《Acta Psychologica》：The interrelationship between sleep quality and the triglyceride-glucose index in adults: Evidence from a Chinese population-based study
编辑推荐：
在普通人群中，研究人员检查了睡眠质量与甘油三酯-葡萄糖（TyG）指数之间的相互关系。睡眠质量差和TyG指数升高会增加彼此的风险。睡眠质量似乎具有更强的判别能力，用于识别胰岛素抵抗（IR）个体。促进睡眠健康在公共卫生实践中对代谢功能障碍具有潜在价值。
在普通人群中，研究人员检查了睡眠质量与甘油三酯-葡萄糖（TyG）指数之间的相互关系。睡眠质量差和TyG指数升高会增加彼此的风险。睡眠质量似乎具有更强的判别能力，用于识别胰岛素抵抗（IR）个体。促进睡眠健康在公共卫生实践中对代谢功能障碍具有潜在价值。
**论文解读文章**
**研究背景**
2型糖尿病（T2DM）的核心病理机制是胰岛素抵抗（IR），即组织对胰岛素介导的葡萄糖代谢反应性降低，IR也是多种慢性疾病的重要危险因素。全球T2DM患病率持续攀升，2021年全球约5.37亿人确诊，其中中国占1.409亿例，预计2045年将增至7.83亿例。T2DM常伴随肾病、动脉粥样硬化及心血管疾病，显著增加早死风险，因此早期识别和干预IR对T2DM预防至关重要。甘油三酯-葡萄糖（TyG）指数已作为IR的简便可靠替代指标，与胰岛素葡萄糖钳夹技术及稳态模型评估胰岛素抵抗（HOMA-IR）具有强相关性，且能有效预测T2DM发生风险。睡眠是维持代谢稳态和内分泌调节的基础过程，睡眠障碍（包括阻塞性睡眠呼吸暂停（OSA））被视为多种心血管疾病发病和死亡的预测因子，并与糖代谢受损及T2DM风险增加相关。全球超过10亿人受睡眠问题困扰，部分国家OSA患病率超过50%。一方面，睡眠障碍、睡眠质量下降及睡眠不足与IR风险升高显著相关，其潜在机制涉及交感神经系统激活、下丘脑-垂体-肾上腺轴过度活跃及促炎细胞因子升高；另一方面，IR与睡眠呼吸障碍密切相关，随IR加重，OSA更为常见。因此，睡眠质量与IR之间可能存在相互关联。然而，目前对两者关系的研究尚不深入。为填补这一空白，研究人员利用中国西北地区西安的横断面人群数据，以TyG指数作为IR的代理指标，探讨睡眠质量与IR的相互关系，并应用机器学习模型从判别能力角度进一步分析两者关系。该研究发表在《Acta Psychologica》上。
**主要关键技术方法**
数据来源于中国西北地区区域民族队列（RECS）中的陕西省城市人群基线调查，于2018至2019年招募20-89岁常住居民，最终分析纳入9117名参与者。睡眠质量通过结构化问卷收集四个指标（睡眠时长、入睡困难、早醒、打鼾），构建综合睡眠评分（0-4分，分数越高睡眠质量越差），并分为健康睡眠（0-1分）和差睡眠（2-4分）。IR以TyG指数评估，公式为TyG = Ln[TG (mg/dL) × FPG (mg/dL)/2]，按中位数和三分位数分类。协变量包括年龄、性别、婚姻状况、体重指数（BMI）、社会经济地位（SES）、膳食多样性评分（DDS）、体力活动、吸烟、饮酒及慢性病史。统计分析采用Logistic回归模型，逐步调整协变量，计算比值比（OR）及95%置信区间（CI）。构建五种机器学习模型（K-近邻（KNN）、极端梯度提升（XGBoost）、随机森林（RF）、支持向量机（SVM）、广义线性模型（GLM）），以受试者工作特征曲线下面积（AUC）和准确率（ACC）评估双向判别能力，并选取KNN、RF、SVM进行后续分析。此外，进行分层分析、事后亚组分析及多项敏感性分析（包括加权睡眠评分、倾向评分调整、基于有向无环图（DAG）的协变量调整、排除慢性病患者）。
**研究结果**
**3.1 参与者特征**
分析样本共9117人，平均年龄39.58±12.55岁，男性占51.5%。与睡眠质量较好者相比，睡眠质量差者年龄更大、BMI更高、吸烟和饮酒比例更高，且性别差异显著（P<0.05）。随TyG指数升高，睡眠质量差的参与者比例递增（P<0.05）；随睡眠评分增加，TyG指数水平升高（P<0.05）。
**3.2 睡眠质量与TyG的相互关系**
Logistic回归分析显示，当TyG指数作为自变量时，在调整所有协变量（Model 3）后，与TyG最低三分位（Q1）相比，Q2组睡眠质量差的OR为1.149（95%CI:1.022-1.292），Q3组OR为1.345（95%CI:1.185-1.526）；TyG每增加一个单位，睡眠质量差的OR为1.190（95%CI:1.097-1.291）。当睡眠质量作为自变量时，与睡眠评分Q1相比，Q2组高TyG的OR为1.217（95%CI:1.077-1.375），Q3组OR为1.334（95%CI:1.175-1.515）；睡眠评分每增加一个单位，高TyG的OR为1.110（95%CI:1.057-1.164）。表明两者之间存在双向正相关关系。
**3.3 判别高IR或睡眠质量差**
通过机器学习模型评估判别能力，以睡眠质量预测高TyG指数时，AUC范围为0.807-0.831，KNN表现最佳（AUC=0.831, 95%CI:0.823-0.840）；以TyG指数预测睡眠质量差时，AUC范围为0.707-0.755，KNN同样最佳（AUC=0.755, 95%CI:0.745-0.765）。总体而言，睡眠质量对高TyG的判别能力优于TyG对睡眠质量差的判别能力。性别和年龄分层分析显示模型判别性能在不同亚群间一致。
**3.4 事后亚组分析**
按关键协变量分层后，大多数亚组结果与主分析一致。当TyG作为自变量时，婚姻状况存在显著交互作用；当睡眠质量作为自变量时，慢性病史存在显著交互作用，提示基线健康状况可能修饰睡眠质量与TyG指数之间的关系。
**3.5 敏感性分析**
采用加权睡眠评分、倾向评分调整、基于DAG的协变量调整以及排除慢性病患者的分析中，睡眠评分与TyG指数的双向关联均与主分析一致，结果稳健。
**讨论与结论**
本研究提供了中国人群中TyG水平与睡眠质量存在显著相互关系的证据。高TyG个体更易出现睡眠障碍，而睡眠质量差者更可能具有高TyG。值得注意的是，睡眠质量对识别高TyG的判别能力优于TyG指数对识别睡眠质量差的判别能力，提示睡眠质量下降可能是代谢状态恶化的潜在标志。讨论部分指出，可能的机制包括IR促进炎症激活和氧化失衡，干扰褪黑素分泌和下丘脑-垂体-肾上腺轴调控；脂肪组织IR可能释放游离脂肪酸，增加内脏脂肪堆积和睡眠呼吸暂停风险；睡眠不足或碎片化可升高皮质醇、激活交感神经，损害胰岛素敏感性。此外，昼夜节律失调和光暴露模式异常可能通过神经通路影响能量代谢。尽管存在主观睡眠评估、横断面设计等局限，但基于人群的双向分析和机器学习模型增强了研究价值。结论：本研究结果揭示了中国成年人睡眠质量与TyG指数之间的相互关系。睡眠质量差与高TyG相关，高TyG也与睡眠质量差相关。重要的是，睡眠质量下降可能是胰岛素抵抗易感性增加的一个潜在标志。结果强调了在公共卫生实践中促进睡眠健康以预防代谢功能障碍和相关疾病的潜在价值。
