通过研究纳入7197名基线无CMM的中老年人。中位随访9年,1043人新发CMM。CMM组年龄更大、女性及城市居民更多,基线慢性病患病率及用药率更高;其血压、BMI、血糖、血脂及多数IR指标均显著升高,而睡眠时长、HDL-C和eGDR显著降低(表1)。
多变量Cox回归分析显示,eGDR每增加一个标准差,CMM风险降低16.6%,其最高四分位相比Q1风险降低62%。其余六项指标每SD增加均与CMM风险升高显著相关,且四分位分析均呈现显著剂量-反应趋势(表2)。
表2 七种胰岛素抵抗替代指标与心脏代谢多病共存风险之间关联的多元回归分析
骨限制性立方样条分析显示,TyG-BMI、TyG-WC、METS-IR和eGDR与心血管代谢性多病共存风险呈非线性关联。其中eGDR呈L形关联,拐点为11.82,低于此值风险持续下降;TyG-WC呈U形关联,拐点为572.14;TyG、AIP、CVAI呈线性正相关(图2)。
卡普兰-迈耶生存曲线显示,TyG、TyG-BMI、TyG-WC、AIP、METS-IR、CVAI的各四分位组中,CMM累积发生率随指标升高而逐渐上升;eGDR则呈相反趋势,从Q1到Q4累积发生率显著下降(图3)。
图3 根据TyG分层的CMM风险Kaplan–Meier曲线
亚组分析显示,所有七项IR替代指标与CMM的关联在各亚组中一致,交互作用均无统计学意义Bonferroni校正,表明结果稳健(图4)。
使用R包pROC计算七项IR指标的整体ROC曲线分析结果。具体步骤:以CMM事件为结局变量,分别以TyG、TyG-BMI、TyG-WC、AIP、CVAI、METS-IR、eGDR为检测变量,计算各指标的AUC及其95%置信区间,使用DeLong检验比较各AUC与eGDR的差异是否有统计学意义(表5)。
表5 整体人群中七个IR替代指标和CMM风险在各月份的ROC曲线
eGDR的最佳截断值为7.64,此时敏感性0.57、特异性0.70,特异性为所有指标中最高;CVAI的敏感性最高。综上,eGDR在整体预测准确性上表现最优(图6)。
时间依赖性ROC分析显示,eGDR在所有随访时间点均保持最高AUC,峰值在24个月。TyG-WC在24个月时AUC为0.724,但随后下降较快;CVAI在后期随访中表现逐步提升,仅次于eGDR;AIP在各时间点AUC均最低(图5)。
图5 IR替代指标预测CMM风险的时间依赖性ROC曲线
TyG-WC在24个月时AUC为0.724,但随后下降较快;CVAI在后期随访中表现逐步提升,仅次于eGDR;AIP在各时间点AUC均最低(表4)。
净重新分类改善指数和综合判别改善指数分析显示,METS-IR的NRI最高,CVAI的IDI最高。除TyG外,所有指标均显著改善基础模型的预测能力(表3)。
表3 七种胰岛素抵抗替代指标对CMM的增量预测价值