《Vascular Health and Risk Management》：Clustering Analysis of Ankle–Brachial Index Related Metabolic and Body Composition Profiles Using K-Means Approach
编辑推荐：
目的（Purpose）：踝肱指数（Ankle–Brachial Index，ABI）是一种用于评估外周灌注障碍的无创诊断工具。然而，ABI评估所涉及的临床参数日益增多，可能使临床决策复杂化。本研究旨在应用K-Means方法探索与踝肱指数（ABI）值相关的代谢及
目的（Purpose）：踝肱指数（Ankle–Brachial Index，ABI）是一种用于评估外周灌注障碍的无创诊断工具。然而，ABI评估所涉及的临床参数日益增多，可能使临床决策复杂化。本研究旨在应用K-Means方法探索与踝肱指数（ABI）值相关的代谢及体成分（body composition）谱的聚类情况，以识别与外周灌注相关的表型模式。
患者与方法（Patients and Methods）：研究人员在2023至2025年间从玛琅（Malang）地区社区卫生中心、医院及学术机构收集1093名参与者的原发及二手数据，开展横断面研究。分析13项临床及代谢参数，包括年龄、血压、血糖、血脂谱、尿酸及体成分指标。ABI采用血管多普勒超声仪测量，体成分采用生物电阻抗分析法（Bioelectrical Impedance Analysis，BIA）评估。研究人员分别使用含全部变量及基于增益比（gain ratio）方法进行特征选择（feature selection，FS）后的变量集进行K-Means聚类，并采用肘部法则（Elbow Method）和轮廓系数（Silhouette Score）评价聚类质量。
结果（Results）：两组方法最优聚类解均为k＝2。特征选择将参数由13项降至7项并提升聚类质量，轮廓系数由0.503升至0.559。内脏脂肪（visceral fat）、静息代谢率（resting metabolism）、身体质量指数（Body Mass Index，BMI）、体脂率（body fat）、骨骼肌（skeletal muscle）、皮下脂肪（subcutaneous fat）及细胞年龄（cell age）是区分聚类的最具影响力参数。所得聚类代表不同代谢风险谱——从较健康个体至高心血管代谢风险个体。
结论（Conclusion）：K-Means聚类可识别与踝肱指数（ABI）值相关的不同代谢及体成分谱。这些聚类代表数据驱动的模式，应被解释为描述性关联而非诊断或预测分类。研究结果为外周灌注相关代谢特征提供探索性见解，提示代谢及体成分参数可辅助将ABI分组为不同谱型。该方法在护理实践中可能有助于临床考量，但需进一步验证。
基于K-Means聚类的踝肱指数相关代谢及体成分谱分析——发表于《Vascular Health and Risk Management》
研究背景与意义
外周灌注障碍是血管疾病的常见表现，与心血管发病率及死亡率升高密切相关。踝肱指数（Ankle–Brachial Index，ABI）作为简便无创的检测外周动脉疾病（Peripheral Artery Disease，PAD）及估算总体心血管风险的手段，已被推荐用于医院及社区血管风险评估。然而，ABI判读常需结合多种代谢和体成分参数，多参数并存增加了临床决策的复杂性。数据挖掘技术特别是无监督学习的聚类分析，可在无预设结局标签情况下依据相似性将研究对象分组，揭示代谢—体成分—血管状态间潜在关联。目前将聚类方法应用于ABI相关代谢及体成分谱的研究仍有限。为此，研究人员开展此项横断面研究，以探索基于代谢及体成分参数的K-Means聚类及其与ABI的关联，为外周灌注相关的代谢特征提供描述性证据，并为护理及血管研究的假设生成提供依据。
主要技术方法概要
研究人员采用横断面分析设计，纳入印度尼西亚玛琅地区2023—2025年收集的1093名≥18岁成人样本（含原发性及二手数据），排除数据不完整者。测量13项参数：年龄、收缩压、舒张压、血糖、总胆固醇、尿酸、身体质量指数（Body Mass Index，BMI）、骨骼肌百分比、体脂百分比、内脏脂肪等级、静息代谢率、细胞年龄（cell age，生物电阻抗仪估算生理年龄）、皮下脂肪厚度；ABI以8 MHz探头血管多普勒仪测定，体成分以生物电阻抗分析仪测定。数据预处理后进行标准化。研究人员分别对所有13个变量及经方差—相关性评估筛选后保留的7个变量行K-Means聚类，以肘部法则（Elbow Method）和轮廓系数（Silhouette Score）确定最佳k值（k＝2），并以各簇均值、箱线图及变异分析表征簇特征。
研究结果
Clustering Performance with and without Feature Reduction（有无特征降维的聚类表现）
研究人员对比全变量与特征选择（FS）后7变量（内脏脂肪、静息代谢率、BMI、体脂率、骨骼肌、皮下脂肪、细胞年龄）的K-Means聚类效果，发现两种方案最优解均为k＝2。特征选择后轮廓系数由0.503提升至0.559（提高11.1%），惯性（inertia）曲线在k＝2处降幅最明显。未被保留的变量（收缩压、舒张压、血糖、胆固醇、尿酸）对簇区分贡献较小。0.503–0.559的轮廓系数提示簇间存在中等程度分离且略有重叠，结果为描述性关联。
Cluster Characteristics at K = 2 with Feature Selection（K＝2结合特征选择后的簇特征）
以筛选后7变量行k＝2聚类，Cluster 0含560人（51.2%），Cluster 1含533人（48.8%）。最具区分力参数为内脏脂肪（组间变异50.25%）、静息代谢率（23.11%）及细胞年龄（19.40%）。Cluster 0呈较高代谢风险谱：较高平均静息代谢率（1718.8 kcal/d）、内脏脂肪等级（13.8）、BMI（28.5）及较大细胞年龄（49.6岁）；Cluster 1呈较健康代谢谱：较低静息代谢率（1321.6 kcal/d）、内脏脂肪（6.9）、BMI（23.7）及较年轻细胞年龄（39.9岁）。皮下脂肪、骨骼肌及体脂率在两簇中分布相似且多处于正常范围。
Cluster Analysis at K = 3 and K = 4（K＝3及K＝4的聚类分析）
k＝3时（轮廓系数0.506），分为三簇（n＝454、337、302），内脏脂肪仍为最强区分参数（变异64.21%），分别代表低内脏脂肪/年轻细胞年龄较健康谱、中间风险谱及高内脏脂肪/年长细胞年龄高风险谱。k＝4时簇分离更细化，健康谱缩至238人，最高风险簇93人（平均BMI 34.4，细胞年龄59.1岁），其余分入两中间风险簇；内脏脂肪变异达76.09%。各k值方案中内脏脂肪始终为最主要区分变量。
Effect of Feature Reduction on Clustering Performance（特征降维对聚类表现的影响）
研究人员发现特征降维在更高k值时亦提升聚类表现，k＝8时轮廓系数改善幅度可达224.0%，表明剔除低信息量变量可增强簇质量与稳定性。但研究人员强调需独立外部数据集验证簇稳健性及推广性。
讨论与结论翻译
讨论指出，本研究显示无论是否进行特征选择，K-Means聚类最优解均为k＝2，而k＝4可提供额外亚组分化的参考信息。筛选后仅7/13个体成分及代谢参数参与簇形成，凸显所选生理指标（静息代谢率、内脏脂肪、BMI、皮下脂肪、骨骼肌、体脂率、细胞年龄）相对于穷举数据输入的意义。内脏脂肪为最突出区分变量，与既往报道ABI与中心性肥胖指标相关一致；皮下脂肪影响微弱支持外周血管功能主要受中心性脂肪分布及相关炎症机制影响之观点。静息代谢率及细胞年龄亦参与簇区分，分别反映代谢活性—血管功能交互及血管老化（内皮衰老、一氧化氮生物利用率下降、动脉僵硬度增加）。骨骼肌质量纳入提示ABI可作为肌肉骨骼健康的间接指标。研究人员明确聚类为描述性无监督方法，不建立诊断分类或因果关系；中等轮廓系数提示簇间存在重叠；原始与二手数据混用可能引入异质性；结论需外部验证确认。此聚类方法宜作为模式识别的补充探索工具，而非独立诊断或临床决策手段。
结论（Conclusion）翻译：本研究证明，对代谢及体成分参数应用K-Means聚类可识别出与踝肱指数（ABI）值相关的不同受试者谱型。结果强调了内脏脂肪、静息代谢率及细胞年龄等变量在区分这些谱型中的重要性。所得聚类代表数据驱动之代谢模式，应被解释为描述性关联而非诊断或预测分类。研究为外周灌注相关代谢特征提供探索性见解，并可为未来研究提供假设生成基础。需通过具外部验证的进一步研究确认本发现的稳健性及推广性。
