI呈非线性关系；累积暴露方面，除cuCHG-VAI外，其余均呈线性关系。
**3.5 预测性能分析**
ROC曲线显示，基线CHG-BMI、CHG-WC、CHG-WHtR和CHG-CVAI的AUC显著优于单独CHG指数（DeLong p < 0.05），其中CHG-CVAI和CHG-WC表现最佳；累积暴露中cuCHG-WC、cuCHG-WHtR和cuCHG-CVAI优于cuCHG。将复合指数加入FRS模型后，AUC显著提升，且NRI和IDI分析支持其改善风险再分类能力。
**3.6 WQS回归分析**
WQS回归显示，在累积暴露各组分中，肥胖相关指标（如BMI、WC等）的权重显著高于其他代谢参数（如血糖、血脂），表明长期肥胖是驱动CVD的核心因素。
**3.7 敏感性分析**
亚组分析显示，在大多数亚组中，基线、累积暴露和轨迹与CVD的关联保持稳定；仅少数指标与年龄、吸烟或高血压存在交互作用。排除研究期间早期发生CVD的参与者后，结果仍稳健。
讨论部分指出，CHG指数结合了总胆固醇、HDL和空腹血糖，是IR的可靠替代标志物，但缺乏肥胖维度。结合精细化肥胖指标能更好地反映中心性肥胖和代谢紊乱的协同致病作用。与TyG-肥胖复合指数类似，CHG-肥胖复合指数特别是CHG-WC和CHG-CVAI在预测CVD方面表现优越。纵向轨迹和累积暴露方法比单次测量更能捕捉长期风险。机制上，IR和腹部肥胖通过脂毒性、炎症和氧化应激等促进CVD。CHG-VAI表现欠佳可能与其种族系数、组分重叠及人群分布失衡有关。研究的优势包括采用全国队列、动态暴露评估和WQS分析等；局限性包括自我报告结局、测量偏差、聚类简化等。总之，研究支持CHG-ROD复合指数作为CVD风险分层的有力工具。
结论：本队列研究表明，复合脂质、血糖和精细化肥胖指数的纵向轨迹是CVD发病的可靠预测因子。具体而言，包含腰围（CHG-WC）和心血管相关肥胖指标（CHG-CVAI）的复合指数表现出更优的预测性能。这些发现提示，升高的心血管风险主要由IR和腹部肥胖的协同致病效应驱动。
