握力与心肌梗死幸存者死亡风险:来自2011–2014年NHANES的数据

《Medical Care》:Handgrip strength and mortality risk in myocardial infarction survivors: Data from NHANES 2011–2014

【字体: 大 中 小 】 时间:2026年09月22日 来源:Medical Care 1.9

编辑推荐:

   握力(HGS)可预测不良健康结局,但其与心肌梗死(MI)幸存者死亡率之间的关联仍未得到充分表征。本研究探讨了 MI 幸存者中 HGS 与心血管/全因死亡率之间的相关性。这项队列研究使用了全国健康与营养检查调查(NHANES)的数据。多变量校正的 Cox 比例风险模型量化了 H

  

握力(HGS)可预测不良健康结局,但其与心肌梗死(MI)幸存者死亡率之间的关联仍未得到充分表征。本研究探讨了 MI 幸存者中 HGS 与心血管/全因死亡率之间的相关性。这项队列研究使用了全国健康与营养检查调查(NHANES)的数据。多变量校正的 Cox 比例风险模型量化了 HGS(连续变量和分类变量)与死亡率之间的关联。分层和交互分析阐明了这些关系。在 376 名 MI 幸存者(231 名男性和 145 名女性)中,HGS 每增加 1 公斤与全因死亡率降低(风险比 [HR] 0.96,95% 置信区间 [CI] 0.95–0.98;P < .001)和心血管死亡率降低(HR 0.95,95% CI 0.93–0.97;P < .001)相关。非糖尿病个体中,HGS 最高三分位数组表现出较低的全因死亡率(HR 0.10,95% CI 0.04–0.24)和心血管死亡率(HR 0.02,95% CI 0.00–0.16),与最低三分位数组相比。最高三分位数组的糖尿病患者表现出降低的全因(HR 0.28,95% CI 0.11–0.74;P = .011)和心血管死亡率(HR 0.16,95% CI 0.04–0.69;P = .014)。在这个美国全国 MI 幸存者队列中,较高的 HGS 独立地与较低的全因和心血管死亡率相关,尽管在糖尿病患者中这种关联有所减弱。这些发现突出了肌肉力量的预后价值,并强调了试验的必要性,以测试增强力量的干预措施,特别是在高危群体中,是否能改善生存率。
关键点
• 独立的预后价值:较高的握力(HGS)是美国心肌梗死幸存者全因和心血管死亡率降低的独立预测因子,在糖尿病患者中观察到的关联明显较弱。
• 临床意义:HGS 评估是一种简单、低成本且无创的工具,可轻松应用于初级保健和心脏康复环境中的常规风险分层。
• 可行的干预措施:这些发现强调了随机试验的必要性,以测试能否通过改善 HGS 的干预措施(例如抗阻训练)增强生存率,特别是在糖尿病患者等高危亚组中。
1. 引言
心肌梗死(MI)是最危险的心血管疾病之一,也是全球危及生命死亡的主要原因。[1–3] 尽管急性治疗和二级预防措施取得了重大进展,但从 MI 中幸存下来的人继续面临发生后续心血管事件和全因死亡的高可能性。[3] 鉴于巨大的疾病负担,人们已做出 numerous 努力来解决这个问题,包括改变干预策略,[4–6] 筛查多种生物化学和检查指标,[7,8] 构建预测模型,[9–11] 以及重大健康支出。[12,13] 因此,确定新兴的生物标志物和风险预测因子以预测该队列的疾病病程至关重要,最终导致更好的患者护理。
握力(HGS)是一种实用且易于获得的肌肉功能评估,已证明作为心血管死亡风险的预测因子具有可靠性。[14–17] 在一般人群中,HGS 降低一直显示出与心血管相关和全因死亡风险升高有关,[18–22] 然而,HGS 与 MI 幸存者全因死亡率和心血管相关死亡之间的关系仍未得到充分调查。受此差距的推动,利用全国健康与营养检查调查(NHANES)的数据来检查 HGS 与急性 MI 幸存患者心血管相关死亡和全因死亡率之间的联系。
2. 方法
2.1. 研究人群
该分析利用 NHANES 数据集——由美国国家卫生统计中心管理的具有全国代表性的资源——来检查美国各地的人口健康指标和营养指标。它采用多阶段、分层、复杂的调查结构,并故意对某些群体进行过度采样,以获得代表整个国家的样本。[23] 有关 NHANES 的更多详细信息可通过其指定网址获取:www.cdc.gov/nchs/nhanes/。2011 年至 2014 年 NHANES 周期的去标识数据仅包含与 HGS 测量相对应的变量,可供分析。我们汇总并调整了人口统计和社会经济变量、饮食摄入和营养状况、人体测量和生理指标、实验室结果以及生活方式和健康相关行为的数据。我们因以下原因排除了参与者:MI 状态缺失值(即 MI 病史数据不完整)、HGS 缺失值和死亡率缺失值。图 1 报告了参与者招募的流程示意图。
打开多媒体模态
图 1.
打开多媒体模态
参与者入组流程图。HGS = 握力,MI = 心肌梗死,NHANES = 全国健康与营养检查调查。
2.2. MI 幸存者的定义
研究参与者根据自报的医生诊断 MI(也称为心脏病发作)被分类为 MI 幸存者。
2.3. HGS 测量
HGS 由受训检查员使用握力计进行评估。为了避免增加胸内压,参与者需要在呼气时,用惯用手或不惯用手握住它。因身体原因无法站立的参与者不接受此项测试。在测量过程中,合格的评估员最初向参与者提供了程序的讲解和现场演示。随后,评估员根据参与者的手部尺寸微调握力计的握持尺寸。同一只手进行三次测试,每次交替进行。[22] 在本研究中,使用任一手获得的最高值即为 HGS 的大小。详细说明报告在 NHANES“肌肉力量方案手册”中。[23]
2.4. 死亡率数据收集
生存状态确定涉及 NHANES 受试者与全国死亡索引死亡登记数据之间的链接。当前的死亡率随访利用 2019 年公开使用链接死亡文件,提供截至 2019 年 12 月 31 日的覆盖范围。使用此数据库将基线数据与死亡率状态和观察时间线纵向整合。通过死亡文件确定可能的潜在死因。全因死亡率定义为归因于所有可能病因的死亡。心血管死亡率是使用全国死亡索引的潜在死因代码定义的,根据 ICD-10 分类:风湿性心脏病(急性/慢性):I00–I09;高血压性心血管/肾脏并发症:I11(高血压性心脏病),I13(高血压性心脏和肾脏病);缺血性心脏病:I20–I25;肺栓塞和急性肺心病:I26–I28;其他心脏病:I30–I51;脑血管疾病:I60–I69。[24,25]
2.5. 协变量测量
根据以前的研究,[23,26] 协变量分为:社会人口统计学因素:年龄、性别、种族背景、教育、家庭收入和体重指数(BMI);既往诊断:糖尿病(DM)、高血压障碍和中风事件;生活方式参数:吸烟状态、酒精使用和体力活动指标;膳食成分:总能量加上蛋白质/糖/脂肪比例;以及血清生物标志物:LDL 胆固醇和糖化血红蛋白。教育水平根据受教育年限分为 3 组:多于 12 年、<9 年和中间组。[23,25] 使用贫困收入比(PIR),家庭被分类为:低收入(PIR ≤ 1.3)、中等收入和 高收入(PIR ≥ 3.5)。根据是否当前吸烟以及吸烟总数是否>100 支,吸烟者被分为从不吸烟、已戒烟者和当前吸烟者。体力活动分为久坐、中度(每周≥10 分钟,呼吸或心率略有增加)和剧烈(每周≥10 分钟,呼吸或心率显著增加)。[27] 酒精摄入状态是根据男性是否消耗 12 杯或以上的饮品生成的;男性<12 杯者被归类为不饮酒者。高血压、中风和糖尿病通过专科医生或其他卫生专业人员自报诊断。饮食信息包括个人 24 小时摄入数据,如总能量、蛋白质、糖和脂肪消耗。实验室检查包括 LDL 胆固醇和糖化血红蛋白。上述所有变量的详细说明可在 NHANES 网站上的问卷、数据集和相关文档中获取。经过共线性评估(总能量摄入与 HGS 的广义方差膨胀因子 [GVIF] = 17.837),总能量摄入被排除在最终多变量模型之外,以确保统计稳健性。所有其他协变量均表现出可接受的共线性(GVIF < 5)。
缺失数据通过应用单一插补技术处理,具体为迭代插补方法。具体来说,我们选择贝叶斯岭模型作为循环插补过程中的插补器。
2.6. 统计分析
描述性分析包括研究两阶段的所有参与者。频率分布(%)表征分类措施,而连续措施则以均值±标准差或中位数及四分位间距总结。组间比较对连续参数采用学生 t 检验,对分类指标采用卡方检验。
Schoenfeld 残差测试确认了评估全因和心血管死亡率终点的 Cox 模型符合比例风险假设。从这些 Cox 回归中得出了多变量校正的风险比(HR)及 95% 置信区间(CI),并将 HGS 作为协变量纳入。HGS 被视为连续变量或分类变量(三分位数组)。分析模型采用顺序协变量调整:基线:年龄、性别、种族、教育和 PIR。扩展:模型 I + 肥胖、物质使用、合并症、体力活动和营养成分。全面:模型 II + 血脂/血糖生物标志物。亚组验证评估了预设分层中 HGS 与死亡率之间的联系:性别、年龄(≤75/>75 岁)、BMI(≤25/>25 kg/m2)以及糖尿病/高血压合并症。亚组交互效应通过似然比测试评估。敏感性分析使用两种方法评估结果稳健性:排除协变量缺失参与者的完整病例分析和基于使用贝叶斯岭模型作为每一步循环插补估计器的 5 个插补数据集的缺失数据多重插补方法。两种方法都使用了与主要分析相同的 Cox 回归模型。
R 版本 4.2.2 和 Free Statistics 2.2.2 辅助所有分析。数据使用 HR 和 95% CI 总结;双侧检验要求统计显著性 P < .05。
2.7. 报告指南
本研究遵循加强流行病学观察研究报告(STROBE)队列清单进行报告。
3. 结果
3.1. 研究人群特征
分析队列包括 433 名 MI 幸存者,识别自初始的 19,931 名参与者池。我们排除了 57 名参与者,原因是 HGS 数据缺失(n = 56)和死亡率信息缺失(n = 1)。这导致最终样本量为 376 名参与者,其中包括 231 名男性和 145 名女性。在 72.5 个月的中位随访期间,发生了 129 例死亡。图 1 显示了参与者入组流程图。表 1 展示了参与者的基线特征。在本研究中,在 376 名参与者中,129 人去世,其中 56 例死亡归因于心血管疾病。HGS 分为三分位数组如下:低三分位数组(T1)范围为 17.2 至 50.6 kg;中三分位数组(T2)为 50.7 至 72.0 kg;高三分位数组(T3)为 72.1 至 128.9 kg。与其他 HGS 三分位数组的参与者相比,高三分位数组(T3)的参与者更可能是男性、更年轻、饮酒者、患有高血压、久坐、无糖尿病、无中风、具有更高的能量、蛋白质和脂肪摄入。
表 1 参与者基线特征。
特征 T1(17.2–50.6 kg) n = 126 T2(50.7–72.0 kg) N = 125 T3(72.1–128.9 kg) N = 126 P 值
全因死亡率,n (%) 65 (52) 46 (36.8) 18 (14.3) < .001
心血管死亡率,n (%) 129 (34.3) 65 (52) 46 (36.8) < .001
男性 29 (23.2) 79 (63.2) 123 (97.6)
年龄(年) 71.6 ± 10.8 66.4 ± 11.2 62.5 ± 11.4 < .001
BMI (kg/m2) 30.4 ± 7.7 29.8 ± 8.5 30.3 ± 6.4 .805
总能量 (kcal) 1477.0 (1008.0–2016.0) 1698.0 (1149.0–2158.0) 1897.0 (1471.8–2392.5) < .001
总蛋白质 (gm) 57.4 (37.3–76.6) 71.7 (47.7–90.4) 76.1 (56.4–103.7) < .001
总脂肪 (gm) 52.9 (35.7–78.8) 61.6 (44.0–93.9) 70.6 (51.2–93.3) < .001
总糖分 (gm) 74.0 (47.9–108.0) 74.5 (47.9–115.7) 92.4 (48.6–131.9) .076
LDL-c (mmo/L) 2.6 ± 1.0 2.6 ± 1.0 2.6 ± 0.9 .907
糖化血红蛋白 (%) 6.5 ± 1.4 6.4 ± 1.4 6.2 ± 1.0 .165
种族,n (%) .011
墨西哥裔美国人 14 (11.2) 15 (12) 10 (7.9)
非西班牙裔白人 76 (60.8) 73 (58.4) 70 (55.6)
非西班牙裔黑人 25 (20) 20 (16) 41 (32.5)
其他 10 (8) 17 (13.6) 5 (4)
教育,n (%) .192
<9 22 (17.6) 18 (14.4) 13 (10.3)
9–12 63 (50.4) 52 (41.6) 60 (47.6)
>12 40 (32) 55 (44) 53 (42.1)
家庭收入,n (%) .032
<1.3 67 (53.6) 58 (46.4) 52 (41.3)
1.3–3.5 41 (32.8) 41 (32.8) 36 (28.6)
>3.5 17 (13.6) 26 (20.8) 38 (30.2)
糖尿病,n (%) 59 (47.2) 46 (36.8) 34 (27)
高血压,n (%) 103 (82.4) 74 (59.2) 83 (65.9)
中风,n (%) 30 (24) 25 (20) 15 (11.9)
活动,n (%) .007
久坐 97 (77.6) 92 (73.6) 74 (58.7)
中度 25 (20) 26 (20.8) 39 (31)
剧烈 3 (2.4) 7 (5.6) 13 (10.3)
吸烟,n (%) .012
从不 48 (38.4) 50 (40) 36 (28.6)
已戒烟 59 (47.2) 45 (36) 50 (39.7)
当前吸烟 18 (14.4) 30 (24) 40 (31.7)
饮酒,n (%) 74 (59.2) 91 (72.8) 113 (89.7)
BMI = 体重指数。
3.2. HGS 与死亡率
在对协变量进行完全调整后(由于多重共线性排除总能量摄入;见补充表 S1,补充数字内容 1,其中展示了在排除总能量摄入前后使用 GVIF 评估多重共线性的情况),通过广义加性模型评估了 HGS 与全因死亡和心血管死亡率之间的非线性剂量反应联系。图 2 显示了 HGS 与全因死亡率相关性之间的线性关系(非线性 P = .934),心血管死亡率也观察到类似的线性模式(非线性 P = .459),两者均超过 .05 显著性阈值。
打开多媒体模态
图 2.
打开多媒体模态
心肌梗死幸存者中握力(HGS)与全因死亡率(A)和心血管死亡率(B)相关死亡率之间的关联。实线和虚线代表预测值和 95% 置信区间。它们经过年龄、种族、性别、收入、教育、BMI、吸烟状态、饮酒状态、糖尿病、高血压、中风、体力活动、总蛋白质摄入、总糖分摄入、总脂肪摄入、LDL 胆固醇和糖化血红蛋白调整。仅显示 99% 的数据。MI = 心肌梗死,BMI = 体重指数。
表 2 显示了 HGS 与全因死亡和心血管死亡之间的关系。全协变量调整揭示了反向相关性:全因:HR 0.96 (95% CI 0.95–0.98; P < .001) 和心血管:HR 0.95 (95% CI 0.93–0.97; P < .001)。

握力最高的三分之一组别与最低的三分之一组别相比,全因死亡风险降低83%(HR 0.17,95% CI 0.09–0.34;P < .001),心血管死亡风险降低91%(HR 0.09,95% CI 0.03–0.28;P < .001)。

表2 握力(HGS)与心肌梗死(MI)幸存者全因死亡及心血管死亡的关联

| | 未调整模型 | 调整模型 I | 调整模型 II | 调整模型 III |
|---|---|---|---|---|
| | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 |
| **全因死亡** | | | | |
| HGS (kg) | 0.97 (0.96–0.98) | <.001 | 0.96 (0.95–0.98) | <.001 | 0.96 (0.95–0.98) | <.001 | 0.96 (0.95–0.98) | <.001 |
| HGS 三分位组 (kg) | | | | |
| T1 (17.2–50.6) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (50.7–72.0) | 0.62 (0.42–0.90) | .013 | 0.58 (0.37–0.90) | .015 | 0.59 (0.36–0.94) | .027 | 0.56 (0.35–0.91) | .019 |
| T3 (72.1–128.9) | 0.21 (0.12–0.35) | <.001 | 0.19 (0.10–0.35) | <.001 | 0.18 (0.09–0.36) | <.001 | 0.17 (0.09–0.34) | <.001 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |
| **心血管死亡** | | | | |
| HGS (kg) | 0.96 (0.94–0.98) | <.001 | 0.95 (0.94–0.97) | <.001 | 0.95 (0.93–0.97) | <.001 | 0.95 (0.93–0.97) | <.001 |
| HGS 三分位组 (kg) | | | | |
| T1 (17.2–50.6) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (50.7–72.0) | 0.62 (0.35–1.08) | .091 | 0.51 (0.27–0.97) | .041 | 0.51 (0.25–1.05) | .066 | 0.47 (0.22–0.97) | .042 |
| T3 (72.1–128.9) | 0.13 (0.05–0.33) | <.001 | 0.09 (0.03–0.25) | <.001 | 0.10 (0.03–0.31) | <.001 | 0.09 (0.03–0.28) | <.001 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |

数据以HR和95% CI表示。调整模型 I 调整了年龄、种族、性别、家庭收入和教育程度。调整模型 II 在模型 I 基础上调整了BMI、吸烟状态、饮酒状态、糖尿病、高血压、卒中、剧烈体力活动、总蛋白质摄入量、总糖摄入量和总脂肪摄入量。调整模型 III 在模型 II 基础上调整了低密度脂蛋白胆固醇和糖化血红蛋白。

BMI = 体质指数,CI = 置信区间,HGS = 握力,HR = 风险比,MI = 心肌梗死。

图3中的Kaplan–Meier曲线展示了按握力三分位组分层的全因死亡率和心血管特异性死亡率的生存概率。结果显示,最高三分位组参与者的全因死亡生存概率显著更高(P < .0001;图3A),心血管死亡生存概率也显著更高(P < .0001;图3B)。图3C和3D展示了全因死亡率和心血管死亡率的调整后Kaplan–Meier生存曲线。

开放多媒体格式——图3。MI幸存者全因死亡率(A)和心血管死亡率(B)的Kaplan–Meier生存曲线。MI幸存者全因死亡率(C)和心血管死亡率(D)的调整后Kaplan–Meier生存曲线。HGS = 握力,MI = 心肌梗死。

数据以HR和95% CI表示。调整模型 I 调整了年龄、种族、性别、家庭收入和教育程度。调整模型 II 在模型 I 基础上调整了BMI、吸烟状态、饮酒状态、糖尿病、高血压、卒中、剧烈体力活动、总蛋白质摄入量、总糖摄入量和总脂肪摄入量。调整模型 III 在模型 II 基础上调整了低密度脂蛋白胆固醇和糖化血红蛋白。

**3.3 亚组分析**

对握力与死亡率(全因/心血管)关联的分层评估在预设的人口学和临床亚组(性别、年龄、BMI、糖尿病和高血压)中进行了分析,交互作用分析证实了结果的稳健性(图4)。在糖尿病患者中,全因死亡率(交互P值 < .001)和心血管死亡率(交互P值 = .003)出现了显著的交互效应。

开放多媒体格式——图4。MI幸存者握力与全因死亡率(A)和心血管死亡率(B)的关联。CI = 置信区间,HGS = 握力,HR = 风险比,MI = 心肌梗死。

**3.4 MI幸存者中握力与糖尿病对全因死亡率和心血管死亡的交互作用**

表3详细展示了握力三分位组与糖尿病状态对376名MI幸存者全因/心血管死亡的交互效应。调整混杂因素后,与非糖尿病参与者中最低握力三分位组相比,握力最高的非糖尿病参与者全因死亡风险降低90%(HR 0.10,95% CI 0.04–0.24;P < .001),而中间三分位组风险降低56%(HR 0.44,95% CI 0.24–0.81;P = .009)。在糖尿病患者中,较高的握力同样提供了显著保护作用,全因死亡风险降低72%(HR 0.28,95% CI 0.11–0.74;P = .011)。对于心血管死亡,非糖尿病人群中握力最高三分位组参与者的风险降低98%(HR 0.02,95% CI 0.00–0.16;P < .001),而中间三分位组风险降低66%(HR 0.34,95% CI 0.13–0.88;P = .026)。糖尿病患者中,握力较高的个体心血管死亡风险降低84%(HR 0.16,95% CI 0.04–0.69;P = .014)。

表3 握力与糖尿病状态对MI幸存者全因死亡率和心血管死亡的交互分析

| | 未调整模型 HR (95% CI) | P值 | 调整模型 I HR (95% CI) | P值 | 调整模型 II HR (95% CI) | P值 | 调整模型 III HR (95% CI) | P值 |
|---|---|---|---|---|---|---|---|---|
| **全因死亡** | | | | | | | | |
| 低×无糖尿病 | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| 低×糖尿病 | 1.09 (0.67–1.77) | .741 | 0.79 (0.47–1.31) | .357 | 0.80 (0.46–1.39) | .430 | 0.76 (0.40–1.46) | .413 |
| 中×无糖尿病 | 0.61 (0.36–1.01) | .056 | 0.46 (0.26–0.82) | .008 | 0.45 (0.24–0.82) | .009 | 0.44 (0.24–0.81) | .009 |
| 中×糖尿病 | 0.71 (0.40–1.26) | .240 | 0.58 (0.31–1.07) | .082 | 0.61 (0.31–1.18) | .141 | 0.54 (0.25–1.18) | .122 |
| 高×无糖尿病 | 0.16 (0.08–0.33) | <.001 | 0.12 (0.05–0.27) | <.001 | 0.10 (0.04–0.24) | <.001 | 0.10 (0.04–0.24) | <.001 |
| 高×糖尿病 | 0.40 (0.18–0.87) | .020 | 0.27 (0.11–0.65) | .003 | 0.32 (0.13–0.79) | .013 | 0.28 (0.11–0.74) | .011 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |
| **心血管死亡** | | | | | | | | |
| 低×无糖尿病 | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| 低×糖尿病 | 1.37 (0.67–2.83) | .391 | 1.04 (0.49–2.23) | .913 | 0.88 (0.38–2.02) | .761 | 0.61 (0.22–1.67) | .335 |
| 中×无糖尿病 | 0.61 (0.27–1.37) | .231 | 0.43 (0.18–1.03) | .059 | 0.35 (0.13–0.91) | .030 | 0.34 (0.13–0.88) | .026 |
| 中×糖尿病 | 0.93 (0.41–2.11) | .854 | 0.68 (0.28–1.68) | .403 | 0.58 (0.21–1.58) | .287 | 0.36 (0.11–1.20) | .097 |
| 高×无糖尿病 | 0.04 (0.01–0.31) | .002 | 0.02 (0.00–0.19) | <.001 | 0.02 (0.00–0.18) | <.001 | 0.02 (0.00–0.16) | <.001 |
| 高×糖尿病 | 0.49 (0.16–1.52) | .218 | 0.28 (0.08–0.96) | .043 | 0.25 (0.07–0.95) | .041 | 0.16 (0.04–0.69) | .014 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |

数据以HR和95% CI表示。调整模型 I 调整了年龄、种族、性别、家庭收入和教育程度。调整模型 II 在模型 I 基础上调整了BMI、吸烟状态、饮酒状态、糖尿病、高血压、卒中、剧烈体力活动、总蛋白质摄入量、总糖摄入量和总脂肪摄入量。调整模型 III 在模型 II 基础上调整了低密度脂蛋白胆固醇和糖化血红蛋白。

BMI = 体质指数,CI = 置信区间,DM = 糖尿病,HGS = 握力,HR = 风险比,MI = 心肌梗死。

**3.5 敏感性分析**

表4和表5展示了敏感性分析结果。在排除协变量数据不完整的参与者后,协变量完整队列(表4)显示全因死亡率的调整后HR为0.94(95% CI 0.91–0.97,P < .001),心血管死亡率为0.91(95% CI 0.85–0.96,P = .001)。与最低握力三分位组相比,最高三分位组全因死亡风险降低83%(HR 0.17,95% CI 0.05–0.60;P = .006),心血管死亡风险降低94%(HR 0.06,95% CI 0.00–0.75;P = .029)。采用多重插补的敏感性分析(5个数据集;表5)得出的结果与主分析一致:效应量几乎相同(例如,T3与T1全因死亡HR:表2主分析HR = 0.17对比插补HR = 0.177);置信区间如预期略有加宽(例如,95% CI:0.089–0.351对比主分析0.09–0.34);所有关键终点的统计学显著性未发生改变(P < .001)。

表4 排除协变量缺失数据的参与者的敏感性分析

| | 未调整模型 | 调整模型 I | 调整模型 II | 调整模型 III |
|---|---|---|---|---|
| | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 |
| **全因死亡** | | | | |
| HGS (kg) | 0.97 (0.95–0.98) | <.001 | 0.94 (0.92–0.97) | <.001 | 0.94 (0.91–0.97) | <.001 | 0.94 (0.91–0.97) | <.001 |
| HGS 三分位组 (kg) | | | | |
| T1 (27.0–52.4) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (52.4–69.9) | 0.60 (0.30–1.19) | .145 | 0.63 (0.27–1.48) | .293 | 0.78 (0.25–2.40) | .664 | 0.66 (0.21–2.07) | .480 |
| T3 (69.9–128.9) | 0.27 (0.12–0.61) | .002 | 0.15 (0.05–0.43) | <.001 | 0.18 (0.05–0.67) | .010 | 0.17 (0.05–0.60) | .006 |
| 趋势检验P值 | <.001 | | <.001 | | .009 | | .005 | |
| **心血管死亡** | | | | |
| HGS (kg) | 0.97 (0.94–1.00) | .051 | 0.94 (0.90–0.97) | .001 | 0.92 (0.88–0.97) | .003 | 0.91 (0.85–0.96) | .001 |
| HGS 三分位组 (kg) | | | | |
| T1 (27.0–52.3) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (52.4–69.9) | 0.88 (0.29–2.62) | .814 | 0.90 (0.23–3.53) | .876 | 1.98 (0.26–14.92) | .507 | 0.88 (0.10–7.47) | .903 |
| T3 (70.0–128.9) | 0.34 (0.09–1.31) | .116 | 0.08 (0.01–0.49) | .006 | 0.07 (0.01–1.01) | .051 | 0.06 (0.00–0.75) | .029 |
| 趋势检验P值 | .118 | | .005 | | .019 | | .011 | |

数据以HR和95% CI表示。调整模型 I 调整了年龄、种族、性别、家庭收入和教育程度。调整模型 II 在模型 I 基础上调整了BMI、吸烟状态、饮酒状态、糖尿病、高血压、卒中、剧烈体力活动、总蛋白质摄入量、总糖摄入量和总脂肪摄入量。调整模型 III 在模型 II 基础上调整了低密度脂蛋白胆固醇和糖化血红蛋白。

BMI = 体质指数,CI = 置信区间,HGS = 握力,HR = 风险比,MI = 心肌梗死。

表5 协变量多重插补的敏感性分析

| | 未调整模型 | 调整模型 I | 调整模型 II | 调整模型 III |
|---|---|---|---|---|
| | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 | HR (95% CI) | P值 |
| **全因死亡** | | | | |
| HGS (kg) | 0.966 (0.956–0.975) | <.001 | 0.964 (0.952–0.976) | <.001 | 0.964 (0.951–0.977) | <.001 | 0.964 (0.950–0.977) | <.001 |
| HGS 三分位组 (kg) | | | | |
| T1 (17.2–50.6) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (50.7–72.0) | 0.620 (0.425–0.905) | .0145 | 0.575 (0.370–0.896) | .0159 | 0.594 (0.370–0.955) | .0337 | 0.586 (0.361–0.953) | .0335 |
| T3 (72.1–128.9) | 0.210 (0.125–0.354) | <.001 | 0.185 (0.098–0.349) | <.001 | 0.190 (0.096–0.376) | <.001 | 0.177 (0.089–0.351) | <.001 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |
| **心血管死亡** | | | | |
| HGS (kg) | 0.960 (0.945–0.975) | <.001 | 0.954 (0.937–0.972) | <.001 | 0.953 (0.933–0.973) | <.001 | 0.951 (0.931–0.971) | <.001 |
| HGS 三分位组 (kg) | | | | |
| T1 (17.2–50.6) | 1 (参考) | | 1 (参考) | | 1 (参考) | | 1 (参考) | |
| T2 (50.7–72.0) | 0.618 (0.353–1.079) | .0967 | 0.500 (0.263–0.950) | .0402 | 0.503 (0.245–1.036) | .0717 | 0.442 (0.209–0.937) | .0418 |
| T3 (72.1–128.9) | 0.128 (0.050–0.330) | <.001 | 0.084 (0.028–0.245) | <.001 | 0.096 (0.031–0.299) | <.001 | 0.082 (0.026–0.259) | <.001 |
| 趋势检验P值 | <.001 | | <.001 | | <.001 | | <.001 | |

数据以HR和95% CI表示。调整模型 I 调整了年龄、种族、性别、家庭收入和教育程度。调整模型 II 在模型 I 基础上调整了BMI、吸烟状态、饮酒状态、糖尿病、高血压、卒中、剧烈体力活动、总蛋白质摄入量、总糖摄入量和总脂肪摄入量。调整模型 III 在模型 II 基础上调整了低密度脂蛋白胆固醇和糖化血红蛋白。

BMI = 体质指数,CI = 置信区间,HGS = 握力,HR = 风险比,MI = 心肌梗死。

**4. 讨论**

本研究揭示了在美国心肌梗死幸存者中,握力与全因死亡率及心血管死亡率之间存在稳健的反向线性关系。在调整了包括人口学特征、病史、生活方式因素和饮食摄入在内的协变量后,这一关联仍然存在,表明其为独立关联。亚组分析和敏感性分析证实了这一关联的稳定性。值得注意的是,在糖尿病状态个体中观察到交互作用。在非糖尿病人群中,握力最高三分位组的参与者全因死亡风险降低90%,心血管死亡风险降低98%,凸显了肌肉力量增强在该人群中的显著保护效益。在糖尿病患者中,相应的绝对风险降低仍然相当可观,分别为72%和84%。

我们注意到,先前的研究已一致表明握力是死亡结果的可靠指标。证据综合分析确认了握力降低与早期全因死亡和心血管特异性死亡风险升高之间的反向关联。[18] 支持这些发现的是,García-Hermoso的Meta分析显示,下肢肌肉能力下降与临床稳定人群全因死亡之间存在负相关。[21] 同样,López-Bueno发现握力下降可预测全因死亡、心血管疾病和癌症死亡风险的升高。在26至50 kg的握力范围内,与全因死亡之间出现近似线性的负相关。在16至33 kg的范围内,癌症和心血管死亡发生率呈现U型模式。在24至40 kg的范围内,显示出明确的反向线性关系,具有显著的风险。[28] 此外,Kim等人[20]利用韩国老龄化纵向研究(2006–2014)数据集,确定了握力下降为独立的死亡预测因子。同样,Xie等人[19]利用中国健康与养老纵向调查数据(2011–2018),证实了握力与死亡风险之间的反向线性关系,确认其在45至96岁中国成年人中作为自主预测因子的作用。

值得注意的是,疾病特异性研究发现,在慢性肾脏病患者中握力与全因死亡风险之间存在U型关系,[29] 在心血管疾病患者[30]和2型糖尿病[31]患者中为反向线性相关,在慢性阻塞性肺疾病个体中为轻度至中度关联。[32] Wang等人[33]记录了在2990名60岁及以上高血压个体中握力与全因死亡的负相关。

近期研究表明,这些机制涉及激素调节和炎症调节。骨骼肌作为内分泌器官,在收缩活动中分泌肌细胞因子,如白介素-6和脑源性神经营养因子。这些生物活性因子调节葡萄糖/脂质代谢信号通路,可能参与肥胖和葡萄糖失调疾病的发病机制。[19,34,35] 此外,肌细胞因子在对抗促炎脂肪因子的有害作用中起关键作用。[36] Lee-Smith对英国老龄化纵向研究的分析表明,握力水平与血清炎症标志物浓度相关。[37]

本研究通过聚焦于全国代表性的美国心肌梗死幸存者队列,并证明握力升高与全因死亡和心脏特异性死亡风险降低之间的稳健反向线性关联,为循证基础增添了新证据。重要的是,我们识别出与糖尿病状态存在显著交互作用。尽管糖尿病削弱了保护效应,但最高握力三分位组仍表现出显著的风险降低:与最低三分位组相比,全因死亡降低72%,心血管死亡降低84%。我们推测,胰岛素抵抗可能介导了糖尿病和握力之间的交互死亡效应,因为骨骼肌在胰岛素依赖性葡萄糖清除中具有首要地位,且胰岛素抵抗与心血管事件之间存在已建立的关联。这些数据强调了基于抗阻的肌肉强化干预对糖尿病心肌梗死幸存者仍然是可行且具有临床相关性的,应作为循证心脏康复计划的优先组成部分。

尽管本研究的观察性性质排除了因果推断,但一致且稳健的关联强调了握力在临床环境中的预后效用。除了风险分层之外,将握力指标整合到远程监测平台中,并结合基于循证的移动健康干预措施,可以建立涵盖风险识别、行为改变和动态跟踪的整合护理模式。大量证据表明数字健康工具可以改善心血管结果:急性冠脉综合征中数字健康干预的Meta分析,[38] 以及远程医疗综述[39]确认了远程监测的有效性,同时LIGHT试验的亚研究证明智能设备能显著增加峰值VO2,[40] 降低ASCVD风险评分(与每日步数呈负相关),[41] 并改善糖尿病患者的自主神经功能。[42] 鉴于其成本效益和操作简便性,握力代表了心肌梗死后进行技术辅助护理的有前景的综合指标。

需要考虑若干局限性。首先,心肌梗死幸存者样本量较小(n = 376)以及使用自我报告诊断可能影响可推广性。鉴于自我报告数据的性质,一定程度的误分类可能不可避免。其次,握力的单次测量限制了因果归因,尽管我们计划在正在进行的队列中进行系列测量,但这将有助于应对因果解释问题——因果解释受到依赖单次基线握力测量的限制;未来采用系列评估的研究(如我们队列研究中所计划的)将有助于阐明纵向动态。第三,尽管进行了全面的协变量调整,但潜在的残余混杂因素(如未测量的衰弱、药物依从性或康复因素)可能导致效应估计存在保守偏差。最后,某些亚组——特别是心血管死亡率方面——似乎事件数量较少,这可能导致较宽的置信区间和不稳定的估计值。尽管存在这些局限性,本研究证实了握力在心血管风险分层中的预后价值。

未来随机对照试验应评估整合握力(HGS)的数字健康框架在真实世界环境中的临床效用。5. 结论 在具有全国代表性的美国心肌梗死幸存者队列中,我们观察到握力与全因及心血管死亡风险之间存在显著的反向关联,该关联独立于主要混杂因素。这一关联在无糖尿病人群中尤为显著。这些结果提示,握力可能作为该人群中有价值的预后标志物。未来研究应探讨以增强肌肉力量为目标的干预措施是否能够将这种观察性关联转化为临床获益,尤其是对于糖尿病患者等高危亚组。若通过随机试验证实了因果关系,则应考虑将抗阻训练纳入全面的心脏康复方案中。此外,还需要进一步研究以阐明肌肉力量与生存之间联系的潜在生物学通路。致谢 我们衷心感谢NHANES参与者及工作人员所做出的重要贡献。作者贡献 概念化:赵佳、王耀正。数据管理:赵佳、王耀正。形式分析:赵佳、张晓芸、江峰。调查研究:梁杰。方法学:赵佳、梁杰、王耀正。项目管理:赵佳、王耀正。监督指导:王耀正、张晓芸。验证:梁杰。可视化:王耀正、张晓芸。原创稿件撰写:赵佳。审阅与编辑:赵佳、梁杰、江峰。1SUP1.docx(15.93 KB)
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号