📄 医学

Joint Associations of the Atherogenic Index of Plasma and Estimated Glucose Disposal Rate with Incident Cardio-Renal- Metabolic Multimorbidity: A Prospective Cohort Study in UK Biobank and CHARLS

这项针对 UK Biobank 和 CHARLS 参与者的前瞻性队列研究表明，较高的血浆致动脉粥样硬化指数（AIP）和较低的估算葡萄糖处置率（eGDR）分别与心肾代谢多病发病风险增加独立相关，且两者共同相关，其中高 AIP/低 eGDR 表型可识别出风险显著升高的个体。

原作者： Mingjie Chen, Tao Yuan, Runlu Hu, Yuwen Shangguan, Qiuhan Chen, Zhengqiu Zhang, Qiang Tu, Zhenhao Lin, Hongyu Kuang, Changqing Yu, Jingbo Zhang, Qingkai Yan

发布于 2026-09-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Mingjie Chen, Tao Yuan, Runlu Hu, Yuwen Shangguan, Qiuhan Chen, Zhengqiu Zhang, Qiang Tu, Zhenhao Lin, Hongyu Kuang, Changqing Yu, Jingbo Zhang, Qingkai Yan

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

人体是一个复杂的机器，心脏、肾脏和代谢系统之间紧密相连。当其中一个部分出现问题时，往往会拖累其他部分。长期以来，医生们早已知晓，诸如心脏病、2型糖尿病和慢性肾脏病等疾病很少单独出现；它们经常结伴而来，形成一种比任何单一疾病都更难治疗的沉重负担。为了理解为什么会发生这种情况，研究人员观察了常规血液检查和身体测量中隐藏的两个特定预警信号。一个信号与血液中脂肪的质量有关，具体表现为“坏”脂肪水平高而“好”脂肪水平低的模式，这种模式随着时间的推移会损伤血管。另一个信号则衡量身体处理糖分的能力，反映出身体细胞变得迟钝且对管理能量的激素产生抵抗力的状态。虽然科学家们多年来一直分别研究这些信号，但一个新的问题仍然存在：当一个人同时携带这两个预警信号时，会发生什么？

一个研究团队致力于通过查看来自英国和中国两个大规模长期研究的近40.3万名成年人的健康记录来回答这个问题。他们想看看不良脂肪谱和不良糖处理能力的结合，是否可以预测谁会发展成危险的心脏、肾脏和代谢疾病组合。研究人员将重点放在了一组特定的人群上，这些人他们在研究开始时尚未患有这种“三重威胁”。他们对这些人进行了多年的追踪，观察谁会发展成被称为“心肾代谢多病共存”（cardio-renal-metabolic multimorbidity）的状态，即一个人至少患有两种上述主要疾病。

研究揭示了一个清晰且强大的模式。那些具有高水平致动脉粥样硬化脂肪标志物和低水平糖处理效率的人，比那些拥有良好脂肪和糖处理水平的人，更有可能发展出这些综合疾病。在大型英国研究中，拥有最差两种标志物组合的参与者发展为多病共存的可能性是那些拥有最佳组合者的五倍以上。这种风险如此显著，以至于研究人员可以识别出一组正走在比其他人更危险的钢丝上的特定人群。即使研究人员调整了年龄、吸烟和受教育程度等其他因素，这种代谢问题的双重负担仍然是未来疾病的强力预测因子。这一发现同样在中国研究中得到了证实，尽管由于人口差异和数据收集方式的不同，其风险增幅略小。

为了了解这种风险的形态，研究人员观察了随着标志物上升或下降，危险是如何变化的。他们发现这种关系并不是一条直线，风险并不会以简单的线性方式稳步上升。相反，似乎存在特定的转折点，风险会在这些点发生转移。对于脂肪标志物，一旦水平超过某个阈值，患病风险就会大幅跳升，这表明存在一个加速损伤的临界点。同样，对于糖处理效率的标志物，风险呈现非线性增长，这意味着一旦个人的效率跌破某个水平，风险就会不成比例地剧增。这表明，在达到临界极限之前，身体的防御机制可能还能维持，但一旦越过该限度，通往疾病的路径就会变得陡峭得多。

研究人员还探索了将这两个标志物添加到标准健康检查中是否能帮助医生预测风险。他们建立了一个包含年龄和性别等常见因素的模型，这些因素已经能够相当不错地预测谁可能会生病。当他们将这两个新标志物添加到模型中时，区分患病者与未患病者的能力有了显著提升。该模型在将人们正确分类到“高风险”或“低风险”组方面的能力变得更强。然而，作者谨慎地指出，这只是对这些标志物潜力的一次初步观察。虽然数据看起来很有前景，但该研究尚未证明在临床中使用这些标志物能否改变患者的预后或挽救生命。在将这些工具作为医疗护理的标准组成部分之前，还需要更多的测试和验证。

该研究中最有趣的环节之一是观察疾病随时间演进的过程。研究人员绘制了从健康到患有两种疾病，再到患有三种疾病的旅程图。他们发现，高水平脂肪标志物和低水平糖处理效率的结合，与沿着这条路径移动的速度加快有关。它似乎在推动人们从没有任何主要问题到患有两种疾病，再从两种疾病到三种疾病的过程中，比其他群体更快。数据表明，这种代谢双重问题在驱动从仅有心脏和肾脏问题向三种疾病并存的转变方面，具有特别强的攻击性。这让我们得以窥见这些疾病是如何相互作用的机制，即代谢功能障碍如何作为一个催化剂，加速了整体健康的衰退。

尽管发现了这些强有力的联系，研究人员强调他们的工作是观察性的，这意味着他们只是观察了发生的情况，而没有进行干预。他们无法证明这些标志物导致了疾病，只能证明它们是伴随发生的。他们还注意到，由于许多人的数据不完整，必须将其排除在分析之外，这可能会稍微扭曲结果。此外，两种疾病的记录方式在两个国家之间存在差异：一项研究主要依赖医院记录，而另一项则更多使用自我报告信息，这或许解释了为什么英国组的风险数值更高。这些局限性意味着，尽管研究结果令人信服，但它们并非最终定论。

研究结论指出，同时具备不良脂肪谱和不良糖处理能力是未来健康问题的有力信号。它识别出了一类人群，他们患上复杂的心脏、肾脏和代谢疾病网络风险显著更高。虽然这些标志物为观察风险提供了一种新途径，但研究人员提醒，它们目前尚未准备好作为临床决策的独立工具。这项工作是一个强烈的信号，表明这两个生物学路径是深度关联的，并且同时应对它们可能对于预防随之而来的疾病连锁反应是必要的。目前，这些发现提供了一张更清晰的地形图，显示出当身体的脂肪和糖分系统同时失调时，通往多病共存的道路会变得显著更加陡峭。

技术摘要：AIP 与 eGDR 对心血管-肾脏-代谢多病共存发生的联合关联研究

问题陈述
心血管-肾脏-代谢多病共存（CRMM）是指同时存在心血管疾病（CVD）、2 型糖尿病（T2D）和慢性肾脏病（CKD）中的至少两种疾病，这代表了显著的公共卫生负担，并与死亡率增加和功能下降相关。虽然致动脉粥样硬化性血脂异常和胰岛素抵抗是这些疾病已知的促成因素，但关于特定、常规可测量的指标——动脉粥样硬化性血浆指数（AIP）和估算葡萄糖处置率（eGDR）——对 CRMM 发病率和进展的联合影响，在不同人群中的特征仍有待明确。本研究旨在解决理解这些互补代谢谱如何预测向多病共存状态转变的研究空白。

研究方法
本研究采用前瞻性队列设计，利用了两个大型数据集：英国生物样本库（UKB）和中国健康与养老追踪调查（CHARLS）。

队列： 主要分析包括来自 UKB 的 394,483 名参与者（基线 2006–2010 年，随访至 2020 年）和来自 CHARLS 的 8,671 名参与者（基线 2011 年，随访至 2020 年）。
暴露因素：
- AIP： 计算公式为 $\log_{10}[\text{甘油三酯 (mmol/L)} / \text{HDL-C (mmol/L)}]$ 。
- eGDR： 根据腰围、高血压状态和 HbA1c 通过公式得出： $21.158 - 0.09 \times \text{腰围} - 3.407 \times \text{高血压} - 0.551 \times \text{HbA1c}$ 。
- 参与者根据队列特异性中位数被分为四种联合表型：低 AIP/高 eGDR（参照组）、高 AIP/高 eGDR、低 AIP/低 eGDR 以及高 AIP/低 eGDR。
结局： 事件性 CRMM，定义为随访期间至少出现三种疾病（CVD、T2D、CKD）中的两种。在 UKB 中依靠关联的电子健康记录进行判定，在 CHARLS 中依靠自报诊断并辅以生物标志物进行判定。
统计分析：
- 使用 Cox 比例风险模型估计经充分调整后的风险比（HR）。
- 使用限制性立方样条（RCS）模型探索非线性暴露-反应关系。
- 使用相对超额风险归因于交互作用（RERI）、归因比例（AP）和协同指数（SI）来量化加性交互作用。
- 使用多状态马尔可夫模型分析疾病状态之间的转换（无 CRMM $\to$ 双重共病 $\to$ 三重共病 $\to$ 死亡）。
- 通过 Harrell's C-index、时间依赖性 AUC、净重新分类改善指数（NRI）和综合判别改善指数（IDI）评估探索性预测性能。

主要贡献

联合表型特征化： 本研究是首批系统评估 AIP 和 eGDR 的联合关联与 CRMM 发病率在独立前瞻性队列中的研究之一，识别出了高风险的“高 AIP/低 eGDR”表型。
多状态进展分析： 研究提供了疾病进展的细粒度视图，区分了从无 CRMM 到双重共病以及从双重到三重共病的转换，揭示了与这些代谢指标相关的特定路径（例如，CVD+CKD 的进展）。
跨队列验证： 研究结果在来自中国的队列（CHARLS）中得到了复制，证明了该代谢风险谱在不同种族和医疗背景下的普遍性，尽管结局判定方式存在差异。
非线性阈值识别： 研究在 UKB 队列中识别出了 AIP（0.348）和 eGDR（10.270）的特定阈值，在这些阈值处风险梯度发生变化，提供了数据驱动的参考点。

结果

发病率： 在随访期间，23,289 名 UKB 参与者（5.9%）和 1,185 名 CHARLS 参与者（13.7%）发展为 CRMM。
个体关联： 在 UKB 中，高 AIP（HR 2.31）和低 eGDR（HR 2.54）在充分调整后均与较高的 CRMM 风险独立相关。
联合关联： 高 AIP/低 eGDR 表型表现出最高风险。在 UKB 中，该组与低 AIP/高 eGDR 参照组相比，其充分调整后的 HR 为 5.24（95% CI: 4.97–5.52）。在 CHARLS 中，相应的 HR 为 2.58。
非线性： UKB 中的 RCS 分析显示，两种指标均存在非线性关联，在 AIP 低于阈值及 eGDR 高于阈值时，风险梯度更为陡峭。CHARLS 仅在 eGDR 方面表现出非线性。
交互作用： 在 UKB 中观察到加性交互作用（RERI 1.40, $P < 0.001$ ），表明联合效应超过了单个效应之和，但在 CHARLS 中未达到统计学显著性。
预测性能： 在 UKB 中，将 AIP 和 eGDR 添加到基础协变量模型中提高了判别能力，使 C-index 从 0.8033 提高到 0.8459，NRI 为 0.6588，IDI 为 0.0354。
转换分析： 高 AIP 与从无 CRMM 向双重共病转换（HR 2.24）以及从双重向三重共病转换（HR 1.40）相关。从无 CRMM 向 T2D+CKD 的转换风险最强，而从双重向三重共病进展的最强趋势观察于 CVD+CKD 状态。

意义与主张
作者得出结论，较高的 AIP 和较低的 eGDR 与 CRMM 的发生具有独立且联合的关联。高 AIP/低 eGDR 表型识别出了一个具有显著升高相对风险的亚群。

论文明确将其预测发现界定为探索性的。虽然添加这些指标提高了 UKB 队列中的统计判别指标，但作者提醒，这些结果尚未建立临床验证的预测工具。他们强调，在临床实施之前，该模型需要进行正式的校准、预测误差评估、基于重采样的内部验证以及独立的外部验证。本研究将 AIP 和 eGDR 定位为流行病学风险特征描述和关于代谢趋同假设生成的有用工具，而非作为独立的诊断标准。研究结果支持了生物学上的合理性，即动脉粥样硬化性血脂异常与胰岛素抵抗的共同存在驱动了共享的心血管-肾脏-代谢风险，尽管观察性设计限制了因果推断。

技术摘要：AIP 与 eGDR 对心血管-肾脏-代谢多病共存发生的联合关联研究

类似论文