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 DiabetologyBMC开放获取2026, 25(1): 184DOI10.1186/s12933-026-03200-5 PMID42069607 PMCIDPMC13285307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HR1.35即比低 AIP高 eGDR参照组高 35%对脑卒中的风险更高HR1.59。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AHA2023 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AIPatherogenic 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。eGDRestimated 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。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。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additiveRERI/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CHARLSChina 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AIPlog10 (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}AIPlog10(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eGDR21.158−0.09×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}eGDR21.158−0.09×WC(cm)−3.407×HTN(0/1)−0.551×HbA1c(%)(2)其中 WC 腰围cmHTN 是否患高血压是1/否0HbA1c 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1815High AIP High eGDR血脂差 胰岛素敏感1148Low AIP Low eGDR血脂好 胰岛素抵抗1815High 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RERIHR11−HR10−HR011,APRERIHR11,SIHR11−1(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}RERIHR11−HR10−HR011,APHR11RERI,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p0.21。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 2Kaplan–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 2HR 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 AIPCVD HR1.13(1.02–1.26, p0.03)心脏病 1.09(1.02–1.24, p0.03)脑卒中 1.24(1.03–1.49, p0.02)。低 eGDR vs 高 eGDRCVD HR1.22(1.06–1.41, p0.01)心脏病 1.18(1.00–1.38, p0.05)脑卒中 1.39(1.09–1.77, p0.01)。联合分层重点看这一行组别CVD HR (95%CI)心脏病 HR脑卒中 HRHigh AIP High eGDR1.18 (1.11–1.40)1.25 (1.03–1.52)1.10 (1.01–1.50)Low AIP Low eGDR1.26 (1.06–1.51)1.28 (1.05–1.55)1.25 (1.12–1.71)High AIP Low eGDR1.35 (1.14–1.59), p0.0011.32 (1.08–1.62), p0.011.59 (1.19–2.12), p0.002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 AIPA–C 面板和 eGDRD–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 p0.0001AIP 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112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 5C-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-indexModel 3CVD 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-indexCVD 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。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。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。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。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。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。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。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。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AIPAtherogenic Index of Plasma血浆动脉粥样硬化指数 log10(TG/HDL-C)eGDRestimated Glucose Disposal Rate估计葡萄糖处置率胰岛素敏感性代理CKMCardiovascular-Kidney-Metabolic心血管-肾脏-代谢综合征AHA 框架CVDCardiovascular Disease心血管疾病本文心脏病或脑卒中CHARLSChina Health and Retirement Longitudinal Study中国健康与养老追踪调查HRHazard Ratio风险比Cox 模型输出RCSRestricted 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 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 DiabetologyBMC开放获取2026, 25(1): 184DOI10.1186/s12933-026-03200-5 PMID42069607 PMCIDPMC13285307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HR1.35即比低 AIP高 eGDR参照组高 35%对脑卒中的风险更高HR1.59。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AHA2023 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AIPatherogenic 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。eGDRestimated 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。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。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additiveRERI/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CHARLSChina 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AIPlog10 (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}AIPlog10(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eGDR21.158−0.09×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}eGDR21.158−0.09×WC(cm)−3.407×HTN(0/1)−0.551×HbA1c(%)(2)其中 WC 腰围cmHTN 是否患高血压是1/否0HbA1c 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1815High AIP High eGDR血脂差 胰岛素敏感1148Low AIP Low eGDR血脂好 胰岛素抵抗1815High 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RERIHR11−HR10−HR011,APRERIHR11,SIHR11−1(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}RERIHR11−HR10−HR011,APHR11RERI,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p0.21。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 2Kaplan–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 2HR 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 AIPCVD HR1.13(1.02–1.26, p0.03)心脏病 1.09(1.02–1.24, p0.03)脑卒中 1.24(1.03–1.49, p0.02)。低 eGDR vs 高 eGDRCVD HR1.22(1.06–1.41, p0.01)心脏病 1.18(1.00–1.38, p0.05)脑卒中 1.39(1.09–1.77, p0.01)。联合分层重点看这一行组别CVD HR (95%CI)心脏病 HR脑卒中 HRHigh AIP High eGDR1.18 (1.11–1.40)1.25 (1.03–1.52)1.10 (1.01–1.50)Low AIP Low eGDR1.26 (1.06–1.51)1.28 (1.05–1.55)1.25 (1.12–1.71)High AIP Low eGDR1.35 (1.14–1.59), p0.0011.32 (1.08–1.62), p0.011.59 (1.19–2.12), p0.002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 AIPA–C 面板和 eGDRD–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 p0.0001AIP 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112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 5C-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-indexModel 3CVD 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-indexCVD 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。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。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。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。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。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。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。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。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AIPAtherogenic Index of Plasma血浆动脉粥样硬化指数 log10(TG/HDL-C)eGDRestimated Glucose Disposal Rate估计葡萄糖处置率胰岛素敏感性代理CKMCardiovascular-Kidney-Metabolic心血管-肾脏-代谢综合征AHA 框架CVDCardiovascular Disease心血管疾病本文心脏病或脑卒中CHARLSChina Health and Retirement Longitudinal Study中国健康与养老追踪调查HRHazard Ratio风险比Cox 模型输出RCSRestricted 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