通过调节肠道微生物群的饮食可减轻心血管-肾脏-代谢综合征，其机制涉及炎症介导：来自NHANES数据和机器学习模型的研究启示

《JOURNAL OF FOOD SCIENCE》：Gut Microbiota-Modulating Diets Attenuate Cardiovascular-Kidney-Metabolic Syndrome via Inflammatory Mediation: Insights From NHANES and Machine Learning Model

心血管-肾脏-代谢综合征（CKM）患者中，DI-GM饮食指数每升高1单位，CKM进展风险降低7%，其中炎症生物标志物（如DII、NLR、SIRI）介导了42.88%-5.59%的关联效应。机器学习模型（XGBoost）显示咖啡、精制谷物和脂肪摄入是风险预测的关键因素。研究证实DI-GM通过抑制炎症参与CKM保护，但横断面设计需谨慎因果推断，提示需结合饮食-微生物群协同干预进行精准管理。

　　

摘要

关于调节肠道微生物群的饮食在心血管-肾脏-代谢（CKM）综合征进展中的作用尚不明确。本研究探讨了肠道微生物群饮食指数（DI-GM）与晚期CKM风险之间的关联，重点关注炎症介导机制。

分析了12,068名NHANES参与者（2007–2020年）的横断面数据。晚期CKM阶段（3–4期）根据美国心脏协会（AHA）的标准进行分类。DI-GM评分基于14种饮食成分得出，并评估了炎症生物标志物（如饮食炎症指数[DII]、中性粒细胞与淋巴细胞比值[NLR]、全身炎症反应指数[SIRI]）。通过多变量逻辑回归、中介分析和机器学习（XGBoost、SHAP）来评估这些关联及预测性能。

高水平的DI-GM依从性（≥6分）与晚期CKM风险降低25%相关，而每增加1分，风险降低7%。炎症生物标志物在这一关联中起到了42.88%（DII）至5.59%（中性粒细胞）的中介作用。XGBoost识别出咖啡、精制谷物和脂肪是主要的风险预测因素。

这项横断面研究强调了DI-GM对CKM进展的保护作用，这种作用主要通过抑制炎症实现。尽管这些结果显示出有希望的关联，但横断面设计在推断因果关系时需要谨慎。机器学习表明，饮食中的协同作用比单一成分更为重要，这支持在精准管理CKM时采用饮食-微生物群综合干预措施。

实际应用

目前关于这一主题的认知是什么？心血管-肾脏-代谢（CKM）综合征在2023年得到了正式定义，影响了超过25%的美国成年人，但将肠道微生物群相关饮食模式与晚期CKM风险联系起来的证据仍然有限。

关键的研究问题是什么？高肠道微生物群饮食指数（DI-GM）评分——其特征是富含纤维、经过发酵的植物性食物——与晚期CKM风险呈负相关，尤其是在久坐不动和高血压的亚组中。

这项研究如何影响临床实践？炎症生物标志物介导了DI-GM与CKM进展之间42.88%的关联，机器学习识别出咖啡、精制谷物和膳食脂肪是风险分层的关键因素，这支持了基于微生物群的精准营养策略。

利益冲突

作者声明没有利益冲突。

利益冲突

作者声明没有利益冲突。