原文信息標題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開放獲取2026, 25(1): 184DOI10.1186/s12933-026-03200-5 PMID42069607 PMCIDPMC13285307數據來源中國健康與養老追蹤調查CHARLS這是一篇典型的**流行病學隊列研究 生存分析Cox 比例風險模型**論文。它沒有訓練任何機器學習模型但處處是特征工程如何把 TG、HDL-C 組合成 AIP、“目標函數設計”Cox 損失、“交互項與可加性檢驗”類似模型里的特征交叉與歸因以及增量預測價值評估類似 AUC 提升、NRI/IDI 這類 ranking calibration 指標。我會用你熟悉的 ML 語言把它翻譯過來。一、30 秒速覽研究問題在已經處于心血管-腎臟-代謝綜合征CKM早期0–3 期的成年人里單獨看血脂異常指標 AIP、或單獨看胰島素抵抗指標 eGDR都不夠把兩者聯合分層能不能比單一指標更好地識別出將來會得心梗/腦卒中CVD的高危人群數據CHARLS 全國隊列基線 2011 年剔除已有 CVD 后剩5925 人≥45 歲平均 57.9 歲54.65% 女性隨訪到 2020 年約 9 年。核心結論高 AIP且低 eGDR 的人新發 CVD 風險最高HR1.35即比低 AIP高 eGDR參照組高 35%對腦卒中的風險更高HR1.59。但兩者沒有顯著的相乘/相加交互作用說明它們更像兩條重疊但獨立的預警軸聯合使用主要是在 CKM 分期內部做更細的風險梯度劃分增量預測價值溫和但顯著。一些啟發把兩個常規化驗派生出的復合指數做聯合分層本質是一次廉價的、可解釋的特征交叉在保留可解釋性的前提下小幅提升風險分層能力——這和你在模型里加一個交叉特征、看它是否帶來 AUC 提升是同一類思路。二、論文動機2.1 先補一點醫學背景用 ML 類比心血管-腎臟-代謝綜合征CKM syndrome是美國心臟協會AHA2023 年提出的一個整合框架它認為**肥胖、糖尿病代謝、慢性腎病腎臟、心血管疾病心血管**并不是四個獨立科室的病而是一條連續惡化的共同通路。打個比方這就像一條數據流水線肥胖/不良生活方式 → 代謝異常(高血糖高血脂) → 腎損傷 → 心梗/腦卒中(CVD) (Stage 1) (Stage 2) (Stage 3) (Stage 4)論文研究的就是Stage 0–3還沒發展到確診 CVD 的 Stage 4也就是上游人群——這個階段干預成本最低、收益最大所以早期識別高危個體價值極高。兩個復合指數是什么AIPatherogenic index of plasma血漿動脈粥樣硬化指數用血脂里的TG甘油三酯/ HDL-C高密度脂蛋白膽固醇取對數得到。TG 高、HDL-C 低都指向致動脈粥樣硬化的血脂畫像AIP 把這兩個信號壓縮成一個連續分數。從 ML 視角看它就是一個手工設計的、有生理學依據的特征組合feature cross。eGDRestimated glucose disposal rate估計葡萄糖處置率用腰圍、是否高血壓、HbA1c糖化血紅蛋白三個常規指標估算身體處理葡萄糖的能力胰島素敏感性。值越低 胰島素抵抗越重。2.2 研究空白AIP 和 eGDR 各自都已被報道與心腦血管病相關但在 CKM 0–3 期這個早期人群里把兩者聯合起來看是否比單看一個更好此前不清楚。CKM 分期本身已經編碼了一部分代謝風險那么 AIP/eGDR 提供的信號到底是新增信息還是和分期重復需要驗證。既往研究多關注有沒有關聯少有關注增量預測價值即加進現有模型后判別力到底提升多少——而這恰恰是臨床落地最關心的。一句話動機在 CKM 早期人群里驗證AIP × eGDR 聯合分層能否以極低成本的常規化驗細化心血管風險梯度并帶來可量化的預測增益。三、創新點維度具體貢獻人群聚焦首次在CKM 0–3 期這一未確診 CVD 的早期人群中系統評估 AIP 與 eGDR 的聯合作用而非泛泛地看全人群。聯合分層而非單指標同時用 AIP 和 eGDR 的中位數切點把人群切成 4 組直接給出高 AIP 低 eGDR這一最高危組合的風險量化。交互作用雙檢驗同時做了相乘交互multiplicative似然比檢驗和相加交互additiveRERI/AP/SI。這一點很關鍵流行病學里有沒有協同超額風險要看相加尺度單純看相乘交互會漏判——這是方法學上的嚴謹之處。增量預測價值用時間依賴性 Harrell’s C-index、IDI、連續 NRI量化加進 CKM 分期模型后到底多準了多少并且做了 6 類敏感性分析用藥、刪缺失、刪治療者、刪 Stage 0、刪 2 年隨訪、競爭風險 Fine-Gray。可解釋、低門檻全部基于常規體檢指標不依賴影像或基因便于在基層/體檢場景復用。四、數據與方法一次臨床特征工程 生存分析全流程4.1 隊列與人群數據集構建數據來源CHARLSChina Health and Retirement Longitudinal Study中國全國性、有代表性的中老年隊列。基線波次2011 年隨訪波次 2013 / 2015 / 2018 / 2020。納入基線 ≥45 歲、無 CVD、處于 CKM 0–3 期者。最終樣本N 5925初始 17708 人按排除標準層層剔除已患 CVD、CKM Stage 4、缺失關鍵變量等。隨訪結局中位隨訪約 9 年期間1467 人24.76%新發 CVD其中心臟病 1106 人18.67%、腦卒中 525 人8.86%。類比 ML這是一次嚴格的數據清洗 正負樣本定義。結局是首次發生 CVD/心臟病/腦卒中屬于右刪失生存數據right-censored——不是每個人都在觀察期內發病沒發病的人只貢獻活到某時刻還沒事的信息。這類數據不能用普通邏輯回歸要用Cox 比例風險模型。4.2 兩個核心特征的定義與公式AIP——把 TG 和 HDL-C 壓成一個指數AIPlog?10 ?(TGHDL ?? ?C),單位均為 mg/dL(1) \mathrm{AIP}\log_{10}\!\left(\frac{\mathrm{TG}}{\mathrm{HDL\!-\!C}}\right),\qquad \text{單位均為 mg/dL} \tag{1}AIPlog10?(HDL?CTG?),單位均為mg/dL(1)因為 TG/HDL-C 是高度右偏的分布取 log10 使其近似正態、便于建模。AIP 越大 → 致粥樣硬化血脂畫像越重。eGDR——用三個常規指標估算胰島素敏感性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 腰圍cmHTN 是否患高血壓是1/否0HbA1c 糖化血紅蛋白%。系數來自既往驗證方程Park 等。eGDR 越低 → 胰島素抵抗越重。4.3 人群聯合分層特征交叉用隊列內的AIP 中位數 ?0.05與eGDR 中位數 10.15作為切點把人群切成 4 組組別含義人數Low AIP High eGDR血脂好 胰島素敏感參照組1815High AIP High eGDR血脂差 胰島素敏感1148Low AIP Low eGDR血脂好 胰島素抵抗1815High AIP Low eGDR血脂差 胰島素抵抗最高危1147這正是 ML 里的兩個二值特征做笛卡爾積得到 4 個組合特征。注意切點用的是本隊列中位數數據驅動不是臨床金標準切點——這是后文局限性的來源之一。4.4 統計模型目標函數與假設檢驗論文用Cox 比例風險回歸建模分多個遞進模型逐步加入協變量類似逐步加特征的消融Model 0粗模型只放暴露Model 1 社會人口學年齡、性別、教育、婚姻、城鄉等Model 2 臨床化驗指標Model 3 高血壓/血脂異常/糖尿病等共病主模型另加CKM 分期調整模型看加進分期后信號是否還在Cox 模型的核心方程風險函數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)是基線風險不假設形狀xxx是協變量向量β\betaβ是待估系數。報告的是HR exp(β)及其 95% 置信區間。劑量-反應關系用**限制立方樣條RCS, restricted cubic spline**在 Model 3 下看 AIP、eGDR 與結局的連續非線性關系以中位數為參考。交互作用檢驗這是論文方法學亮點相乘交互在 Cox 模型里加AIP × eGDR乘積項用似然比檢驗看是否顯著。相加交互用RERI、AP、SI三個指標判斷兩暴露同時存在時風險是否超過各自風險的簡單相加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??HR01?1,APHR11?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則存在顯著相加交互協同超額風險。預測價值評估時間依賴性 Harrell’s C-index生存版的 AUC看排名能力。IDI綜合判別改善與連續 NRI凈重分類改善看加進 AIP/eGDR 后模型對個體風險重分類是否更準比單純 C-index 更敏感。五、關鍵結果與圖表解讀5.1 基線特征Table 1與最高危組的畫像Table 1 按 AIP/eGDR 聯合分組列出基線。最直觀的發現是高 AIP 低 eGDR 組發病率最高CVD 31.85%、心臟病 23.09%、腦卒中 13.11%而低 AIP 高 eGDR 組最低CVD 17.69%、心臟病 13.33%、腦卒中 5.51%。四組在多數變量上差異顯著僅 hs-CRP 不顯著p0.21。CKM 分期分布也印證直覺低 eGDR 組更多落在 Stage 2–3高 eGDR 組更多在 Stage 0–1。圖 1研究人群流程圖 Fig. 1展示了從 17708 人到最終 5925 人的篩選漏斗依次排除無知情同意、45 歲、已有 CVD、CKM Stage 4、關鍵變量缺失者。這張圖是隊列研究透明化納入排除的標準動作讀者一眼就能判斷樣本代表性的潛在偏倚來源。5.2 生存曲線聯合分層把人群拉開了圖 2Kaplan–Meier 曲線 Fig. 2按 4 個 AIP-eGDR 組分別畫出 CVD、心臟病、腦卒中的累積發病率曲線。可以清晰看到高 AIP 低 eGDR 組的曲線始終在最下方即累積發病最快、最高而參照組低 AIP 高 eGDR曲線最平緩。三組之間的分離在隨訪中后期尤其明顯直觀支持了聯合分層能區分風險梯度的論點。KM 曲線就是按特征組合分桶后的生存函數估計相當于把模型預測分數離散成 4 檔后畫累積事件率——分離度越大說明這個特征組合的分層能力越強。5.3 風險量化Table 2HR 全景Table 2 給出 Model 0→3 逐級調整的 HR。以主模型Model 3為準參照組 低 AIP 高 eGDR單指標效應高 AIP vs 低 AIPCVD HR1.13(1.02–1.26, p0.03)心臟病 1.09(1.02–1.24, p0.03)腦卒中 1.24(1.03–1.49, p0.02)。低 eGDR vs 高 eGDRCVD HR1.22(1.06–1.41, p0.01)心臟病 1.18(1.00–1.38, p0.05)腦卒中 1.39(1.09–1.77, p0.01)。聯合分層重點看這一行組別CVD HR (95%CI)心臟病 HR腦卒中 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趨勢檢驗 p 值CVD 0.001、心臟病 0.02、腦卒中 0.001說明風險隨不利指標數量單調上升。最高危組合高 AIP 低 eGDR對腦卒中的 HR 高達 1.59——比單一指標單獨作用都強且腦卒中方向尤其突出。即便再加 CKM 分期調整高 AIP低 eGDR 組仍顯著CVD 1.27(1.05–1.53)、心臟病 1.25(1.00–1.55)、腦卒中 1.46(1.06–2.00)。說明這部分信號沒有被 CKM 分期完全吸收確有增量信息。5.4 劑量-反應連續指標的非線性圖 3限制立方樣條 Fig. 3展示 AIPA–C 面板和 eGDRD–F 面板與 CVD/心臟病/腦卒中的連續關系AIP與三種結局風險呈單調非線性上升整體 p0.0001AIP 越高風險爬升越快符合血脂惡化加速動脈粥樣硬化的病理直覺。eGDR與 CVD、心臟病風險呈先快速下降、后趨于平緩的曲線與腦卒中近似線性下降。即 eGDR 在中高區間再升高邊際收益變小——提示 eGDR 低到一定程度才是主要危險區。這相當于做了一次單特征 vs 結局的非線性 shapley/偏依賴圖PDP比只看分組 HR 信息更豐富它告訴醫生在哪個區間干預性價比最高。5.5 交互作用兩條軸重疊但不協同Table 3 報告交互檢驗結果結論很干凈相乘交互CVD 0.91(0.69–1.19)、心臟病 0.82(0.59–1.16)、腦卒中 1.16(0.77–1.74)全部不顯著CI 含 1。相加交互RERI/AP/SI 的 95%CI 均跨越無效值例如 CVD RERI ?0.09[?0.44~0.25]、AP ?0.07[?0.36~0.17]、SI 0.80[0.29~2.06]。這意味著AIP 和 eGDR不存在統計學顯著的相乘或相加交互。換句話說兩者同時存在時的風險大致等于各自風險的疊加并沒有112的協同超額。論文據此判斷二者是 CKM 框架下兩條重疊但相對獨立的預警軸聯合分層的主要價值在于細化分期內部的風險梯度而非發現一種新的交互亞型。這就像你加了一個交叉特征AIP×eGDR但交叉項的系數不顯著——說明線性主效應已經足夠交叉項沒帶來額外信號。論文用更嚴格的相加尺度做了確認比只看相乘交互更穩妥。5.6 增量預測價值圖 4判別性能 Fig. 4與圖 5C-index、ΔC-index、IDI、連續 NRI Fig. 5量化加進 AIP/eGDR 后模型變好多少Harrell’s C-indexModel 3CVD 由 AIP 0.643 / eGDR 0.642 提升到聯合 0.657心臟病 0.628/0.629→0.642腦卒中 0.674/0.675→0.688。ΔC-indexCVD 0.036、心臟病 0.028、腦卒中 0.037均 p≤0.008——提升雖小但統計顯著。IDI 與連續 NRI聯合應用顯示統計顯著但數值溫和的改善正文描述類似模式未逐個數給出精確 IDI/NRI 值。解讀C-index 提升 0.03 左右在流行病學里算溫和但有意義——畢竟常規化驗本就只能解釋有限方差。更關鍵的是它在所有三個結局CVD/心臟病/腦卒中方向一致且加 CKM 分期后依然成立說明增量信號穩健。六、評判性分析優點 / 局限 / 可改進方向6.1 優點問題定義精準聚焦 CKM 0–3 期這一干預窗口期臨床意義明確。方法學嚴謹Cox 多模型遞進 RCS 非線性 相乘與相加交互雙檢驗 時間依賴性 C-index/IDI/NRI 6 類敏感性分析含競爭風險 Fine-Gray幾乎把觀察性研究的可信度檢查清單做全了。可解釋、低成本全部基于常規體檢指標不依賴高成本檢測落地門檻低。結論克制明確承認無顯著交互“增量價值溫和”沒有夸大。6.2 局限論文自己承認 我的補充暴露由 CKM 定義成分派生AIP血脂、eGDR腰圍/高血壓/HbA1c本身就是 CKM 分期里用的變量因此聯合分層在相當程度上是對 CKM 分期信息的重新表達而非獨立的新亞型。加 CKM 分期后 HR 衰減1.35→1.27正是這一點的證據。殘留混雜觀察性設計飲食、運動、社會經濟地位等未測因素仍可能混淆。僅基線單次測量沒有 AIP/eGDR 的縱向軌跡無法捕捉變化率這一可能更強的預測信號。結局靠自我報告 醫師診斷問卷沒有亞型 adjudication如區分缺血/出血性卒中可能引入錯分。切點為本隊列中位數非臨床驗證切點外推到其他人群需重新標定。外推性受限僅中國 ≥45 歲人群年輕人與其他種族需另行驗證。6.3 可改進方向給想做后續研究的你把 AIP/eGDR 當作已有特征用 ML如梯度提升、Cox 神經網絡去學它們之間的非線性交叉與高階交互看是否真有被傳統 Cox 漏掉的信號論文已用相加交互否定線性協同但非線性協同未被充分探索。引入縱向重復測量重復走訪的 AIP/eGDR用聯合模型joint model建模軌跡。外部驗證 切點遷移學習在其它隊列/種族上重新標定中位數或尋找通用臨床切點。競爭風險更前置死亡作為競爭事件Fine-Gray 已用但可進一步做多狀態模型多結局并發。一句話帶走這篇論文本質上是一次用領域知識做特征工程AIP、eGDR→ 聯合交叉 → 用 Cox 嚴格交互/增量檢驗驗證的規范范式。它證明在 CKM 早期人群里把血脂和胰島素敏感度的兩個復合分聯合起來能以一種便宜、可解釋的方式溫和但顯著地細化心血管風險分層——尤其對腦卒中預警價值最高。術語速查表縮寫全稱含義AIPAtherogenic Index of Plasma血漿動脈粥樣硬化指數 log10(TG/HDL-C)eGDRestimated Glucose Disposal Rate估計葡萄糖處置率胰島素敏感性代理CKMCardiovascular-Kidney-Metabolic心血管-腎臟-代謝綜合征AHA 框架CVDCardiovascular Disease心血管疾病本文心臟病或腦卒中CHARLSChina Health and Retirement Longitudinal Study中國健康與養老追蹤調查HRHazard Ratio風險比Cox 模型輸出RCSRestricted Cubic Spline限制立方樣條非線性劑量-反應RERI/AP/SI相加交互指標相對超額風險指數 / 歸因比例 / 協同指數IDI / NRI增量判別 / 凈重分類改善預測模型增益指標Fine-Gray競爭風險模型處理死亡等競爭事件的方法 血漿動脈粥樣硬化指數（AIP）與估計葡萄糖處置率（eGDR）聯合關聯心血管-腎臟-代謝綜合征 0–3 期人群新發心血管疾病風險：一項 9 年全國前瞻性隊列研究
原文信息標題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開放獲取2026, 25(1): 184DOI10.1186/s12933-026-03200-5 PMID42069607 PMCIDPMC13285307數據來源中國健康與養老追蹤調查CHARLS這是一篇典型的**流行病學隊列研究 生存分析Cox 比例風險模型**論文。它沒有訓練任何機器學習模型但處處是特征工程如何把 TG、HDL-C 組合成 AIP、“目標函數設計”Cox 損失、“交互項與可加性檢驗”類似模型里的特征交叉與歸因以及增量預測價值評估類似 AUC 提升、NRI/IDI 這類 ranking calibration 指標。我會用你熟悉的 ML 語言把它翻譯過來。一、30 秒速覽研究問題在已經處于心血管-腎臟-代謝綜合征CKM早期0–3 期的成年人里單獨看血脂異常指標 AIP、或單獨看胰島素抵抗指標 eGDR都不夠把兩者聯合分層能不能比單一指標更好地識別出將來會得心梗/腦卒中CVD的高危人群數據CHARLS 全國隊列基線 2011 年剔除已有 CVD 后剩5925 人≥45 歲平均 57.9 歲54.65% 女性隨訪到 2020 年約 9 年。核心結論高 AIP且低 eGDR 的人新發 CVD 風險最高HR1.35即比低 AIP高 eGDR參照組高 35%對腦卒中的風險更高HR1.59。但兩者沒有顯著的相乘/相加交互作用說明它們更像兩條重疊但獨立的預警軸聯合使用主要是在 CKM 分期內部做更細的風險梯度劃分增量預測價值溫和但顯著。一些啟發把兩個常規化驗派生出的復合指數做聯合分層本質是一次廉價的、可解釋的特征交叉在保留可解釋性的前提下小幅提升風險分層能力——這和你在模型里加一個交叉特征、看它是否帶來 AUC 提升是同一類思路。二、論文動機2.1 先補一點醫學背景用 ML 類比心血管-腎臟-代謝綜合征CKM syndrome是美國心臟協會AHA2023 年提出的一個整合框架它認為**肥胖、糖尿病代謝、慢性腎病腎臟、心血管疾病心血管**并不是四個獨立科室的病而是一條連續惡化的共同通路。打個比方這就像一條數據流水線肥胖/不良生活方式 → 代謝異常(高血糖高血脂) → 腎損傷 → 心梗/腦卒中(CVD) (Stage 1) (Stage 2) (Stage 3) (Stage 4)論文研究的就是Stage 0–3還沒發展到確診 CVD 的 Stage 4也就是上游人群——這個階段干預成本最低、收益最大所以早期識別高危個體價值極高。兩個復合指數是什么AIPatherogenic index of plasma血漿動脈粥樣硬化指數用血脂里的TG甘油三酯/ HDL-C高密度脂蛋白膽固醇取對數得到。TG 高、HDL-C 低都指向致動脈粥樣硬化的血脂畫像AIP 把這兩個信號壓縮成一個連續分數。從 ML 視角看它就是一個手工設計的、有生理學依據的特征組合feature cross。eGDRestimated glucose disposal rate估計葡萄糖處置率用腰圍、是否高血壓、HbA1c糖化血紅蛋白三個常規指標估算身體處理葡萄糖的能力胰島素敏感性。值越低 胰島素抵抗越重。2.2 研究空白AIP 和 eGDR 各自都已被報道與心腦血管病相關但在 CKM 0–3 期這個早期人群里把兩者聯合起來看是否比單看一個更好此前不清楚。CKM 分期本身已經編碼了一部分代謝風險那么 AIP/eGDR 提供的信號到底是新增信息還是和分期重復需要驗證。既往研究多關注有沒有關聯少有關注增量預測價值即加進現有模型后判別力到底提升多少——而這恰恰是臨床落地最關心的。一句話動機在 CKM 早期人群里驗證AIP × eGDR 聯合分層能否以極低成本的常規化驗細化心血管風險梯度并帶來可量化的預測增益。三、創新點維度具體貢獻人群聚焦首次在CKM 0–3 期這一未確診 CVD 的早期人群中系統評估 AIP 與 eGDR 的聯合作用而非泛泛地看全人群。聯合分層而非單指標同時用 AIP 和 eGDR 的中位數切點把人群切成 4 組直接給出高 AIP 低 eGDR這一最高危組合的風險量化。交互作用雙檢驗同時做了相乘交互multiplicative似然比檢驗和相加交互additiveRERI/AP/SI。這一點很關鍵流行病學里有沒有協同超額風險要看相加尺度單純看相乘交互會漏判——這是方法學上的嚴謹之處。增量預測價值用時間依賴性 Harrell’s C-index、IDI、連續 NRI量化加進 CKM 分期模型后到底多準了多少并且做了 6 類敏感性分析用藥、刪缺失、刪治療者、刪 Stage 0、刪 2 年隨訪、競爭風險 Fine-Gray。可解釋、低門檻全部基于常規體檢指標不依賴影像或基因便于在基層/體檢場景復用。四、數據與方法一次臨床特征工程 生存分析全流程4.1 隊列與人群數據集構建數據來源CHARLSChina Health and Retirement Longitudinal Study中國全國性、有代表性的中老年隊列。基線波次2011 年隨訪波次 2013 / 2015 / 2018 / 2020。納入基線 ≥45 歲、無 CVD、處于 CKM 0–3 期者。最終樣本N 5925初始 17708 人按排除標準層層剔除已患 CVD、CKM Stage 4、缺失關鍵變量等。隨訪結局中位隨訪約 9 年期間1467 人24.76%新發 CVD其中心臟病 1106 人18.67%、腦卒中 525 人8.86%。類比 ML這是一次嚴格的數據清洗 正負樣本定義。結局是首次發生 CVD/心臟病/腦卒中屬于右刪失生存數據right-censored——不是每個人都在觀察期內發病沒發病的人只貢獻活到某時刻還沒事的信息。這類數據不能用普通邏輯回歸要用Cox 比例風險模型。4.2 兩個核心特征的定義與公式AIP——把 TG 和 HDL-C 壓成一個指數AIPlog?10 ?(TGHDL ?? ?C),單位均為 mg/dL(1) \mathrm{AIP}\log_{10}\!\left(\frac{\mathrm{TG}}{\mathrm{HDL\!-\!C}}\right),\qquad \text{單位均為 mg/dL} \tag{1}AIPlog10?(HDL?CTG?),單位均為mg/dL(1)因為 TG/HDL-C 是高度右偏的分布取 log10 使其近似正態、便于建模。AIP 越大 → 致粥樣硬化血脂畫像越重。eGDR——用三個常規指標估算胰島素敏感性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 腰圍cmHTN 是否患高血壓是1/否0HbA1c 糖化血紅蛋白%。系數來自既往驗證方程Park 等。eGDR 越低 → 胰島素抵抗越重。4.3 人群聯合分層特征交叉用隊列內的AIP 中位數 ?0.05與eGDR 中位數 10.15作為切點把人群切成 4 組組別含義人數Low AIP High eGDR血脂好 胰島素敏感參照組1815High AIP High eGDR血脂差 胰島素敏感1148Low AIP Low eGDR血脂好 胰島素抵抗1815High AIP Low eGDR血脂差 胰島素抵抗最高危1147這正是 ML 里的兩個二值特征做笛卡爾積得到 4 個組合特征。注意切點用的是本隊列中位數數據驅動不是臨床金標準切點——這是后文局限性的來源之一。4.4 統計模型目標函數與假設檢驗論文用Cox 比例風險回歸建模分多個遞進模型逐步加入協變量類似逐步加特征的消融Model 0粗模型只放暴露Model 1 社會人口學年齡、性別、教育、婚姻、城鄉等Model 2 臨床化驗指標Model 3 高血壓/血脂異常/糖尿病等共病主模型另加CKM 分期調整模型看加進分期后信號是否還在Cox 模型的核心方程風險函數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)是基線風險不假設形狀xxx是協變量向量β\betaβ是待估系數。報告的是HR exp(β)及其 95% 置信區間。劑量-反應關系用**限制立方樣條RCS, restricted cubic spline**在 Model 3 下看 AIP、eGDR 與結局的連續非線性關系以中位數為參考。交互作用檢驗這是論文方法學亮點相乘交互在 Cox 模型里加AIP × eGDR乘積項用似然比檢驗看是否顯著。相加交互用RERI、AP、SI三個指標判斷兩暴露同時存在時風險是否超過各自風險的簡單相加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??HR01?1,APHR11?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則存在顯著相加交互協同超額風險。預測價值評估時間依賴性 Harrell’s C-index生存版的 AUC看排名能力。IDI綜合判別改善與連續 NRI凈重分類改善看加進 AIP/eGDR 后模型對個體風險重分類是否更準比單純 C-index 更敏感。五、關鍵結果與圖表解讀5.1 基線特征Table 1與最高危組的畫像Table 1 按 AIP/eGDR 聯合分組列出基線。最直觀的發現是高 AIP 低 eGDR 組發病率最高CVD 31.85%、心臟病 23.09%、腦卒中 13.11%而低 AIP 高 eGDR 組最低CVD 17.69%、心臟病 13.33%、腦卒中 5.51%。四組在多數變量上差異顯著僅 hs-CRP 不顯著p0.21。CKM 分期分布也印證直覺低 eGDR 組更多落在 Stage 2–3高 eGDR 組更多在 Stage 0–1。圖 1研究人群流程圖 Fig. 1展示了從 17708 人到最終 5925 人的篩選漏斗依次排除無知情同意、45 歲、已有 CVD、CKM Stage 4、關鍵變量缺失者。這張圖是隊列研究透明化納入排除的標準動作讀者一眼就能判斷樣本代表性的潛在偏倚來源。5.2 生存曲線聯合分層把人群拉開了圖 2Kaplan–Meier 曲線 Fig. 2按 4 個 AIP-eGDR 組分別畫出 CVD、心臟病、腦卒中的累積發病率曲線。可以清晰看到高 AIP 低 eGDR 組的曲線始終在最下方即累積發病最快、最高而參照組低 AIP 高 eGDR曲線最平緩。三組之間的分離在隨訪中后期尤其明顯直觀支持了聯合分層能區分風險梯度的論點。KM 曲線就是按特征組合分桶后的生存函數估計相當于把模型預測分數離散成 4 檔后畫累積事件率——分離度越大說明這個特征組合的分層能力越強。5.3 風險量化Table 2HR 全景Table 2 給出 Model 0→3 逐級調整的 HR。以主模型Model 3為準參照組 低 AIP 高 eGDR單指標效應高 AIP vs 低 AIPCVD HR1.13(1.02–1.26, p0.03)心臟病 1.09(1.02–1.24, p0.03)腦卒中 1.24(1.03–1.49, p0.02)。低 eGDR vs 高 eGDRCVD HR1.22(1.06–1.41, p0.01)心臟病 1.18(1.00–1.38, p0.05)腦卒中 1.39(1.09–1.77, p0.01)。聯合分層重點看這一行組別CVD HR (95%CI)心臟病 HR腦卒中 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趨勢檢驗 p 值CVD 0.001、心臟病 0.02、腦卒中 0.001說明風險隨不利指標數量單調上升。最高危組合高 AIP 低 eGDR對腦卒中的 HR 高達 1.59——比單一指標單獨作用都強且腦卒中方向尤其突出。即便再加 CKM 分期調整高 AIP低 eGDR 組仍顯著CVD 1.27(1.05–1.53)、心臟病 1.25(1.00–1.55)、腦卒中 1.46(1.06–2.00)。說明這部分信號沒有被 CKM 分期完全吸收確有增量信息。5.4 劑量-反應連續指標的非線性圖 3限制立方樣條 Fig. 3展示 AIPA–C 面板和 eGDRD–F 面板與 CVD/心臟病/腦卒中的連續關系AIP與三種結局風險呈單調非線性上升整體 p0.0001AIP 越高風險爬升越快符合血脂惡化加速動脈粥樣硬化的病理直覺。eGDR與 CVD、心臟病風險呈先快速下降、后趨于平緩的曲線與腦卒中近似線性下降。即 eGDR 在中高區間再升高邊際收益變小——提示 eGDR 低到一定程度才是主要危險區。這相當于做了一次單特征 vs 結局的非線性 shapley/偏依賴圖PDP比只看分組 HR 信息更豐富它告訴醫生在哪個區間干預性價比最高。5.5 交互作用兩條軸重疊但不協同Table 3 報告交互檢驗結果結論很干凈相乘交互CVD 0.91(0.69–1.19)、心臟病 0.82(0.59–1.16)、腦卒中 1.16(0.77–1.74)全部不顯著CI 含 1。相加交互RERI/AP/SI 的 95%CI 均跨越無效值例如 CVD RERI ?0.09[?0.44~0.25]、AP ?0.07[?0.36~0.17]、SI 0.80[0.29~2.06]。這意味著AIP 和 eGDR不存在統計學顯著的相乘或相加交互。換句話說兩者同時存在時的風險大致等于各自風險的疊加并沒有112的協同超額。論文據此判斷二者是 CKM 框架下兩條重疊但相對獨立的預警軸聯合分層的主要價值在于細化分期內部的風險梯度而非發現一種新的交互亞型。這就像你加了一個交叉特征AIP×eGDR但交叉項的系數不顯著——說明線性主效應已經足夠交叉項沒帶來額外信號。論文用更嚴格的相加尺度做了確認比只看相乘交互更穩妥。5.6 增量預測價值圖 4判別性能 Fig. 4與圖 5C-index、ΔC-index、IDI、連續 NRI Fig. 5量化加進 AIP/eGDR 后模型變好多少Harrell’s C-indexModel 3CVD 由 AIP 0.643 / eGDR 0.642 提升到聯合 0.657心臟病 0.628/0.629→0.642腦卒中 0.674/0.675→0.688。ΔC-indexCVD 0.036、心臟病 0.028、腦卒中 0.037均 p≤0.008——提升雖小但統計顯著。IDI 與連續 NRI聯合應用顯示統計顯著但數值溫和的改善正文描述類似模式未逐個數給出精確 IDI/NRI 值。解讀C-index 提升 0.03 左右在流行病學里算溫和但有意義——畢竟常規化驗本就只能解釋有限方差。更關鍵的是它在所有三個結局CVD/心臟病/腦卒中方向一致且加 CKM 分期后依然成立說明增量信號穩健。六、評判性分析優點 / 局限 / 可改進方向6.1 優點問題定義精準聚焦 CKM 0–3 期這一干預窗口期臨床意義明確。方法學嚴謹Cox 多模型遞進 RCS 非線性 相乘與相加交互雙檢驗 時間依賴性 C-index/IDI/NRI 6 類敏感性分析含競爭風險 Fine-Gray幾乎把觀察性研究的可信度檢查清單做全了。可解釋、低成本全部基于常規體檢指標不依賴高成本檢測落地門檻低。結論克制明確承認無顯著交互“增量價值溫和”沒有夸大。6.2 局限論文自己承認 我的補充暴露由 CKM 定義成分派生AIP血脂、eGDR腰圍/高血壓/HbA1c本身就是 CKM 分期里用的變量因此聯合分層在相當程度上是對 CKM 分期信息的重新表達而非獨立的新亞型。加 CKM 分期后 HR 衰減1.35→1.27正是這一點的證據。殘留混雜觀察性設計飲食、運動、社會經濟地位等未測因素仍可能混淆。僅基線單次測量沒有 AIP/eGDR 的縱向軌跡無法捕捉變化率這一可能更強的預測信號。結局靠自我報告 醫師診斷問卷沒有亞型 adjudication如區分缺血/出血性卒中可能引入錯分。切點為本隊列中位數非臨床驗證切點外推到其他人群需重新標定。外推性受限僅中國 ≥45 歲人群年輕人與其他種族需另行驗證。6.3 可改進方向給想做后續研究的你把 AIP/eGDR 當作已有特征用 ML如梯度提升、Cox 神經網絡去學它們之間的非線性交叉與高階交互看是否真有被傳統 Cox 漏掉的信號論文已用相加交互否定線性協同但非線性協同未被充分探索。引入縱向重復測量重復走訪的 AIP/eGDR用聯合模型joint model建模軌跡。外部驗證 切點遷移學習在其它隊列/種族上重新標定中位數或尋找通用臨床切點。競爭風險更前置死亡作為競爭事件Fine-Gray 已用但可進一步做多狀態模型多結局并發。一句話帶走這篇論文本質上是一次用領域知識做特征工程AIP、eGDR→ 聯合交叉 → 用 Cox 嚴格交互/增量檢驗驗證的規范范式。它證明在 CKM 早期人群里把血脂和胰島素敏感度的兩個復合分聯合起來能以一種便宜、可解釋的方式溫和但顯著地細化心血管風險分層——尤其對腦卒中預警價值最高。術語速查表縮寫全稱含義AIPAtherogenic Index of Plasma血漿動脈粥樣硬化指數 log10(TG/HDL-C)eGDRestimated Glucose Disposal Rate估計葡萄糖處置率胰島素敏感性代理CKMCardiovascular-Kidney-Metabolic心血管-腎臟-代謝綜合征AHA 框架CVDCardiovascular Disease心血管疾病本文心臟病或腦卒中CHARLSChina Health and Retirement Longitudinal Study中國健康與養老追蹤調查HRHazard Ratio風險比Cox 模型輸出RCSRestricted Cubic Spline限制立方樣條非線性劑量-反應RERI/AP/SI相加交互指標相對超額風險指數 / 歸因比例 / 協同指數IDI / NRI增量判別 / 凈重分類改善預測模型增益指標Fine-Gray競爭風險模型處理死亡等競爭事件的方法