非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值作为牙周炎风险的新标志物

《Medical Care》：The non-high-density lipoprotein cholesterol to high-density lipoprotein cholesterol ratio as a novel marker for periodontitis risk

　　牙周炎与血脂异常之间存在关联，但非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与牙周炎之间的具体关系仍不清晰。本研究旨在探讨二者之间的关联，并建立风险预测模型。这项横断面研究分析了2009年至2014年国家健康与营养调查中的9579名成年人数据。研究采用了加权多变量逻辑回归和受限立方样条分析方法来评估二者的关联及可能的非线性关系。最终通过最小绝对值收缩和选择算子回归建立了预测模型，并通过接收者操作特征分析和自举法校准对其进行了评估。在多变量调整后，较高的非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与更高的牙周炎患病风险相关。研究还发现二者之间存在非线性关联，在某个转折点之后这种关联更为明显。最终的预测模型包含了14个变量。该预测工具的区分能力处于中等水平（接收者操作特征曲线下面积为0.656），且校准效果良好。在这一具有全国代表性的样本中，较高的非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与牙周炎存在关联。尽管该预测模型的性能较为一般，但它可为风险分层提供初步的参考信息，不过在临床应用之前还需要进一步的外部验证和前瞻性研究。

越来越多的证据表明，牙周炎作为一种常见的慢性炎症性疾病，会增加死亡风险以及其他严重健康问题的风险。研究表明，牙周炎与瓣膜性心脏病和慢性阻塞性肺病的发病率较高有关。此外，它还与全因死亡率和心血管疾病死亡率上升相关，尤其是在那些已有系统性炎症的人群中。牙周炎还可能加速生物老化，进一步增加死亡风险。更严重的牙周炎状况与代谢综合征及其相关因素，如高血压和高血糖有关，同时也会增加患糖尿病及糖尿病相关死亡的风险。值得注意的是，牙周治疗可能有助于降低系统性炎症，改善心代谢状况，还能降低妊娠不良风险，这些益处都有助于提升整体健康水平。这些发现凸显了有效管理牙周炎的临床重要性。

近年来，非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值这一新的血脂相关生物标志物在系统性疾病风险评估中越来越受到重视。较高的这一比值与多种心代谢疾病相关，包括高血压、冠状动脉疾病以及代谢相关性脂肪性肝病患者的死亡率。此外，它还与糖尿病和糖尿病前期、胰岛素抵抗、肌少症、骨质疏松症、慢性肾脏疾病以及阻塞性睡眠呼吸暂停症存在正相关关系。与传统血脂指标相比，这一比值可能更能预测心血管事件和总体死亡率，因此在血脂管理和早期风险评估方面具有潜在价值。

近期研究显示，非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与牙周炎之间存在正相关关系，每增加1个单位，牙周炎的患病率大约会上升7%。这种关联可能是由系统性低度炎症介导的，这类炎症可通过系统性免疫炎症指数和系统性炎症反应指数等指标反映出来。这些发现为进一步研究这一比值在牙周炎中的作用提供了依据。不过，其背后的机制仍不明确，需要更多研究来明确其在牙周炎预后评估中的实际意义。

尽管有证据表明非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与牙周炎可能存在关联，但目前的研究大多采用线性建模方法，仅关注整体关联，而没有探讨可能的非线性模式或阈值效应。此外，很少有研究尝试将这些关联转化为可用于临床的风险分层工具。由于这一比值可以通过常规血脂检测获得，且成本较低、易于获取，因此明确其与牙周炎之间的关联具有实际应用价值，不过其临床实用性还需进一步验证。

因此，本研究旨在探讨非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值与牙周炎之间的关联，分析可能的非线性关系，并建立一种基于预测图的初步模型，以便未来进行进一步验证。CI = 置信区间，NHHR = 非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值，OR = 比值比。3.3. NHHR对牙周炎的阈值效应为探究NHHR与牙周炎之间可能的非线性关联，我们采用分段回归模型进行了阈值效应研究。线性模型显示，在所有3种模型中NHHR与牙周炎均存在正相关关系。然而，当应用阈值效应模型时，在NHHR值为0.68处发现了转折点（K）（表2）。在此阈值以下未检测到显著关联，而超过该阈值后，NHHR与牙周炎风险升高之间的关联更为明显。在所有模型中，两段之间的效应差异都具有统计学显著性（所有P值均<0.05），对数似然比检验也表明阈值模型优于线性模型（3种模型的P值分别为0.002、0.044和0.049）。这些发现提示可能存在某种阈值模式。表2 NHHR与牙周炎的阈值分析。结果：牙周炎未调整模型调整I调整II线性效应模型直线效应4.05（2.57–6.41）<0.00011.93（1.17–3.16）0.00961.85（1.11–3.09）0.0179阈值效应模型转折点（K）0.680.680.68< K段效应10.90（0.31–2.60）0.84750.69（0.23–2.10）0.51760.68（0.22–2.09）0.4989> K段效应210.66（4.94–23.01）<0.00013.79（1.66–8.63）0.00153.63（1.56–8.41）0.00272与1段之间的效应差异11.83（2.45–57.19）0.00215.46（1.05–28.32）0.04345.34（1.01–28.35）0.0493转折点处的方程预测值-0.36（-0.43–-0.28）-0.36（-0.43–-0.28）-0.36（-0.43–-0.28）对数似然比检验（P值）0.0020.0440.049K表示转折点。表中的结果以OR（95% CI）P值的形式呈现。CI = 置信区间，NHHR = 非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值，OR = 比值比。所确定的拐点是基于模型的估算值，并非确定的生物学阈值，在数据较少的极端范围内可能不稳定，因此应将其视为一种近似模式而非精确的临界值。在纳入分析的9579名参与者中，有6858人（71.6%）的NHHR值高于0.68，这表明阈值估算并非由少数极端群体决定。3.4. 基于假定效应调节因子的亚组分析为了进一步评估NHHR与牙周炎之间的关联，我们进行了亚组分析和交互作用检验（见补充数字内容5中的图S2）。在大多数亚组中，较高的NHHR水平与牙周炎发病几率的增加相关。在某些亚组中，点估计值较大，包括女性、45岁以下的参与者、墨西哥裔美国人以及教育程度低于9年级的群体。不过，其中一些估计值的置信区间很宽，尤其是在较小的亚组中，说明其精确度较低。因此，这些亚组结果应谨慎解读，视为探索性结果。值得注意的是，在按教育程度和癌症/恶性肿瘤状况分层的亚组中观察到了具有统计学意义的交互作用，而在其他亚组中则未发现显著交互作用。总体而言，尽管各亚组间的关联方向大致相似，但精确度有所不同。因此，这些亚组分析应被视为探索性研究而非确认性研究。3.5. NHHR与牙周炎：炎症标志物的中介作用为探究炎症标志物是否介导了NHHR与牙周炎之间的关联，我们使用了3种具有代表性的全身性炎症指标——SII、SIRI和NLR进行了中介分析。如补充数字内容6中的图S3所示，在所有3种模型中，NHHR都与牙周炎存在显著关联，其总效应值（β）分别为0.32873、0.31359和0.32244（所有P值均<0.001）。然而，这些炎症标志物均未显示出具有统计学意义的间接效应。因此，本分析中未观察到通过SII、SIRI或NLR进行中介作用的明确证据。由于该中介分析属于探索性研究，且可能缺乏足够的统计能力来检测微小的间接效应，因此这些发现应谨慎解读。此外，SII、SIRI和NLR均为外周血中的炎症指标，可能无法完全反映局部的牙周炎症活动。3.6. 使用LASSO回归进行变量选择为确定与牙周炎关联最强的变量，我们对所有基线变量应用了LASSO回归（见图2），其中包括主要暴露变量NHHR。如图2A所示，标准化系数随惩罚参数（lambda）不同数值的变化轨迹，展示了每个变量对模型的贡献程度。通过十折交叉验证（见图2B）确定了使平均交叉验证误差最小的最优lambda值（lambda.min）。在此阈值下，共有14个变量被保留下来，其中NHHR也被列为保留的预测因子（见图2C）。图2. 使用LASSO回归对NHANES人群中牙周炎预测因子进行变量选择。（A）14个候选变量在不同正则化参数值下的LASSO回归系数曲线。每条曲线代表随着λ变化时该变量系数的变化趋势。（B）用于调整LASSO模型参数选择的十折交叉验证图。虚线垂直线表示λ的最优值：左侧为使交叉验证误差最小的值，右侧为在1个标准误差范围内的值。（C）LASSO模型保留的重要预测因子及其对应系数。NHHR是与牙周炎相关的强阳性预测因子，此外还有中风、吸烟和冠心病。LASSO = 最小绝对值收缩和选择算子，NHANES = 全国健康与营养调查，NHHR = 非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值，RIP = 家庭收入与贫困线的比率。3.7. 基于NHHR的牙周炎风险诺模图的构建与可视化为了量化并直观展示各种临床因素对牙周炎风险的贡献，尤其是NHHR的作用，我们构建了一个诺模图。该模型纳入了通过LASSO回归筛选出的一组协变量。每个预测因子都会根据其对牙周炎发病概率的贡献程度获得相应的得分。如图3所示，NHHR会对诺模图得分产生影响，这说明它被作为多变量预测模型中的一个组成部分被保留下来。该诺模图直观展示了每个保留预测因子对牙周炎发病概率的贡献程度。图3. 基于NHHR及LASSO回归筛选出的变量预测牙周炎风险的诺模图。LASSO = 最小绝对值收缩和选择算子，NHHR = 非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇的比值，RIP = 家庭收入与贫困线的比率。3.8. 预测模型的评估与验证在训练集中，该预测模型的区分性能处于中等水平，这一结论可从接收者操作特征曲线下面积（0.656）中看出（见图4A）。在0.463的最佳临界值下，该模型的灵敏度为65.0%，特异性为58.5%。通过1000次自举重采样生成的校准曲线表明，预测概率与实际观测结果之间存在良好的一致性（见图4B）。此外，决策曲线分析显示，在训练集和验证集中，当风险临界值低于约0.58时，该模型在净临床收益方面优于“全部治疗”和“不治疗”两种策略（见图4C）。总体而言，这些结果表明该预测模型在分析样本中具有中等水平的区分性能和良好的校准效果。但由于该模型仅通过内部分割样本验证进行了评估，因此这些结果并不能保证其在现实世界中的预测性能或在不同人群中的普适性。图4. 预测模型的全面评估。（A）训练集中的ROC曲线，显示了模型的区分能力（AUC = 0.656）；（B）诺模图的校准曲线，表明预测结果与实际观测结果之间存在良好一致性；（C）训练集和验证集的决策曲线分析，显示了在不同临界值概率范围内该模型的临床净收益。AUC = 曲线下面积，DCA = 决策曲线分析，ROC = 接收者操作特征曲线。4. 讨论目前关于NHHR与牙周炎之间关系的研究仍较为有限。[22]在本研究中，较高的NHHR水平与牙周炎发病几率的增加相关，且这种关联似乎呈现出潜在的非线性特征。然而，由于研究设计为横断面研究，且该模型的预测性能较为有限，因此这些发现应被视为探索性结果。有几种生物学机制或许可以解释NHHR与牙周炎之间的关联，尽管这些机制在当前研究中并未直接得到验证。较高的NHHR可能反映出脂质代谢失衡，可能与促炎微环境、[38]氧化应激以及HDL介导的抗氧化防御功能受损有关。[39]这些脂质变化可能导致免疫功能失调，表现为中性粒细胞/单核细胞与HDL比值升高、过量的蛋白酶和活性氧释放，[40]以及高胆固醇诱导的T辅助17细胞增殖[41]和调节性T细胞活性降低[42]，而这些因素又可能与破骨细胞活性增强和骨吸收有关。此外，内皮功能障碍和微血管损伤也可能导致牙周微循环受损，[43]而核因子κB受体激活剂/骨保护素失衡则可能营造出有利于骨丢失的环境。[44]作为代谢综合征的标志物，NHHR还可能与高血糖、胰岛素抵抗以及脂肪因子失调共同作用，持续引发慢性炎症，[45,46]从而为它与牙周炎之间的关联提供合理的生物学解释。在本研究中，中介分析并未发现SII、SIRI或NLR具有具有统计学意义的间接效应。不过，这些发现也应谨慎解读。首先，该中介分析属于探索性研究，且该研究可能缺乏足够的统计能力来检测相对较小的间接效应，尤其是因为连接脂质代谢与牙周炎的炎症途径很可能是多因素作用的结果，且作用强度有限。因此，未能检测到具有统计学意义的中介效应并不意味着不存在潜在的炎症途径。其次，SII、SIRI和NLR在这类研究中的作用有效性也值得怀疑。氧化应激是牙周炎的关键致病因素，其特征是活性氧过量生成，从而导致脂质过氧化、蛋白质和DNA损伤，进而加速牙槽骨吸收和结缔组织降解。[47,48]较高的NHHR可能与氧化应激和脂质过氧化有关，[49]这些因素可能导致局部氧化还原平衡紊乱和牙周组织损伤。不过，这一假设性途径仍属于推测性质，需要通过机制研究加以证实。[50]由于NHHR是通过常规脂质检测得出的，因此它可能是一种易于获取的、可用于探索性牙周风险评估的候选标志物；不过，其额外的预测价值及其实际应用意义仍需在前瞻性研究及外部验证队列中得到证实。本研究具有诸多优势，包括采用了具有全国代表性的大规模数据、进行了全面的多变量校正，还将NHHR与基于LASSO的变量选择及诺模图构建相结合，用于探索性风险预测。同时，该研究还系统地探讨了NHHR与牙周炎之间的非线性关系及阈值效应。不过，也有一些局限性需要承认。首先，由于研究设计为横断面研究，因此无法得出因果推断，也无法排除反向因果关系，因为牙周炎也可能影响全身性炎症和脂质代谢，进而影响NHHR水平。其次，虽然在关联分析中应用了调查权重以提高数据的全国代表性，但基于LASSO的预测模型是在未加权的情况下构建的。这种方法上的差异对结果的普适性有着重要影响。具体而言，加权回归的结果可能反映了以NHANES为代表的美国成年人群体中的关联情况，而预测模型则主要反映了用于模型构建的分析样本的分布特征和病例构成。因此，不能直接将诺模图的区分能力、校准效果及临床净收益推广到更广泛的美国人群体或非NHANES人群体中。在该模型能够用于更广泛的临床或公共卫生应用之前，还需要在独立且前瞻性收集的队列中进行外部验证。这也限制了该模型在不同人口结构、疾病患病率或协变量分布环境中的应用。第三，牙周炎的诊断是基于调查时的检查结果，因此PD和AL的测量结果可能会受到检查者操作误差的影响。尽管NHANES采用了标准化的培训、校准流程、重复检查以及评分者间可靠性评估，但仍有可能出现误分类现象。由于这种测量误差很可能与NHHR水平无关，因此更有可能是非差异性结果误分类，而这可能削弱了所观察到的关联程度。此外，由于缺乏某些信息，如饮食习惯和口腔卫生行为等，因此也无法排除残余混杂因素的影响。最后，全身性炎症标志物来自外周血，可能无法完全反映局部的牙周炎症环境。需要通过前瞻性研究来明确二者之间的因果方向并验证这些发现。总体而言，这些研究结果支持NHHR与牙周炎之间存在潜在关联，但由于研究设计为横断面研究，且模型的预测性能较为有限，因此这些结果应被视为探索性发现。未来还需要更多前瞻性研究及外部验证，才能确定NHHR是否真的能对牙周炎风险评估起到重要作用。5. 结论在本项具有全国代表性的样本研究中，较高的NHHR水平与牙周炎发病几率的增加相关。该模型可为分析样本中的风险分层提供初步信息，但在更广泛的应用之前，还需要进一步的外部验证和前瞻性研究。

致谢
我们感谢国家卫生统计中心允许我们使用NHANES数据，同时也感谢所有参与此次调查的受访者。本研究得到了河北省医学科学研究项目（20260297）的资助。

作者贡献
概念设计：董建峰、朱庆、李顺宁
数据整理：董建峰、朱庆、李顺宁
正式分析：董建峰、朱庆、李顺宁
资金筹措：李顺宁
调查实施：董建峰、徐哲欣、李顺宁
方法设计：董建峰、徐哲欣、李顺宁
资源协调：董建峰、曲鹏飞、徐哲欣、刘耀强、李顺宁
项目管理：曲鹏飞、徐哲欣、刘耀强、李顺宁
软件应用：曲鹏飞、徐哲欣、刘耀强、李顺宁
监督指导：朱庆、曲鹏飞、刘耀强、李顺宁
验证工作：朱庆、曲鹏飞、李顺宁
数据可视化：曲鹏飞、李顺宁
初稿撰写：董建峰、李顺宁
审稿与编辑：董建峰、李顺宁

107SUP1.pdf（1.20 MB）
107SUP2.docx（13.52 KB）
107SUP3.docx（14.09 KB）
107SUP4.docx（21.16 KB）
107SUP5.tiff（534.56 KB）
107SUP6.tiff（448.92 KB）