双数据库！中国学者用NHANES指标SHR发文一区Top杂志，验证数据来自CHARLS

心血管-肾脏-代谢（CKM）综合征着重强调了心血管、肾脏和代谢疾病之间的紧密联系，而应激性血糖升高比值（SHR）作为一种新兴标志物，能够体现应激状态下血糖的波动情况。

2025年3月24日，成都中西医结合医院学者用NHANES+CHARLS数据库，在期刊《Cardiovascular Diabetology》（医学一区Top，IF=8.5）发表题为：“The prognostic significance of stress hyperglycemia ratio in evaluating all-cause and cardiovascular mortality risk among individuals across stages 0-3 of cardiovascular-kidney-metabolic syndrome: evidence from two cohort studies”的研究论文。

研究团队基于美国国家健康与营养调查（NHANES）数据库2007-2018年的数据，经过纳排，最终纳入了9647名≥20岁符合条件的参与者，平均年龄为 45.54 岁，女性占51.38%。

• 在中位随访时间为6.80年期间，共记录了630例全因死亡病例和135例CVD死亡病例。 

研究团队进一步将数据集按照7：3的比例，随机分为训练集和测试集，用于构建预测CKM 0-3期人群全因死亡率的机器学习模型。

图1 研究概要

主要结果显示，SHR水平与0-3期CKM人群全因死亡率风险增加显著相关 ，但与 CVD 死亡率无关。

具体而言，当将参与者按照SHR水平的三分位数进行分组时，与最低SHR水平相比，最高SHR水平的参与者的全因死亡率升高了1.26倍。

表1 SHR水平与全因以及CVD死亡率的关联

模型1：未调整；

模型2：调整了性别、年龄、种族、婚姻状况和教育水平；

模型3：调整了模型2+（BMI、PIR、吸烟状况、饮酒量、娱乐性体育活动、肌酐、LDL-C、总胆固醇和高血压）同时，RCS和阈值分析结果表明，SHR水平与0-3期CKM人群的全因以及CVD死亡率均呈 U 形关联，拐点分别为17.93、14.02。

图2 RCS曲线

表2 阈值效应分析

随后，研究团队基于自适应最佳子集选择（ABESS）算法和 Boruta 算法筛选的11个关键特征，研究团队构建了10个机器学习模型。

图3 ABESS 算法和 Boruta 算法结果图

结果显示，在上述10个机器学习模型中，LightGBM 模型预测0-3期CKM人群死亡风险性能最佳，其AUC=0.863。

图4 ROC曲线图

而在Charls数据库中进行的敏感性分析，与上述结果一致，表明了研究结果的稳健性！

此外，研究团队还发现，红细胞分布宽度（RDW）、 白蛋白和红细胞分布宽度与白蛋白比（RAR）在上述关联中发挥了介导作用，介导比例分别为-17%、-10.1%和-23.3%。

表3 中介分析

综上所述，SHR水平增加与 0-3 期诊断为心血管-肾脏-代谢综合征的个体全因死亡率增加呈正相关。因此，SHR水平可作为预测0-3期CKM人群长期不良结局的重要工具。