血浆动脉粥样硬化指数（AIP）与估计葡萄糖处置率（eGDR）联合关联心血管-肾脏-代谢综合征 0–3 期人群新发心血管疾病风险：一项 9 年全国前瞻性队列研究

原文信息

• 标题：Joint association of atherogenic index of plasma and estimated glucose disposal rate with new-onset cardiovascular disease risk in individuals with cardiovascular-kidney-metabolic syndrome stages 0–3: a 9-year nationwide prospective cohort study
• 作者：Fan Y, Si Z, Wei M, Gu Y, Li X.
• 期刊：Cardiovascular Diabetology（BMC，开放获取），2026, 25(1): 184
• DOI：10.1186/s12933-026-03200-5 ｜ PMID：42069607 ｜ PMCID：PMC13285307
• 数据来源：中国健康与养老追踪调查（CHARLS）

这是一篇典型的**流行病学队列研究 + 生存分析（Cox 比例风险模型）**论文。它没有训练任何机器学习模型，但处处是"特征工程"（如何把 TG、HDL-C 组合成 AIP）、“目标函数设计”（Cox 损失）、“交互项与可加性检验”（类似模型里的特征交叉与归因）以及"增量预测价值评估"（类似 AUC 提升、NRI/IDI 这类 ranking + calibration 指标）。我会用你熟悉的 ML 语言把它翻译过来。

---

一、30 秒速览

• 研究问题：在已经处于"心血管-肾脏-代谢综合征（CKM）"早期（0–3 期）的成年人里，单独看血脂异常指标 AIP、或单独看胰岛素抵抗指标 eGDR，都不够；把两者联合分层，能不能比单一指标更好地识别出将来会得心梗/脑卒中（CVD）的高危人群？
• 数据：CHARLS 全国队列，基线 2011 年，剔除已有 CVD 后剩5925 人（≥45 岁，平均 57.9 岁，54.65% 女性），随访到 2020 年（约 9 年）。
• 核心结论：高 AIP且低 eGDR 的人，新发 CVD 风险最高（HR=1.35，即比"低 AIP+高 eGDR"参照组高 35%）；对脑卒中的风险更高（HR=1.59）。但两者没有显著的相乘/相加交互作用，说明它们更像"两条重叠但独立的预警轴"，联合使用主要是在 CKM 分期内部做更细的风险梯度划分，增量预测价值"温和但显著"。
• 一些启发：把两个常规化验派生出的"复合指数"做联合分层，本质是一次廉价的、可解释的特征交叉，在保留可解释性的前提下小幅提升风险分层能力——这和你在模型里加一个交叉特征、看它是否带来 AUC 提升是同一类思路。

---

二、论文动机

2.1 先补一点医学背景（用 ML 类比）

心血管-肾脏-代谢综合征（CKM syndrome）是美国心脏协会（AHA）2023 年提出的一个整合框架：它认为**肥胖、糖尿病（代谢）、慢性肾病（肾脏）、心血管疾病（心血管）**并不是四个独立科室的病，而是一条连续恶化的"共同通路"。打个比方，这就像一条数据流水线：

肥胖/不良生活方式 → 代谢异常(高血糖高血脂) → 肾损伤 → 心梗/脑卒中(CVD) (Stage 1) (Stage 2) (Stage 3) (Stage 4)

论文研究的就是Stage 0–3（还没发展到确诊 CVD 的 Stage 4），也就是"上游人群"——这个阶段干预成本最低、收益最大，所以早期识别高危个体价值极高。

两个"复合指数"是什么？

• AIP（atherogenic index of plasma，血浆动脉粥样硬化指数）：用血脂里的TG（甘油三酯）/ HDL-C（高密度脂蛋白胆固醇）取对数得到。TG 高、HDL-C 低都指向"致动脉粥样硬化"的血脂画像，AIP 把这两个信号压缩成一个连续分数。从 ML 视角看，它就是一个手工设计的、有生理学依据的特征组合（feature cross）。
• eGDR（estimated glucose disposal rate，估计葡萄糖处置率）：用腰围、是否高血压、HbA1c（糖化血红蛋白）三个常规指标估算"身体处理葡萄糖的能力"（胰岛素敏感性）。值越低 = 胰岛素抵抗越重。

2.2 研究空白

1. AIP 和 eGDR 各自都已被报道与心脑血管病相关，但在 CKM 0–3 期这个早期人群里，把两者联合起来看，是否比单看一个更好，此前不清楚。
2. CKM 分期本身已经编码了一部分代谢风险，那么 AIP/eGDR 提供的信号，到底是"新增信息"还是"和分期重复"？需要验证。
3. 既往研究多关注"有没有关联"，少有关注增量预测价值（即加进现有模型后，判别力到底提升多少）——而这恰恰是临床落地最关心的。

一句话动机：在 CKM 早期人群里，验证"AIP × eGDR 联合分层"能否以极低成本的常规化验，细化心血管风险梯度并带来可量化的预测增益。

---

三、创新点

维度	具体贡献
人群聚焦	首次在CKM 0–3 期这一"未确诊 CVD 的早期人群"中系统评估 AIP 与 eGDR 的联合作用，而非泛泛地看全人群。
联合分层而非单指标	同时用 AIP 和 eGDR 的中位数切点把人群切成 4 组，直接给出"高 AIP + 低 eGDR"这一最高危组合的风险量化。
交互作用双检验	同时做了相乘交互（multiplicative，似然比检验）和相加交互（additive，RERI/AP/SI）。这一点很关键：流行病学里"有没有协同超额风险"要看相加尺度，单纯看相乘交互会漏判——这是方法学上的严谨之处。
增量预测价值	用时间依赖性 Harrell’s C-index、IDI、连续 NRI量化"加进 CKM 分期模型后到底多准了多少"，并且做了 6 类敏感性分析（用药、删缺失、删治疗者、删 Stage 0、删 <2 年随访、竞争风险 Fine-Gray）。
可解释、低门槛	全部基于常规体检指标，不依赖影像或基因，便于在基层/体检场景复用。

---

四、数据与方法：一次"临床特征工程 + 生存分析"全流程

4.1 队列与人群（数据集构建）

• 数据来源：CHARLS（China Health and Retirement Longitudinal Study），中国全国性、有代表性的中老年队列。基线波次2011 年，随访波次 2013 / 2015 / 2018 / 2020。
• 纳入：基线 ≥45 岁、无 CVD、处于 CKM 0–3 期者。
• 最终样本：N = 5925（初始 17708 人，按排除标准层层剔除：已患 CVD、CKM Stage 4、缺失关键变量等）。
• 随访结局：中位随访约 9 年，期间1467 人（24.76%）新发 CVD，其中心脏病 1106 人（18.67%）、脑卒中 525 人（8.86%）。

类比 ML：这是一次严格的数据清洗 + 正负样本定义。结局是"首次发生 CVD/心脏病/脑卒中"，属于右删失生存数据（right-censored）——不是每个人都在观察期内发病，没发病的人只贡献"活到某时刻还没事"的信息。这类数据不能用普通逻辑回归，要用Cox 比例风险模型。

4.2 两个核心"特征"的定义与公式

AIP——把 TG 和 HDL-C 压成一个指数：

AIP=log⁡10 ⁣(TGHDL ⁣− ⁣C),单位均为 mg/dL(1) \mathrm{AIP}=\log_{10}\!\left(\frac{\mathrm{TG}}{\mathrm{HDL\!-\!C}}\right),\qquad \text{单位均为 mg/dL} \tag{1}AIP=log10​(HDL−CTG​),单位均为mg/dL(1)

• 因为 TG/HDL-C 是高度右偏的分布，取 log10 使其近似正态、便于建模。AIP 越大 → 致粥样硬化血脂画像越重。

eGDR——用三个常规指标估算胰岛素敏感性：

eGDR=21.158−0.09×WC(cm)−3.407×HTN(0/1)−0.551×HbA1c(%)(2) \mathrm{eGDR}=21.158-0.09\times \mathrm{WC}(\mathrm{cm})-3.407\times \mathrm{HTN}(0/1)-0.551\times \mathrm{HbA1c}(\%) \tag{2}eGDR=21.158−0.09×WC(cm)−3.407×HTN(0/1)−0.551×HbA1c(%)(2)

• 其中 WC = 腰围（cm），HTN = 是否患高血压（是=1/否=0），HbA1c = 糖化血红蛋白（%）。系数来自既往验证方程（Park 等）。eGDR 越低 → 胰岛素抵抗越重。

4.3 人群"联合分层"（特征交叉）

用队列内的AIP 中位数 −0.05与eGDR 中位数 10.15作为切点，把人群切成 4 组：

组别	含义	人数
Low AIP & High eGDR	血脂好 + 胰岛素敏感（参照组）	1815
High AIP & High eGDR	血脂差 + 胰岛素敏感	1148
Low AIP & Low eGDR	血脂好 + 胰岛素抵抗	1815
High AIP & Low eGDR	血脂差 + 胰岛素抵抗（最高危）	1147

这正是 ML 里的"两个二值特征做笛卡尔积得到 4 个组合特征"。注意切点用的是本队列中位数（数据驱动），不是临床金标准切点——这是后文局限性的来源之一。

4.4 统计模型（目标函数与假设检验）

论文用Cox 比例风险回归建模，分多个递进模型逐步加入协变量（类似逐步加特征的消融）：

• Model 0：粗模型（只放暴露）
• Model 1：+ 社会人口学（年龄、性别、教育、婚姻、城乡等）
• Model 2：+ 临床化验指标
• Model 3：+ 高血压/血脂异常/糖尿病等共病（主模型）
• 另加CKM 分期调整模型（看加进分期后信号是否还在）

Cox 模型的核心方程（风险函数）：

h(t∣x)=h0(t) exp⁡ ⁣(β⊤x)(3) h(t\mid \mathbf{x})=h_0(t)\,\exp\!\big(\boldsymbol{\beta}^{\top}\mathbf{x}\big) \tag{3}h(t∣x)=h0​(t)exp(β⊤x)(3)

• h0(t)h_0(t)h0​(t)是基线风险（不假设形状），xxx是协变量向量，β\betaβ是待估系数。报告的是HR = exp(β)及其 95% 置信区间。

剂量-反应关系：用**限制立方样条（RCS, restricted cubic spline）**在 Model 3 下看 AIP、eGDR 与结局的连续非线性关系（以中位数为参考）。

交互作用检验（这是论文方法学亮点）：

• 相乘交互：在 Cox 模型里加AIP × eGDR乘积项，用似然比检验看是否显著。

• 相加交互：用RERI、AP、SI三个指标判断"两暴露同时存在时，风险是否超过各自风险的简单相加"：
  RERI=HR11−HR10−HR01+1,AP=RERIHR11,SI=HR11−1(HR10−1)+(HR01−1)(4) \mathrm{RERI}=\mathrm{HR}_{11}-\mathrm{HR}_{10}-\mathrm{HR}_{01}+1,\quad \mathrm{AP}=\frac{\mathrm{RERI}}{\mathrm{HR}_{11}},\quad \mathrm{SI}=\frac{\mathrm{HR}_{11}-1}{(\mathrm{HR}_{10}-1)+(\mathrm{HR}_{01}-1)} \tag{4}RERI=HR11​−HR10​−HR01​+1,AP=HR11​RERI​,SI=(HR10​−1)+(HR01​−1)HR11​−1​(4)

  • 若 RERI 的 95%CI 不包含 0、AP 不包含 0、SI 不包含 1，则存在显著相加交互（协同超额风险）。

预测价值评估：

• 时间依赖性 Harrell’s C-index：生存版的 AUC，看排名能力。
• IDI（综合判别改善）与连续 NRI（净重分类改善）：看加进 AIP/eGDR 后，模型对个体风险重分类是否更准（比单纯 C-index 更敏感）。

---

五、关键结果与图表解读

5.1 基线特征（Table 1）与最高危组的"画像"

Table 1 按 AIP/eGDR 联合分组列出基线。最直观的发现是：高 AIP & 低 eGDR 组发病率最高（CVD 31.85%、心脏病 23.09%、脑卒中 13.11%），而低 AIP & 高 eGDR 组最低（CVD 17.69%、心脏病 13.33%、脑卒中 5.51%）。四组在多数变量上差异显著（仅 hs-CRP 不显著，p=0.21）。CKM 分期分布也印证直觉：低 eGDR 组更多落在 Stage 2–3，高 eGDR 组更多在 Stage 0–1。

图 1（研究人群流程图 Fig. 1）展示了从 17708 人到最终 5925 人的筛选漏斗：依次排除无知情同意、<45 岁、已有 CVD、CKM Stage 4、关键变量缺失者。这张图是队列研究"透明化纳入排除"的标准动作，读者一眼就能判断样本代表性的潜在偏倚来源。

5.2 生存曲线：联合分层把人群"拉开"了

图 2（Kaplan–Meier 曲线 Fig. 2）按 4 个 AIP-eGDR 组分别画出 CVD、心脏病、脑卒中的累积发病率曲线。可以清晰看到：高 AIP & 低 eGDR 组的曲线始终在最下方（即累积发病最快、最高），而参照组（低 AIP & 高 eGDR）曲线最平缓。三组之间的分离在随访中后期尤其明显，直观支持了"联合分层能区分风险梯度"的论点。

KM 曲线就是"按特征组合分桶后的生存函数估计"，相当于把模型预测分数离散成 4 档后画累积事件率——分离度越大，说明这个特征组合的分层能力越强。

5.3 风险量化（Table 2）：HR 全景

Table 2 给出 Model 0→3 逐级调整的 HR。以主模型Model 3为准（参照组 = 低 AIP & 高 eGDR）：

单指标效应：

• 高 AIP vs 低 AIP：CVD HR1.13(1.02–1.26, p=0.03)；心脏病 1.09(1.02–1.24, p=0.03)；脑卒中 1.24(1.03–1.49, p=0.02)。
• 低 eGDR vs 高 eGDR：CVD HR1.22(1.06–1.41, p=0.01)；心脏病 1.18(1.00–1.38, p=0.05)；脑卒中 1.39(1.09–1.77, p=0.01)。

联合分层（重点看这一行）：

组别	CVD HR (95%CI)	心脏病 HR	脑卒中 HR
High AIP & High eGDR	1.18 (1.11–1.40)	1.25 (1.03–1.52)	1.10 (1.01–1.50)
Low AIP & Low eGDR	1.26 (1.06–1.51)	1.28 (1.05–1.55)	1.25 (1.12–1.71)
High AIP & Low eGDR	1.35 (1.14–1.59), p<0.001	1.32 (1.08–1.62), p=0.01	1.59 (1.19–2.12), p=0.002

• 趋势检验 p 值：CVD <0.001、心脏病 0.02、脑卒中 <0.001，说明风险随"不利指标数量"单调上升。
• 最高危组合（高 AIP + 低 eGDR）对脑卒中的 HR 高达 1.59——比单一指标单独作用都强，且脑卒中方向尤其突出。
• 即便再加 CKM 分期调整，高 AIP&低 eGDR 组仍显著：CVD 1.27(1.05–1.53)、心脏病 1.25(1.00–1.55)、脑卒中 1.46(1.06–2.00)。说明这部分信号没有被 CKM 分期完全"吸收"，确有增量信息。

5.4 剂量-反应：连续指标的非线性

图 3（限制立方样条 Fig. 3）展示 AIP（A–C 面板）和 eGDR（D–F 面板）与 CVD/心脏病/脑卒中的连续关系：

• AIP与三种结局风险呈单调非线性上升（整体 p<0.0001）：AIP 越高，风险爬升越快，符合"血脂恶化加速动脉粥样硬化"的病理直觉。
• eGDR与 CVD、心脏病风险呈"先快速下降、后趋于平缓"的曲线；与脑卒中近似线性下降。即 eGDR 在中高区间再升高，边际收益变小——提示 eGDR 低到一定程度才是主要危险区。

这相当于做了一次"单特征 vs 结局"的非线性 shapley/偏依赖图（PDP），比只看分组 HR 信息更丰富：它告诉医生"在哪个区间干预性价比最高"。

5.5 交互作用：两条轴"重叠但不协同"

Table 3 报告交互检验结果，结论很干净：

• 相乘交互：CVD 0.91(0.69–1.19)、心脏病 0.82(0.59–1.16)、脑卒中 1.16(0.77–1.74)，全部不显著（CI 含 1）。
• 相加交互：RERI/AP/SI 的 95%CI 均跨越无效值（例如 CVD RERI −0.09[−0.44~0.25]、AP −0.07[−0.36~0.17]、SI 0.80[0.29~2.06]）。

这意味着：AIP 和 eGDR不存在统计学显著的相乘或相加交互。换句话说，两者"同时存在"时的风险，大致等于各自风险的叠加，并没有"1+1>2"的协同超额。论文据此判断二者是 CKM 框架下两条重叠但相对独立的预警轴，联合分层的主要价值在于细化分期内部的风险梯度，而非发现一种新的"交互亚型"。

这就像你加了一个交叉特征AIP×eGDR，但交叉项的系数不显著——说明线性主效应已经足够，交叉项没带来额外信号。论文用更严格的"相加尺度"做了确认，比只看相乘交互更稳妥。

5.6 增量预测价值

图 4（判别性能 Fig. 4）与图 5（C-index、ΔC-index、IDI、连续 NRI Fig. 5）量化"加进 AIP/eGDR 后模型变好多少"：

• Harrell’s C-index（Model 3）：CVD 由 AIP 0.643 / eGDR 0.642 提升到联合 0.657；心脏病 0.628/0.629→0.642；脑卒中 0.674/0.675→0.688。
• ΔC-index：CVD +0.036、心脏病 +0.028、脑卒中 +0.037，均 p≤0.008——提升虽小但统计显著。
• IDI 与连续 NRI：联合应用显示"统计显著但数值温和"的改善（正文描述"类似模式"，未逐个数给出精确 IDI/NRI 值）。

解读：C-index 提升 0.03 左右在流行病学里算"温和但有意义"——毕竟常规化验本就只能解释有限方差。更关键的是它在所有三个结局（CVD/心脏病/脑卒中）方向一致，且加 CKM 分期后依然成立，说明增量信号稳健。

---

六、评判性分析（优点 / 局限 / 可改进方向）

6.1 优点

1. 问题定义精准：聚焦 CKM 0–3 期这一"干预窗口期"，临床意义明确。
2. 方法学严谨：Cox 多模型递进 + RCS 非线性 +相乘与相加交互双检验+ 时间依赖性 C-index/IDI/NRI + 6 类敏感性分析（含竞争风险 Fine-Gray），几乎把观察性研究的"可信度检查清单"做全了。
3. 可解释、低成本：全部基于常规体检指标，不依赖高成本检测，落地门槛低。
4. 结论克制：明确承认"无显著交互"“增量价值温和”，没有夸大。

6.2 局限（论文自己承认 + 我的补充）

1. 暴露由 CKM 定义成分派生：AIP（血脂）、eGDR（腰围/高血压/HbA1c）本身就是 CKM 分期里用的变量，因此"联合分层"在相当程度上是对 CKM 分期信息的重新表达，而非独立的新亚型。加 CKM 分期后 HR 衰减（1.35→1.27）正是这一点的证据。
2. 残留混杂：观察性设计，饮食、运动、社会经济地位等未测因素仍可能混淆。
3. 仅基线单次测量：没有 AIP/eGDR 的纵向轨迹，无法捕捉"变化率"这一可能更强的预测信号。
4. 结局靠自我报告 + 医师诊断问卷：没有亚型 adjudication（如区分缺血/出血性卒中），可能引入错分。
5. 切点为本队列中位数：非临床验证切点，外推到其他人群需重新标定。
6. 外推性受限：仅中国 ≥45 岁人群，年轻人与其他种族需另行验证。

6.3 可改进方向（给想做后续研究的你）

• 把 AIP/eGDR 当作"已有特征"，用 ML（如梯度提升、Cox 神经网络）去学它们之间的非线性交叉与高阶交互，看是否真有被传统 Cox 漏掉的信号（论文已用相加交互否定线性协同，但非线性协同未被充分探索）。
• 引入纵向重复测量（重复走访的 AIP/eGDR），用联合模型（joint model）建模轨迹。
• 外部验证 + 切点迁移学习：在其它队列/种族上重新标定中位数或寻找通用临床切点。
• 竞争风险更前置：死亡作为竞争事件，Fine-Gray 已用，但可进一步做多状态模型（多结局并发）。

一句话带走：这篇论文本质上是一次"用领域知识做特征工程（AIP、eGDR）→ 联合交叉 → 用 Cox + 严格交互/增量检验验证"的规范范式。它证明：在 CKM 早期人群里，把血脂和胰岛素敏感度的两个复合分联合起来，能以一种便宜、可解释的方式，温和但显著地细化心血管风险分层——尤其对脑卒中预警价值最高。

术语速查表

缩写	全称	含义
AIP	Atherogenic Index of Plasma	血浆动脉粥样硬化指数 = log10(TG/HDL-C)
eGDR	estimated Glucose Disposal Rate	估计葡萄糖处置率（胰岛素敏感性代理）
CKM	Cardiovascular-Kidney-Metabolic	心血管-肾脏-代谢综合征（AHA 框架）
CVD	Cardiovascular Disease	心血管疾病（本文=心脏病或脑卒中）
CHARLS	China Health and Retirement Longitudinal Study	中国健康与养老追踪调查
HR	Hazard Ratio	风险比（Cox 模型输出）
RCS	Restricted Cubic Spline	限制立方样条（非线性剂量-反应）
RERI/AP/SI	相加交互指标	相对超额风险指数 / 归因比例 / 协同指数
IDI / NRI	增量判别 / 净重分类改善	预测模型增益指标
Fine-Gray	竞争风险模型	处理"死亡"等竞争事件的方法