应激高血糖比值对评估心血管 - 肾脏 - 代谢综合征 0-3 期患者全因及心血管死亡风险的意义

《Cardiovascular Diabetology》：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

为探究应激高血糖比值（SHR）与心血管 - 肾脏 - 代谢（CKM）综合征 0-3 期患者死亡风险的关系，研究人员分析相关数据，发现 SHR 与全因死亡率正相关，为临床风险评估提供参考。

　　

心血管 - 肾脏 - 代谢综合征患者死亡风险评估的新探索

在健康领域，心血管疾病（CVD）如今已成为全球头号健康杀手。截至 2021 年，全球心血管疾病患者数量飙升至 5.23 亿例，是 1990 年的两倍，2022 年因心血管疾病死亡的人数更是高达 1980 万。与此同时，慢性肾脏疾病（CKD）和代谢疾病也日益高发，它们与心血管疾病之间存在着复杂而紧密的联系。

为了应对这一严峻的健康挑战，美国心脏协会（AHA）提出了心血管 - 肾脏 - 代谢（CKM）综合征的概念，强调了这三种疾病之间的相互关联。CKM 综合征涵盖了从 0 期（无风险因素）到 4 期（确诊心血管疾病）不同阶段，其中 0-3 期的早期预测和干预对于预防心血管相关事件至关重要。

在血糖代谢研究方面，应激高血糖比值（SHR）作为一个新兴指标逐渐受到关注。它能量化患者在急性或亚急性应激状态下的血糖波动情况，反映身体对压力的生理反应。此前研究发现，SHR 与多种疾病的预后相关，如医院获得性肺部感染、冠心病预后等，但它在 CKM 综合征患者中的预后价值尚不明确。尤其是在 CKM 综合征 0-3 期患者中，SHR 与全因死亡率和心血管死亡率之间的关系，还缺乏深入研究。

为了填补这一知识空白，来自成都中西医结合医院心内科等机构的研究人员开展了一项研究，相关成果发表在《Cardiovascular Diabetology》上。

研究人员主要运用了以下关键技术方法：首先，从具有全国代表性的美国国家健康与营养检查调查（NHANES，2007 - 2018 年）数据库中筛选出 9647 名 CKM 综合征 0 - 3 期的参与者，同时利用中国健康与养老追踪调查（CHARLS，2011 - 2020 年）数据库进行验证；其次，通过多因素 Cox 比例风险回归模型评估 SHR 与全因死亡率和心血管死亡率的关系；另外，运用限制立方样条（RCS）分析和阈值分析探究 SHR 与死亡率之间的非线性关系；最后，使用自适应最佳子集选择（ABESS）算法和 Boruta 算法进行变量选择，并构建 11 种机器学习模型预测全因死亡风险。

下面来看具体的研究结果：

1. 基线特征：研究共纳入 9647 名参与者，平均年龄 45.54±0.30 岁。SHR 指数在不同三分位数组间，年龄、胰岛素、肾功能、血脂、血糖等多种健康指标存在显著差异，社会经济特征也有所不同。
2. SHR 与死亡率的关联：多因素 Cox 回归分析显示，调整协变量后，SHR 与全因死亡率呈显著正相关（风险比 [HR]=1.09，95% 置信区间 [CI] 1.04 - 1.13），但与心血管死亡率无显著关联。按 SHR 三分位数分组分析，最高三分位数组全因死亡风险显著增加。
3. RCS 和阈值效应分析：RCS 分析表明，SHR 与全因死亡率和心血管死亡率均呈 U 型关联。全因死亡率的阈值为 17.93，SHR≥17.93 时，每增加 1 单位，全因死亡风险升高 16%；心血管死亡率的阈值为 14.02，SHR<14.02 时，心血管死亡风险降低，SHR>14.02 时，风险升高。
4. 模型变量选择与预测模型构建：通过 ABESS 和 Boruta 算法筛选出 11 个关键变量构建模型，经方差膨胀因子（VIF）检验无多重共线性。11 种机器学习模型中，LightGBM 模型表现最佳，其在测试集的 AUC 值为 0.863，具有较高的预测准确性。
5. 中介分析：SHR 与全因死亡率的关系部分由红细胞分布宽度（RDW）、白蛋白和 RDW 与白蛋白比值（RAR）介导，中介效应分别为 - 17.0%（95% CI - 46.7%， - 8.7%）、 - 10.1%（95% CI - 23.9%， - 4.7%）和 - 23.3%（95% CI - 49.0%， - 13.0%）。
6. 敏感性分析：进一步调整抗高血糖药物、能量摄入等因素后，SHR 与全因死亡率仍显著正相关。CHARLS 数据库分析显示，SHR 与 CKM 0 - 3 期人群全因死亡率正相关，且存在非线性关系。亚组分析发现，吸烟状态显著影响 SHR 与全因死亡率的相关性，当前吸烟者全因死亡风险更高。

综合研究结果和讨论，该研究发现 SHR 与 CKM 综合征 0 - 3 期患者的全因死亡率呈 U 型关联，存在阈值效应，且这一关系部分由 RDW、白蛋白和 RAR 介导。同时，研究还证实 SHR 与心血管死亡率无显著关联。此外，基于 SHR 构建的机器学习模型具有良好的预测性能。这些发现为临床评估 CKM 综合征患者的死亡风险提供了新的视角和有效工具。动态监测 SHR 有助于医生及时发现患者代谢健康问题，制定个性化治疗方案，预防疾病恶化，提高患者长期生存率。不过，该研究也存在一定局限性，如样本主要来自美国，可能存在种族和环境差异的影响；未测量部分混杂因素；仅在基线测量 SHR，未评估其动态变化；缺乏基因组数据无法进行孟德尔随机化分析等。未来研究可针对这些不足，开展更多跨国家、跨文化的研究，完善相关数据，进一步深入探究 SHR 在 CKM 综合征中的作用机制，为全球患者的健康管理提供更精准、有效的策略。