📄 medicine

From Multicohort Comparison to Predictive Modeling: A Tool for Evaluating Mortality Risk Based on the Optimal Smoking Exposure Indicator in High-Risk Cardiovascular Disease Populations

本研究确定综合吸烟指数（CSI）是预测高风险心血管疾病人群死亡风险的最佳指标，并证明了基于 CSI 的 Cox 模型实现了与复杂机器学习算法相当的稳健预测性能。

原作者： Xing Zhang, Xinchao Zhang, Ruoming Huang, Hong Li, Jianhua Liu, Youqiong Xu

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Xing Zhang, Xinchao Zhang, Ruoming Huang, Hong Li, Jianhua Liu, Youqiong Xu

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

大局观：寻找最好的“吸烟量尺”

想象一下，你正试图测量某种特定习惯（吸烟）对一群已经处于心脏问题高风险人群造成了多少伤害。研究人员想要回答一个简单的问题：衡量一个人的吸烟史以预测其是否可能早逝，最好的方法是什么？

他们并没有凭空猜测。他们收集了来自四个不同大型研究（就像是在进行四次不同国家的普查）中超过 19,000 人的数据。他们测试了五种不同的“尺子”或衡量吸烟的方法，以观察哪一种能提供最准确的预测。

测试的五种“尺子”

研究人员比较了五种衡量吸烟暴露量的方法：

状态 (Status)： 仅仅询问：“你吸烟吗？你以前吸烟吗？还是从不吸烟？”（就像一个简单的“是/否”开关）。
年数 (Years)： 他们吸烟了多少年？（就像测量绳子的长度）。
早期生活 (Early Life)： 他们是否在童年时期（5-14岁）就开始吸烟？（就像检查房屋的地基是否建在不稳固的地面上）。
包年 (Pack-Years)： 一个标准的数学公式：（每天抽烟的数量）×（吸烟年数）。（就像计算一生中搬运砖块的总重量）。
综合吸烟指数 (CSI)： 一个复杂的公式，它不仅计算香烟数量，还会考虑他们戒烟了多久，以及身体如何随着时间的推移缓慢“清除”毒素。（可以把它想象成一个智能生物温度计，它不仅测量房间里进入了多少烟雾，还测量墙壁中仍残留着多少热量）。

胜出者：“智能温度计” (CSI)

在测试了所有五种方法后，综合吸烟指数 (CSI) 脱颖而出，成为了明显的赢家。

为什么它赢了： 其他尺子都有点摇摆不定。有时它们在一组人身上效果很好，但在另一组人身上却失效了。然而，CSI 非常一致。无论这些人生活在哪里或年龄多大，它都像一个可靠的指南针一样，在四个不同的群体中表现稳定。
研究结果： 研究发现了一个清晰的“剂量-反应”关系。这意味着 CSI 分数越高，死亡风险就越高。这虽然不是一条直线，但趋势是不可否认的：更多的“烟雾负担”意味着更高的风险。

预测工具：简单的地图 vs. 超级计算机

一旦他们确定了 CSI 是最好的尺子，他们就尝试构建一个工具来预测一个人在 3 年、5 年或 10 年内是否会死亡。他们构建了两种类型的工具：

机器学习模型 (Machine Learning Models)： 这些就像是超级计算机，试图在数据中寻找隐藏的、复杂的模式。它们很强大，但可能是一个“黑匣子”（难以理解它们是如何做出决策的）。
Cox 模型 (The Cox Model)： 这是一张经典的、广为人知的地图。这是一种标准的统计方法，医生们已经使用了几十年。它是透明的；你可以清楚地看到它是如何计算风险的。

令人惊讶的结果： “超级计算机”（机器学习）和“经典地图”（Cox 模型）的表现几乎完全相同。复杂的 AI 并没有击败简单的经典数学。

由于经典地图同样准确，但更容易让医生理解并向患者解释，因此研究人员选择了基于 CSI 的 Cox 模型 作为最佳工具。

这个工具告诉我们什么

研究人员根据这个模型构建了一个数字计算器（网页应用）。

它是如何工作的： 医生可以将患者的详细信息（年龄、吸烟史、健康状况）输入到这个在线工具中。
输出结果： 它会立即给出患者在 3 年、5 年或 10 年内生存概率的清晰百分比。
益处： 它能帮助医生将患者分为“高风险”和“低风险”组，从而使他们能够专注于那些最需要照顾的人。

重要细微差别（“小字说明”）

死因 (Cause of Death)： 研究发现，虽然吸烟增加了死于任何原因的风险，但它与死于心脏病的具体联系却有点复杂。当这些人处于高风险组时，他们往往更有可能先死于癌症或肺部疾病。这就像一间屋顶脆弱（吸烟造成的损伤）且地基不稳（心脏病）的房子；屋顶可能会先坍塌，从而让你无法观察到地基失效的过程。
年龄的影响 (Age Matters)： 研究指出，对于老年人来说，吸烟带来的“额外”风险较难被察觉，因为他们的身体已经在自然老化，且本身就处于高风险之中。这就像是在一个已经非常嘈杂的房间里试图听清一声耳语。

核心结论

这项研究就像是对吸烟测量的一次质量控制测试。它证明了综合吸烟指数 (CSI) 是衡量心脏风险人群吸烟损伤最准确的方法。此外，它还表明你不需要超级复杂的 AI 来预测未来；一个基于 CSI 的、构建良好的经典数学模型同样出色，而且在真实的医生诊室中更容易使用。

研究人员已经将这些数学模型转化为了一个免费的交互式网站，以便医生现在就能使用它来帮助患者。

技术摘要：从多队列比较到高风险心血管疾病人群死亡风险的预测建模

问题陈述
在心血管疾病（CVD）高风险人群中，准确量化吸烟暴露对于风险管理至关重要，因为吸烟会与高血压和血脂异常等状况产生协同作用，从而放大死亡风险。然而，流行病学研究对于量化这种暴露的最佳指标尚未达成共识。常见的指标包括简单度量（吸烟状态、吸烟时长、开始吸烟年龄）和复合度量（包年数、综合吸烟指数 [CSI]）。虽然复合指标在理论上能提供更丰富的数据，但它们往往依赖于对数十年吸烟史的精确回忆，从而引入潜在的回忆偏倚。相反，简单指标可能存在信息密度较低的问题。目前尚缺乏专门针对高风险 CVD 人群系统比较这些指标的研究，以确定最稳健的死亡率预测因子或开发相应的预测模型。

研究方法
本研究采用多队列设计，利用了来自四个国际数据库的数据：

CHARLS（中国健康与养老追踪调查）
HRS（美国健康与退休研究）
NHANES（美国国家健康与营养调查）
PEACE-FZ（福州 PEACE-MPP 项目的子研究）

研究对象： 最终分析样本包括 19,239 名符合高风险 CVD 标准（未控制的高血压、血脂异常或已确诊的 CVD）的参与者（年龄 ≥45 岁）。

暴露指标： 生成了五种吸烟指标：

吸烟状态（从不吸烟、既往吸烟、当前吸烟）
吸烟年数
早期吸烟（起始年龄 <14 岁 vs. ≥14 岁）
包年数
综合吸烟指数 (CSI)： 一种结合了起始年龄、持续时间、戒烟时长和强度，并针对生物半衰期和滞后时间参数进行调整的复合指标。

分析方法：

关联分析： 使用多变量 Cox 比例风险模型评估各指标与全因死亡率之间的关联，并对协变量（人口统计学特征、BMI、衰弱指数等）进行了调整。结果通过随机效应荟萃分析进行汇总。
稳健性检验： 进行了敏感性分析（逐一排除法、排除缺失数据、排除短期随访以及排除基线 CVD 患者）和异质性评估 ( $I^2$ )。
剂量-反应关系： 使用限制性立方样条 (RCS) 模型评估非线性关系。
竞争风险： 使用 Fine-Gray 模型和原因特异性 Cox 模型分析了与 CVD、癌症及呼吸系统疾病死亡率的关联。
预测建模： 在 CHARLS、NHANES 和 PEACE-FZ 数据集的 70% 拆分集上训练了六个模型（Cox、LASSO、Ridge、随机生存森林、CoxBoost、XGBoost），并使用 HRS 作为独立外部验证集。通过 AUC、校准曲线、净重新分类改善指数 (NRI)、综合判别改善指数 (IDI) 和决策曲线分析 (DCA) 对模型进行评估。
纵向分析： 分析了基线与随访波次之间吸烟暴露程度和风险评分的变化，以评估动态风险。

关键结果

最优指标识别： 在五种指标中，综合吸烟指数 (CSI) 在所有四个队列中均表现出与全因死亡率最一致且最稳健的关联。它在荟萃分析中显示出最低的异质性 ( $I^2 = 45.8\%$ )，并在所有敏感性分析中保持统计学显著性；相比之下，其他指标（如包年数、吸烟状态）在特定的排除情景下表现出不稳定或显著性丧失。
剂量-反应关系： 在 CSI 与死亡风险之间观察到显著的单调剂量-反应关系。未发现非线性证据。
竞争风险： 在竞争风险分析中，CSI 与癌症和呼吸系统疾病死亡率显著相关，但与 CVD 死亡率无关（这可能是由于该多病共存人群中其他死因导致的竞争风险）。然而，原因特异性 Cox 分析证实了 CSI 与 CVD 死亡之间的致病联系。
模型性能： 将 CSI 添加到基线模型中可显著提高所有算法的预测性能（NRI 和 IDI）。
- 虽然机器学习模型（RSF、XGBoost）在训练集中表现良好，但 Cox 模型 在外部验证集中展现了相当的判别力（3 年 AUC: 0.761; 5 年 AUC: 0.784; 10 年 AUC: 0.823）。
- Cox 模型在不同阈值范围内均表现出极佳的校准度和临床净获益。
纵向动态： 在 CHARLS 队列中，CSI 的增加与死亡风险上升 35.6% 相关。在 HRS 队列中，模型导出的风险评分的变化比 CSI 本身的变化对死亡风险波动的敏感性更高。

意义与主张
作者声称，本研究为选择衡量高风险 CVD 人群吸烟暴露的最佳方法提供了科学依据。其主要贡献在于：

方法论解决： 研究确定了 CSI 是预测该特定人群全因死亡率的优选指标，认为其纳入生物半衰期和动态衰减机制，比包年数等静态指标能更好地反映烟草毒素的真实生物负荷。
临床工具开发： 研究构建并验证了一个 基于 Cox 的死亡率预测模型，该模型在高度预测准确性与临床解释性之间取得了平衡。作者主张，在此背景下，Cox 模型由于其透明度、稳健的参数估计以及易于临床转化，优于复杂的机器学习算法。
实际应用： 为促进床旁决策，作者开发了一个交互式网页版列线图（使用 "DynNom" 包），允许临床医生输入患者变量，实时可视化个体化的 3 年、5 年和 10 年死亡概率。

论文得出结论，基于 CSI 的 Cox 模型提供了一个具有科学依据且临床可行的工具，可用于高风险 CVD 人群的个体化风险评估及制定有针对性的控烟干预措施。