-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
基于问卷诊断的阻塞性睡眠呼吸暂停成人患者中，炎症-营养指标及TyG相关指标与5年死亡风险之间的基准研究：一项采用调查加权方法的NHANES衍生队列及多中心外部验证研究
《Journal of Translational Medicine》：Benchmarking inflammation-nutrition and TyG-related indices for 5-year mortality risk in adults with questionnaire-defined obstructive sleep apnea: a survey-weighted NHANES derivation cohort with multicenter external validation
【字体： 大 中 小 】 时间：2026年07月12日 来源：Journal of Translational Medicine 9.7
编辑推荐：
摘要背景阻塞性睡眠呼吸暂停（OSA）与较高的死亡率相关，一些易于获取的生物标志物或许有助于对OSA患者进行风险分层，但它们的比较优势和额外价值仍不明确。我们研究了通过问卷诊断出的OSA患者体内的炎症-营养指标以及与TyG相关的代谢指标在预测死亡风险方面的作用，评估了这些指标是否能
阻塞性睡眠呼吸暂停（OSA）与较高的死亡率相关，一些易于获取的生物标志物或许有助于对OSA患者进行风险分层，但它们的比较优势和额外价值仍不明确。我们研究了通过问卷诊断出的OSA患者体内的炎症-营养指标以及与TyG相关的代谢指标在预测死亡风险方面的作用，评估了这些指标是否能在基础临床模型之外进一步提升5年全因死亡率的预测精度。
我们分析了来自NHANES 2005–2008年和2015–2018年研究队列的3,503名通过问卷诊断为OSA的成年人。共评估了7种潜在生物标志物：TyG、TyG-BMI、TyG-WC、TyG-WHtR、TG/HDL-C、晚期肺癌炎症指数（ALI）以及中性粒细胞比例与白蛋白比值（NPAR）。通过调查加权Cox模型和限制立方样条函数来分析这些指标与死亡风险之间的关联。我们建立了两种5年全因死亡率预测模型：基于分位数的模型（模型1）和连续数值模型（模型2）。内部验证采用了自举乐观校正法、校准曲线、布里尔分数以及决策曲线分析。通过似然比检验、AUC变化值以及净重新分类改善值来评估这些指标相对于预设基础模型的额外价值。外部验证则在6家医院的200名中国多中心患者中开展。所有纳入研究的患者从基线评估开始至少有5年的随访时间，以便准确确定5年全因死亡的二元结局。外部验证所使用的最终模型为Base＋Combine模型，其性能通过与基础模型对比的ROC分析、校准图、校准截距和斜率、布里尔分数以及决策曲线分析来评估。
在中位数57.0个月（四分位数范围33.0–150.0个月）的随访期间，研究队列中有293例全因死亡发生。在各个单独的生物标志物中，ALI在各项分析中都显示出最强的与死亡相关的信号，而NPAR在部分单标志物分析和非线性分析中也有信号，但在全面的多变量调整后则显得不够稳定。与TyG相关的指标与死亡风险的关联程度也有所不同，主要是在综合预测模型中发挥作用。在模型1中，包含全部7种指标的综合模型取得了0.735的AUC值、经自举校正后的AUC值为0.721，布里尔分数为0.039。在模型2中，表现最佳的综合模型包含了TyG-BMI、TyG-WC、TyG-WHtR、TG/HDL-C和ALI，对应的AUC值为0.765，经自举校正后的AUC值为0.761，布里尔分数为0.038。两种模型内部的校准情况均尚可，其中模型2的表现更好。决策曲线分析显示，相比“全部治疗”和“不治疗”策略，这两种模型都具有明显的优势，且模型2的临床可用阈值范围更广。与基础模型相比，综合生物标志物模型提升了模型拟合度（似然比检验p＜0.001）和重新分类效果（NRI p＜0.001），不过AUC的提升幅度较为有限。在外部验证队列中，预设的最终Base＋Combine模型取得了0.697的AUC值（95%置信区间为0.581–0.813），而基础模型的AUC值为0.672（95%置信区间为0.553–0.791）。两种模型的外部校准效果均不尽理想，基础模型的校准截距为-1.609，校准斜率为0.385，布里尔分数为0.138；而最终Base＋Combine模型的校准截距为3.782，校准斜率为0.402，布里尔分数为0.089。在外部决策曲线分析中，基础模型在较低的阈值概率下具有更大的净收益，而最终Base＋Combine模型则在相对较窄的较高阈值范围内具有更大优势（大约在0.14–0.30之间）。鉴于外部验证样本数量有限，这些结果应被视为该预测模型适用性的初步证据，而非其明显优于其他预测工具的定论。
在通过问卷诊断出OSA的NHANES研究人群中，炎症-营养指标，尤其是ALI，在单标志物层面显示出比与TyG相关的指标更强的与死亡相关的信号，而NPAR在部分分析中也有一定的辅助作用。更重要的是，综合炎症-代谢生物标志物模型能够在常规临床变量之外，为5年全因死亡风险的评估提供一定的额外信息。在通过PSG确诊OSA的独立多中心研究队列中，最终的Base＋Combine模型表现出一定的适用性，区分能力有所提升，但校准效果较差。在外部决策曲线分析中，该模型的任何额外优势似乎都仅存在于相对较窄的较高阈值范围内。总体而言，这些研究结果支持将这类指标用于实际的风险评估，但不宜立即将其视为明显优于现有方法的临床预测工具。
阻塞性睡眠呼吸暂停（OSA）与较高的死亡率相关，一些易于获取的生物标志物或许有助于对OSA患者进行风险分层，但它们的比较优势和额外价值仍不明确。我们研究了通过问卷诊断出的OSA患者体内的炎症-营养指标以及与TyG相关的代谢指标在预测死亡风险方面的作用，评估了这些指标是否能在基础临床模型之外进一步提升5年全因死亡率的预测精度。
我们分析了来自NHANES 2005–2008年和2015–2018年研究队列的3,503名通过问卷诊断为OSA的成年人。共评估了7种潜在生物标志物：TyG、TyG-BMI、TyG-WC、TyG-WHtR、TG/HDL-C、晚期肺癌炎症指数（ALI）以及中性粒细胞比例与白蛋白比值（NPAR）。通过调查加权Cox模型和限制立方样条函数来分析这些指标与死亡风险之间的关联。我们建立了两种5年全因死亡率预测模型：基于分位数的模型（模型1）和连续数值模型（模型2）。内部验证采用了自举乐观校正法、校准曲线、布里尔分数以及决策曲线分析。通过似然比检验、AUC变化值以及净重新分类改善值来评估这些指标相对于预设基础模型的额外价值。外部验证则在6家医院的200名中国多中心患者中开展。所有纳入研究的患者从基线评估开始至少有5年的随访时间，以便准确确定5年全因死亡的二元结局。外部验证所使用的最终模型为Base＋Combine模型，其性能通过与基础模型对比的ROC分析、校准图、校准截距和斜率、布里尔分数以及决策曲线分析来评估。
在中位数57.0个月（四分位数范围33.0–150.0个月）的随访期间，研究队列中有293例全因死亡发生。在各个单独的生物标志物中，ALI在各项分析中都显示出最强的与死亡相关的信号，而NPAR在部分单标志物分析和非线性分析中也有信号，但在全面的多变量调整后则显得不够稳定。与TyG相关的指标与死亡风险的关联程度也有所不同，主要是在综合预测模型中发挥作用。在模型1中，包含全部7种指标的综合模型取得了0.735的AUC值、经自举校正后的AUC值为0.721，布里尔分数为0.039。在模型2中，表现最佳的综合模型包含了TyG-BMI、TyG-WC、TyG-WHtR、TG/HDL-C和ALI，对应的AUC值为0.765，经自举校正后的AUC值为0.761，布里尔分数为0.038。两种模型内部的校准情况均尚可，其中模型2的表现更好。决策曲线分析显示，相比“全部治疗”和“不治疗”策略，这两种模型都具有明显的优势，且模型2的临床可用阈值范围更广。与基础模型相比，综合生物标志物模型提升了模型拟合度（似然比检验p＜0.001）和重新分类效果（NRI p＜0.001），不过AUC的提升幅度较为有限。在外部验证队列中，预设的最终Base＋Combine模型取得了0.697的AUC值（95%置信区间为0.581–0.813），而基础模型的AUC值为0.672（95%置信区间为0.553–0.791）。两种模型的外部校准效果均不尽理想，基础模型的校准截距为-1.609，校准斜率为0.385，布里尔分数为0.138；而最终Base＋Combine模型的校准截距为3.782，校准斜率为0.402，布里尔分数为0.089。在外部决策曲线分析中，基础模型在较低的阈值概率下具有更大的净收益，而最终Base＋Combine模型则在相对较窄的较高阈值范围内具有更大优势（大约在0.14–0.30之间）。鉴于外部验证样本数量有限，这些结果应被视为该预测模型适用性的初步证据，而非其明显优于其他预测工具的定论。
在通过问卷诊断出OSA的NHANES研究人群中，炎症-营养指标，尤其是ALI，在单标志物层面显示出比与TyG相关的指标更强的与死亡相关的信号，而NPAR在部分分析中也有一定的辅助作用。更重要的是，综合炎症-代谢生物标志物模型能够在常规临床变量之外，为5年全因死亡风险的评估提供一定的额外信息。在通过PSG确诊OSA的独立多中心研究队列中，最终的Base＋Combine模型表现出一定的适用性，区分能力有所提升，但校准效果较差。在外部决策曲线分析中，该模型的任何额外优势似乎都仅存在于相对较窄的较高阈值范围内。总体而言，这些研究结果支持将这类指标用于实际的风险评估，但不宜立即将其视为明显优于现有方法的临床预测工具。
