没想到!CHARLS数据库还能这么玩?南昌大学凭“AIP动态轨迹”发到4.2分,零实验!

点击蓝字 关注我们

导语

寻找解锁血糖转归的“动态密码”

糖尿病前期的血糖管理，目前正面临一个“精准”难题——缺乏能够有效预测其转归方向（恢复正常或进展为糖尿病）的特异性标志物。传统研究多局限于对血脂等指标的“静态” snapshot式测量，却忽略了其在体内动态变化的调控模式可能对血糖转归产生的深远影响。尤其是血浆致动脉粥样硬化指数（AIP）这一复合指标，其动态演变规律与糖尿病前期结局的关联，此前尚处于探索盲区。

为填补这一空白，南昌医学院第一附属医院的研究团队依托中国健康与养老追踪调查（CHARLS） longitudinal队列数据，在《Lipids in Health and Disease》期刊（IF 4.2，二区）发表了一项创新性研究成果。该研究首次深入揭示了AIP的动态模式与糖尿病前期转归的内在联系，为糖尿病前期的风险分层与精准干预提供了全新的科学依据。

中文标题：血浆动脉粥样发生指标及其肥胖相关指标对糖尿病前期血糖状态转变的影响：CHARLS国家队列研究结果

发表期刊：Lipids in Health And Disease

发表时间：2026年1月

影响因子：4.2

研究背景

静态指标难以捕捉的动态风险

糖尿病前期人群面临较高的血糖转化风险，然而当前临床常用的预测指标多局限于对血脂、血糖等参数的单次、静态水平评估。尽管已有研究证实，血浆致动脉粥样硬化指数（AIP） 与肥胖状态均与糖代谢异常密切相关，但二者联合作用的动态演变模式——即它们随时间协同变化如何影响血糖转归——至今尚不明确。这一认知空白，严重制约了临床对高危人群的早期精准识别与风险分层，导致干预时机往往滞后于病情变化。

研究方法

研究设计：基于CHARLS队列的多维度动态分析

本研究依托中国健康与养老追踪调查（CHARLS）2011-2015年随访数据，纳入2535例糖尿病前期人群作为研究对象，通过系统性的数据分析流程，揭示AIP动态模式与血糖转归的深层关联。

🔍 数据来源与研究人群

• 数据来源：中国健康与养老追踪调查（CHARLS）2011-2015年三波次随访数据

• 研究对象：经严格筛选纳入2535例糖尿病前期人群，并获取其完整的纵向随访记录

⚙️ 技术路线与分析方法

本研究遵循严谨的数据分析流程，逐层深入揭示核心科学问题：

数据采集与清洗 → 指标构建（AIP及AIP-肥胖复合指数）→ 模式识别（K-means聚类识别动态控制模式）→ 关联分析（多变量Cox回归量化各模式与血糖转归关联）→ 组分解析（WQS回归解析组分贡献权重）→ 机制探索（四向分解检验炎症介导效应）→ 稳健性验证（亚组分析、敏感性分析及外部数据验证）

💡 核心技术方法

① 数据与工具应用

• 依托CHARLS全国队列，精准筛选糖尿病前期人群，确保样本代表性与随访完整性

• 计算血浆致动脉粥样硬化指数（AIP），并构建AIP-肥胖指标复合指数，实现暴露因素的多维度量化

② 核心分析逻辑

• 多模型量化关联：采用多变量Cox回归模型量化不同AIP动态模式与血糖转归的关联强度，拟合剂量反应关系并深入剖析不同亚组间的分层异质性

• 权重解析与机制探索：运用加权分位数和（WQS）回归解析累积甘油三酯（TG）与肥胖暴露的组分贡献权重，并通过四向分解模型系统检验炎症指标的介导效应，揭示潜在生物学机制

图1.研究参与者流程图

关注一下，了解更多前沿知识！

主要结果

1.核心发现一：AIP动态变化聚类为三种特征模式

研究通过K-means聚类算法，基于AIP及其肥胖相关指标的动态变化轨迹，将2535例糖尿病前期人群精准划分为三种具有显著差异的调控模式。多维度可视化图形（图2）清晰展示了这三类模式在三个关键维度的异质性特征：

• 基线水平差异：三类模式在进入队列时的初始AIP与肥胖指标水平呈现明显梯度分布

• 随访变化趋势：随时间推移，各类模式的指标演变轨迹展现出不同的上升、平稳或波动特征

• 人群分布特征：三类模式在性别、年龄等人口学特征上的构成比存在显著差异

这一聚类结果为后续深入分析不同动态调控模式与血糖转归的关联奠定了坚实的分组基础，使研究者能够从“动态轨迹”而非“静态数值”的视角，重新审视AIP与肥胖对血糖转化的协同影响。

研究通过限制性立方样条分析，系统评估了基线指标与糖尿病前期进展风险的剂量反应关系。结果显示：

• 线性关系明确：基线AIP及其肥胖相关指标与糖尿病前期进展风险均呈现显著的线性正相关，未发现任何非线性拐点或阈值效应

• 风险递增规律：这意味着，基线指标水平每升高1个单位，糖尿病前期进展为糖尿病的风险均呈现规律性递增趋势，风险增幅在各指标间保持稳定一致性

• 量化依据充分：这一线性关系的确立（图3），为后续量化基线指标的风险效应、构建风险预测模型提供了关键的统计学依据，使临床风险评估更加精准可测

该发现提示，即使在糖尿病前期阶段，AIP及肥胖指标的基线水平已开始“潜移默化”地推动血糖向不利方向转化，且这一风险效应呈现“水涨船高”的线性特征。

研究进一步揭示，不同动态调控模式与糖尿病前期血糖转归密切相关，呈现出清晰的“梯度效应”：

• 风险递增规律：调控模式越差（即AIP及肥胖指标长期维持在高位或呈上升趋势的人群），其进展为糖尿病的比例越高，疾病转归轨迹持续恶化

• 逆转概率递减：与之对应，调控模式越差的人群，血糖恢复正常（逆转为正常血糖）的比例越低，提示不良调控模式可能“锁定”了血糖的恶化方向

• 指标特异性突出：在多项复合指标中，AIP-BMI指标的关联趋势最为显著，直观体现了该复合指标动态调控模式对血糖转归的强预测能力

这一发现通过图4直观呈现，清晰地揭示了动态调控模式与临床结局之间的“剂量-反应”关系：调控质量直接决定转归方向——模式越差，结局越糟；模式越好，逆转机会越大。

研究通过加权分位数和（WQS）回归模型，精准解析了指标各组分对血糖转归的差异化贡献权重，揭示了不同代谢维度在血糖转化中的独特角色：

• 肥胖累积暴露——进展的“核心推手”：在驱动糖尿病前期向糖尿病进展的方向上，肥胖累积暴露被证实为核心驱动因子，其贡献权重显著高于其他代谢指标组分，提示控制肥胖的动态累积效应是阻断疾病进展的关键靶点

• TG与HDL-C代谢——逆转的“关键钥匙”：在促进血糖恢复正常的方向上，甘油三酯（TG）和高密度脂蛋白胆固醇（HDL-C）代谢扮演了更为重要的角色，二者的调控状态对实现血糖逆转贡献权重最大，提示改善血脂代谢是促进逆转的重要抓手

• 精准干预方向明确：这一组分贡献权重的解析（图6），为临床针对性制定代谢干预策略提供了清晰的靶点方向——

• 阻断进展：重点监控并干预肥胖累积暴露

• 促进逆转：优先改善TG和HDL-C代谢紊乱

该发现从组分权重视角，首次明确了不同代谢指标在血糖转归中的“分工差异”，为糖尿病前期人群的分层管理、靶向干预提供了精准的科学依据。