广州医科大学者CHARLS发1区,思路拆解

⭕️文献标题

Association between cumulative changes of the triglyceride glucose index and incidence of stroke in a population with cardiovascular-kidney-metabolic syndrome stage 0–3: a nationwide prospective cohort study《累积甘油三酯-葡萄糖指数(TyG)变化与CKM综合征患者中风风险的关联:全国性前瞻性队列研究》

Cardiovascular Diabetology (IF=8.5)

⭕️研究背景

心血管-肾脏-代谢综合征(CKM)是一种多系统疾病,与肥胖、糖尿病、慢性肾病等密切相关。TyG指数(甘油三酯×空腹血糖/2)是评估胰岛素抵抗的重要指标,但其累积变化(cumTyG)对中风风险的预测价值尚不明确。

研究基于中国健康与养老追踪调查(CHARLS)数据,纳入4700名CKM 0-3期患者,探索TyG动态变化与中风的关系。

⭕️统计过程亮点(详见图2、3)

1️⃣ K-means聚类分析:将TyG变化轨迹分为4类(稳定低风险、快速上升、显著改善、持续高风险)。

2️⃣ 逻辑回归模型:调整年龄、性别、BMI、吸烟等混杂因素,分析cumTyG与中风的关联。

3️⃣ 限制立方样条(RCS):验证cumTyG与中风风险的线性关系。

4️⃣ 亚组分析:按年龄、性别、CKM分期等分层,探索异质性。

⭕️关键结果

🔸 cumTyG每增加1单位,中风风险↑13%(OR=1.13, 95%CI 1.05–1.22)。

🔸 TyG快速上升组(Class 2)风险最高(OR=1.39 vs. 稳定低风险组)。

🔸 高cumTyG组(Q3)中风风险是低组的1.66倍(P=0.003)。

🔸 LDL-C水平升高与TyG快速上升组的中风风险显著相关(P<0.001)。

⭕️简要结论

长期监测TyG指数变化(尤其是动态上升趋势)可有效识别CKM患者的中风高危人群,为早期干预提供依据!

数据收集与处理

  • 来源:中国健康与养老追踪调查(CHARLS)2011-2015 年数据。
  • 纳入标准
  • 年龄 ≥ 45 岁,无中风史。
  • 完成 CKM 分期(0–3 期)、TyG 指数(基线 + 随访)及中风结局数据。
  • 排除:数据缺失者(如未完成 CKM 分期、TyG 或中风记录)。
  • 最终样本量:4700 人,其中 280 例随访期间发生中风。

核心变量定义与计算

TyG 指数:

[
\text{TyG} = \ln \left( \frac{\text{空腹甘油三酯(mg/dL)} \times \text{空腹血糖(mg/dL)}}{2} \right)
]

累积 TyG(cumTyG):

采用曲线下面积(AUC)法计算:

[
\text{cumTyG} = \left( \frac{\text{TyG}{2012} + \text{TyG}{2015}}{2} \right) \times \text{时间跨度(3年)}
]

  • CKM 分期:根据 AHA 标准(0–3 期)分类。
  • 结局:自我报告的医生诊断中风(是/否)。

统计分析方法

(1) 描述性统计

  • 变量类型
  • 连续变量:正态分布(均值 ± 标准差),非正态(中位数 + IQR)。
  • 分类变量:频数和百分比。
  • 组间比较
  • 卡方检验(分类变量)、ANOVA(正态连续变量)、Kruskal-Wallis 检验(非参数)。

(2) K-means 聚类分析

  • 目的:识别 TyG 的动态变化轨迹。
  • 步骤
  1. 肘部法确定最优聚类数(K = 4)。
  2. 分为 4 类:
    • 稳定低风险(Class 1)
    • 快速上升(Class 2)
    • 显著改善(Class 3)
    • 持续高风险(Class 4)

逻辑回归模型

  • 因变量:中风事件(二分类)
  • 自变量
  • 主要变量:TyG 控制类别(Class 1–4)、cumTyG(三分位或连续变量)
  • 调整变量:
    • Model 1:未调整
    • Model 2:年龄、性别、BMI、教育水平
    • Model 3:Model 2 + 吸烟、饮酒、糖尿病、降糖药、降脂药
  • 输出指标:比值比(OR)及 95% 置信区间(CI)

限制立方样条(RCS)

  • 目的:验证 cumTyG 与中风风险的线性/非线性关系
  • 节点数量:默认 3 节点
  • 检验:整体效应(P-overall)与非线性趋势(P-nonlinear)

亚组分析与交互作用检验

  • 分层变量:年龄(<60 vs ≥60)、性别、教育水平、吸烟、中风史、CKM 分期等
  • 方法:分层回归分析,交互项评估交互效应

敏感性分析

  • 排除药物干扰:剔除服用降糖药、降脂药、降压药的患者,验证结果稳健性。

Leave a Reply

Your email address will not be published. Required fields are marked *