甘油三酯葡萄糖体重指数的变化评估中国中老年人中风的风险：一项全国性前瞻性队列研究| 心血管糖尿病学

研究人群

这项研究利用了 CHARLS 数据的二次分析，这是一项正在进行的全国性队列研究，旨在代表人群 [20]。 研究设计之前已经描述过 [20]。 总之，使用多阶段分层概率与规模成比例的抽样技术，总共选择了居住在 10,257 个家庭的 17,708 名参与者。 这些参与者是从2011年6月至2012年3月期间从中国28个省的150个县或区以及450个村庄招募的。通过标准化问卷收集社会人口和生活方式因素以及健康相关数据。 基线调查（第 1 波）的响应率为 80.5%，随后每两年进行一次后续评估，其中第 2 波于 2013 年进行，第 3 波于 2015 年进行，第 4 波于 2018 年进行。基线时还采集了血样和第 3 波。对于此分析，参与者的年龄必须为 45 岁及以上，并且需要空腹血糖 (FBG)、甘油三酯 (TG) 和体重指数 (BMI) 的完整数据。 如果人们在 2015 年之前患有中风，则被排除在外。

CHARLS研究得到了北京大学机构审查委员会的批准。 所有参与者都获得了书面知情同意书。 本研究是根据加强流行病学观察研究报告 (STROBE) 报告指南进行的 [21]。

TyG-BMI变化的评估

本研究暴露的是2012年至2015年TyG-BMI值的变化。TyG-BMI的计算公式为ln[TG (mg/dl) × FBG (mg/dl)/2]× 体重指数（公斤/米²） [13]。 我们参考累积TyG变化公式计算了累积TyG-BMI [22]: (TyG-BMI_2012年+ TyG-体重指数_2015年)/2 × 时间 (2015 – 2012)。 身高和体重由经过培训的护士测量。 BMI 的计算方法为体重（公斤）除以身高（米）的平方。

确定中风事件

中风是这项研究的主要结果。 根据以往的研究 [23, 24]中风事件由对“您是否被医生诊断为中风？”的问题自我报告“是”的个人进行评估。 或选择具体回答“中医/西医/物理疗法/针灸/职业疗法/以上都不是”治疗中风的问题，则视为中风患者。 中风诊断日期记录为上次访谈日期与报告中风事件的访谈日期之间 [23, 24]。

协变量

在基线（第一波），训练有素的访谈员使用结构化调查问卷收集有关社会人口状况和健康相关因素的信息，包括年龄、性别、居住地、婚姻状况和教育水平。 教育程度分为无正规教育、小学、初中或高中、大专及以上。 健康相关因素包括自我报告的吸烟和饮酒状况（从不、以前或现在）、自我报告的医生诊断的医疗状况（糖尿病、高血压、心脏病、肾脏疾病和血脂异常）以及糖尿病药物的使用、高血压、血脂异常。 实验室检查包括总胆固醇 (TC)、高密度脂蛋白胆固醇 (HDL-C)、低密度脂蛋白胆固醇 (LDL-C)、估计肾小球滤过率 (eGFR) 和糖化血红蛋白 A1c 型 (HbA1c) [25]。 婚姻状况分为两组：已婚和其他婚姻状况（未婚、分居、离婚和丧偶）。 糖尿病的定义为空腹血糖≥126 mg/dl（换算为毫摩尔每升，乘以0.0555）、当前使用抗糖尿病药物或自我报告的糖尿病史。 高血压的定义为收缩压≥140mmHg、舒张压≥90mmHg、当前使用降压药物或自我报告高血压病史。 血脂异常定义为总胆固醇≥240mg/dl（换算为毫摩尔每升，乘以0.0259），甘油三酯≥150mg/dl，低密度脂蛋白胆固醇≥160mg/dl，高密度脂蛋白胆固醇<40mg /dl，目前使用的降脂药物，或自我报告的血脂异常病史。

统计分析

使用各种统计方法分析数据。 对于正态分布的连续变量，报告了平均值和标准差 (SD)。 分类变量用频率和百分比来描述。 χ² 酌情利用检验和方差分析来比较不同组之间基线特征的差异。 发现总数据项中大约 4.3% (197/4583) 丢失。 这些缺失值被假定为随机缺失，并通过使用基线特征的链式方程多重插补方法来解决。 为了解释缺失的数据，创建了五个估算数据集。 然后使用 R 统计软件和小鼠软件包汇总结果。

我们利用一种名为 K-means 的无监督机器学习技术，根据 2012 年和 2015 年的 TyG-BMI 测量值，采用欧几里德距离对患者进行分组。我们选择 k-means 算法是因为它的计算效率高，并且能够生成易于使用的数据。了解数据点的可视化 [26]。 K-means 算法是一种基于质心的聚类方法，通过最小化每个簇内的距离平方和将数据集划分为 K 个簇 [26, 27]。 为了执行该过程，我们遵循三个步骤：首先，我们指定所需的簇数量； 然后，我们随机选择k个患者作为初始聚类中心； 接下来，我们将每个患者分配到最近的质心并依次更新聚类质心 [27]。 这个迭代过程持续进行，直到簇内总平方和最小化，并且每个患者根据他们与中心的距离（由欧几里得距离确定）被分配到特定的簇 [26]。 为了确定适当的簇数，我们直观地分析了由于改变簇数而导致的平方距离总和的减少。 我们提供了聚类结果的可视化表示。 重要的是，在整个聚类过程中，算法始终不知道结果变量，从而确保了分析的公正性。

从基线到第 3 波的中位随访时间为 36.7 个月（范围：29.6-41.8 个月），对 TyG-BMI 转变的数据集进行了分析，并使用 K 均值聚类将其分为 4 类（图 1）。 1A），并采用配对t检验来评估每个类别内的变化：对于1类（n = 1273），TyG-BMI范围从2012年的163.42±15.13到2015年的163.36±15.45（P = 0.914）， TyG-BMI 累积平均值 (SD) 为 490.18 ± 38.64，TyG-BMI 持续较低； 对于2级（n = 1664），TyG-BMI范围从2012年的197.39±14.40到2015年的200.17±14.45（P <0.001），平均（SD）累积TyG-BMI为596.34±30.55，代表中等水平TyG-BMI呈缓慢上升趋势； 对于 3 级（n = 1171），TyG-BMI 范围为 2012 年的 233.00 ± 17.59 至 2015 年的 236.43 ± 16.93（P < 0.001），平均（SD）累积 TyG-BMI 为 704.14 ± 34.37，代表较高水平。 TyG-BMI呈缓慢上升趋势； 对于4级（n = 475），TyG-BMI范围为2012年的283.42±29.91至2015年的279.56±27.16（P = 0.037），累积TyG-BMI的平均值（SD）为844.48±62.90，代表最高值TyG-BMI呈缓慢下降趋势（图2）。 1B）。 根据 TyG-BMI 类别的变化，TyG-BMI 的分布如图 2 所示。 1C、D. 每个类别内 TyG-BMI 的正态分布是可观察到的，并且这些类别之间的平均 TyG-BMI 值存在统计上显着的差异。

在建立 TyG-BMI 变化的类别后，我们检查了不同类别与 TyG-BMI 变化和卒中事件之间的关联，并使用二元 Logistic 模型计算 95% CI 的比值比 (OR)。 估计了四个模型：模型 1 根据年龄和性别进行调整； 模型2调整了年龄、性别、婚姻状况、居住地、教育程度、吸烟状况、饮酒状况； 模型3针对模型2中的变量以及高血压、糖尿病、心脏病、血脂异常、肾病、高血压药物使用、糖尿病药物使用、血脂异常药物使用、收缩压和舒张压病史进行调整； 模型 4 根据模型 3 中的变量和总胆固醇、HDL-C、LDL-C、HbA1c 和 eGFR 进行调整。

为了检查累积 TyG-BMI 与中风事件之间的关联，将累积 TyG-BMI 分为四分位数，然后将其纳入二元 Logistic 模型，并将第一个四分位数作为参考组。 我们通过对每个分位数的中值进行建模来搜索线性趋势，以测试累积 TyG-BMI 分位数之间的有序关系。 此外，我们使用限制三次样条（RCS）回归模型探索了潜在的非线性关联，该模型在累积 TyG-BMI 的第 5、35、65 和 95 个百分位处使用 4 个节点进行（参考为第 5 个百分位） ）。 我们进一步应用两段线性回归模型，使用平滑函数检查累积 TyG-BMI 对中风的阈值效应 [28, 29]。 进行亚组分析以检查 TyG-BMI 和累积 TyG-BMI 的变化与中风的潜在关联是否受到以下人口和临床特征的调节：年龄、性别、婚姻状况、居住地、教育水平、吸烟状况、饮酒高血压、糖尿病、心脏病、血脂异常和肾脏疾病的状况和病史。 使用交互作用项和似然比检验评估交互作用的 P 值。

为了评估 TyG-BMI 在预测中风方面的性能，进行了受试者工作特征 (ROC) 曲线分析，计算了 ROC 曲线下面积 (AUC)，并以平滑的核密度生成了曲线。 为了评估 TyG-BMI 相对于 TyG 的预测性能改进程度，进行了 Delong 测试。 TyG-BMI 是使用包含 TG、FBG 和 BMI 变量的数学公式得出的。 为了提供对公式的全面解释，我们采用了加权分位数和 (WQS) 回归模型，并采用自举重采样方法进行 1000 次迭代。 WQS 模型有助于确定 FBG、TG 和 BMI 的权重，量化它们各自对整体效果的贡献。 这些权重被限制在0到1的范围内，累计和为1 [30]。 权重越高表明相应指标在卒中预测中的意义越大。

进行了如下五项敏感性分析：（1）使用完整数据集（4373 名参与者）重复主要分析，无需多重插补； (2) 重复主要分析，排除患有心脏病的参与者（538 名参与者），以解释因心血管疾病而导致失访的情况； (3) 使用竞争风险模型来解释由于死亡引起的竞争风险（188 名参与者死亡）； (4) 使用 Cox 比例风险模型来解释删失数据； （5）将累积TyG-BMI视为连续变量，以检查累积TyG-BMI与中风风险之间的线性关系，而不强加预定义的类别。 考虑到每单位 TyG-BMI 效应大小的变化很小，我们对 TyG-BMI 进行了标准化，以评估 TyG-BMI 每 SD 变化的效果。 双侧 P < 0.05 被认为表明有统计学意义。 所有分析均使用 R 统计软件版本 4.2.2 (R Foundation) 进行。