《Frontiers in Nutrition》：Lipid accumulation product and WHO risk chart-defined cardiovascular high-risk status in community adults: a cross-sectional analysis from the ChinaHEART program
编辑推荐：
背景：心血管疾病（CVD）仍是全球主要致死和致残原因之一。在社区预防筛查中，核心任务并非仅预测未来硬终点事件，而是识别需要进一步正式风险评估的人群。脂质积累产物（LAP）由腰围（WC）和甘油三酯（TG）构成，可反映中心性脂质过度积聚，但其与筛查定义的心血管高风
背景：心血管疾病（CVD）仍是全球主要致死和致残原因之一。在社区预防筛查中，核心任务并非仅预测未来硬终点事件，而是识别需要进一步正式风险评估的人群。脂质积累产物（LAP）由腰围（WC）和甘油三酯（TG）构成，可反映中心性脂质过度积聚，但其与筛查定义的心血管高风险标签之间的关系尚不明确。研究人员利用中国河南漯河ChinaHEART项目基线资料，探讨LAP是否可作为社区筛查中的实用触发指标，用于提示需进行更完整的下游风险评估，而非作为独立预后工具。
方法：本研究为横断面分析，纳入ChinaHEART漯河筛查人群中35–75岁的成年人。基线共获得6860例，排除LAP缺失57例后，最终基准分析样本为6803例。LAP按连续变量与二分类变量分析，二分类阈值由仅含LAP的受试者工作特征曲线（ROC）分析中Youden指数四舍五入得到。研究人员采用分层递进的4个Logistic回归模型、限制性立方样条（RCS）分析、亚组分析及ROC分析评估其关联与判别能力；并补充采用最小绝对收缩与选择算子（LASSO）、XGBoost和TreeSHAP进行探索性模式识别。结局为基于世界卫生组织（WHO）中国校准心血管风险图表定义的10年心血管高风险状态（≥20%）。
结果：仅含LAP的ROC模型最佳截断值为42.12，四舍五入后以42用于分组分析。LAP单独区分同期筛查定义高风险标签的能力有限，曲线下面积（AUC）为0.583；加入年龄和性别后AUC升至0.628，进一步加入人口学与社会经济变量后为0.632。按42分组后，高LAP者占42.3%，其中筛查定义CVD高风险状态比例高于低LAP组（28% vs 17%）。随着模型进一步纳入传统临床变量，关联有所减弱，但仍保持统计学意义。
结论：较高LAP与更大概率符合当下筛查定义的CVD高风险标准相关。该结果支持LAP作为社区场景下的简便筛查触发指标，用于提示进一步正式评估；但不支持将其解释为因果性风险分层证据，也不支持其作为硬心血管事件的独立预测工具。
心血管疾病（CVD）长期是全球死亡和致残的重要原因，且在快速老龄化及心代谢转型人群中负担尤重。社区筛查项目的关键目标之一，是尽早识别需要进一步详细评估的成年人。对这类项目而言，重要的并非仅是预测未来事件，更在于发现可触发更正式多变量风险评估的简便指标。
肥胖，尤其是中心性肥胖，与心代谢功能障碍和血管健康损害密切相关。体重指数（BMI）和腰围（WC）虽易获取，但难以充分反映具有代谢活性的内脏脂肪。脂质积累产物（LAP）由腰围与空腹甘油三酯（TG）计算而来，兼顾体格测量与生化指标，被视为脂质过度积聚和内脏脂肪堆积的替代标志。既往研究已将LAP与胰岛素抵抗、代谢综合征、脂肪肝、高血压及既往或新发心血管结局相关联。
然而，当研究结局不是经判定的心血管事件，而是筛查定义的高风险分类时，LAP的意义需要谨慎解释。LAP本身就是复合指标，而社区筛查中的高风险结局也由多个临床维度构成的复合概念。因此，关键临床问题并不是LAP是否能以因果意义独立预测未来事件，而是其是否能帮助提示那些可能需要更完整后续风险评估的人群。
基于ChinaHEART项目漯河现场的基线数据，研究人员将本研究重新定位为“筛查效用”而非“事件预测”。具体而言，研究人员考察了LAP与筛查定义的CVD高风险状态之间的关联，利用限制性立方样条描绘剂量-反应关系，分析亚组一致性，并评估逐步模型对同期高风险筛查标签的判别性能。
本研究为基于中国河南省漯河市ChinaHEART筛查项目基线数据的横断面分析。研究对象为35–75岁社区成年人。研究开始时共有6860例可用数据；本研究要求LAP与筛查定义的CVD高风险状态均不缺失，最终纳入6803例。描述性统计采用各变量可得数据。回归、样条和ROC分析按各模型所需变量采用模型特异性的完整病例。由于低密度脂蛋白胆固醇（LDL-C）缺失178例，探索性Model 4基于6625例，Model 1–3均为6803例。所有参与者均签署书面知情同意。研究方案获阜外医院伦理委员会批准，并在漯河市中心医院当地伦理委员会备案，报告遵循STROBE（加强流行病学观察性研究报告规范）。
研究人员由受训人员按ChinaHEART标准化流程收集问卷、体格测量、血压与实验室资料。收集的变量包括年龄、性别、婚姻状况、教育程度、农民身份、家庭年收入、吸烟、饮酒、收缩压（SBP）、空腹血糖、LDL-C及卒中史等。身高、体重和腰围按筛查规范测量，静息后测量血压，空腹采血用于检测血脂和血糖。分析中均以项目记录的筛查结局为准，而非随访期间发生的心血管事件。
LAP按性别特异公式计算：男性为（WC[cm]?65）×TG[mmol/L]，女性为（WC[cm]?58）×TG[mmol/L]。研究将LAP同时作为连续变量和二分类变量分析，后者阈值由仅含LAP的ROC分析中Youden指数推导并四舍五入。该阈值仅用于本数据集内部分类比较，不应视为可外推的临床决策界值。
结局为基于WHO中国校准心血管风险图表定义的筛查型CVD高风险状态。该图表依据年龄、性别、吸烟、糖尿病、平均收缩压和总胆固醇估算10年重大心血管事件风险，≥20%者被定义为高风险。本文将其解释为同期筛查分类，而非未来事件或预后结局。
研究预设4个递进Logistic模型：Model 1仅含LAP；Model 2加年龄和性别；Model 3进一步加婚姻、教育、农民身份和年收入；Model 4再加入吸烟、饮酒、SBP、空腹血糖、LDL-C和卒中史，作为探索性扩展而非主要推断模型。这样处理是为了避免过度调整与循环关联，因为LAP和WHO风险图表本身都整合了传统心代谢信息。
统计分析中，连续变量以中位数（四分位距）表示，分类变量以例数和百分比表示。组间比较使用Mann–Whitney U检验与卡方检验。Logistic回归估计比值比（OR）及95%置信区间（CI）。限制性立方样条使用4个节点（第5、35、65、95百分位）评估剂量-反应。还进行了分层亚组、交互图、ROC、Bootstrap和增量价值分析（AUC、NRI、IDI、DCA）。探索性机器学习部分采用LASSO筛选特征，再用XGBoost与TreeSHAP评估重要性。
3.1 筛查判别与截断值确定：ROC分析显示，LAP单独模型的Youden指数阈值为42.12，四舍五入后取42。LAP单独判别同期筛查高风险标签的AUC为0.583，说明区分能力仅为中等偏低。以42分组时，LAP的敏感度为0.551，特异度为0.612，阳性预测值为0.282，阴性预测值为0.831。加入年龄和性别后AUC提高至0.628，加入人口学和社会经济变量后为0.632。Model 4的AUC升至0.907，但由于纳入了与WHO风险图表高度重叠的传统临床因素，这一结果需谨慎解释。增量价值分析显示，在Model 4基础上加入LAP几乎不增加判别力，AUC增量、NRI和IDI均接近于零，DCA净获益曲线也几乎重叠，说明LAP在既有传统风险因素之上并无明显增益。
3.2 基线特征：按42分组后，3922例为低LAP，2881例为高LAP。高LAP组人群通常更年长、女性比例更高，并呈现更不利的心代谢特征，包括更高的BMI、腰围、SBP、DBP、更高的甘油三酯和总胆固醇、更低的HDL-C，以及更高的空腹血糖、高血压和糖尿病患病率。筛查定义CVD高风险状态在高LAP组明显更常见（28% vs 17%）。这些结果表明，LAP可捕捉社区筛查人群中心性肥胖和代谢紊乱的聚集。
3.3 LAP与筛查定义CVD高风险状态的关联：Logistic回归显示，连续LAP在各模型中均与高风险状态正相关；LAP每增加1单位，高风险状态的OR在Model 1至Model 4分别为1.007、1.009、1.009和1.003。按42分组后，高LAP相较低LAP在Model 1至Model 4中的OR分别为1.929、2.083、2.101和1.327。尽管在加入传统临床变量后效应减弱，但关联仍存在，提示LAP更适合作为筛查富集指标，而非独立风险分层工具。
3.4 限制性立方样条分析：在Model 1–3中，LAP与高风险状态的总体关联及非线性检验均显著，提示随LAP升高，风险增加并非线性均匀上升。Model 4中总体关联仍显著，但非线性证据减弱，说明在加入常规临床因素后，部分表观曲率被共同风险特征所解释。
3.5 探索性亚组、交互及机器学习分析：各亚组中，LAP与高风险标签的关联方向总体一致，性别、年龄、吸烟、饮酒、高血压和糖尿病分层中均如此，年轻人群中相对关联似乎更强，但该结果仅具描述性。交互图显示，随着SBP、DBP、TG、总胆固醇、HDL-C和LDL-C分位数恶化，高风险标签的预测概率上升，提示LAP与更广泛的代谢负担相伴。
在保守的非重叠候选变量池中，LASSO保留了LAP、BMI、饮酒和空腹血糖4个非零特征；基于这些特征的XGBoost测试集AUC为0.649，TreeSHAP显示饮酒、BMI、LAP和空腹血糖最重要。该结果支持LAP在筛查场景中具有稳定信号，但不足以支持将其视为经过验证的临床预测模型。
讨论部分指出，本研究的主要发现是：在ChinaHEART社区筛查样本中，较高LAP与更高概率符合筛查定义的CVD高风险标准一致相关。高LAP人群具有更差的心代谢谱，且在描述层面高风险比例更高。限制性立方样条显示，在未进行充分临床条件化前存在阈值样非线性。总体而言，LAP是社区筛查中可获取、成本低且易计算的代谢负担信号。
但论文强调，LAP的意义在于“筛查触发”而非“预后分层”。由于LAP和WHO风险图表都由传统心代谢因素构成，Model 4中极高的AUC主要来自与风险图表重叠的变量，而非LAP本身；增量价值分析也证明LAP几乎不增加判别能力。因此，不能据此推断LAP独立预测硬心血管终点，也不能将其用作单独风险分层工具。更合理的定位是：在社区中，当可即时获取的信息较少时，升高的LAP可作为提示进一步正式评估、强化健康宣教和优先复核血压及实验室指标的实用信号。
研究优势在于样本量较大、测量标准化、模型分层清晰，并用Logistic回归、样条、亚组与ROC多角度验证。局限包括：横断面设计不能支持因果或未来事件预测；暴露与结局均为复合构念，存在解释重叠；Model 4的高AUC不能解释为LAP预测力强；亚组与交互分析为探索性；LAP截断值为同一数据集内数据驱动生成，外推性有限；同时采用完整病例分析，若缺失并非完全随机，可能引入选择偏倚。
结论部分可概括为：在ChinaHEART社区筛查人群中，较高LAP与同期筛查定义的CVD高风险状态显著相关。该关联在主要调整模型中稳健，并在进一步临床调整后仍存在非线性特征。研究支持LAP作为简单筛查触发指标，用于识别需要更正式CVD风险评估的人群，但不支持将其作为因果指标、硬终点预测工具或独立风险分层工具。未来仍需前瞻性研究与外部验证。
