《CARDIOVASC DIABETOL》（IF=8.5），估计葡萄糖处理率和心血管疾病发病率的变化

本次解读的是发表在《CARDIOVASC DIABETOL》（IF=8.5）上的一篇文章《Changes in the estimated glucose disposal rate and incident cardiovascular disease: two large prospective cohorts in Europe and Asia》。这项研究表明eGDR 水平的不同变化与不同的 CVD 事件风险相关。eGDR 水平的动态监测对 CVD 的预防和治疗具有重要意义。

心血管疾病（CVD）仍然是全球发病率和过早死亡的主要原因，尤其是在发展中国家。从1990年到2019年，CVD的总体患病率几乎翻了一番，达到2.71亿例，达到5.23亿例，因此CVD相关死亡人数从1210万稳步增加到1860万，这给医疗保健系统带来了巨大的经济负担，对公共卫生构成了紧迫的挑战。尽管近年来在诊断、治疗和干预方面取得了重大进展，但全球CVD负担继续上升。因此，早期识别可改变的危险因素和高危个体对于减轻CVD的疾病负担具有高度优先权。

胰岛素抵抗和导致高胰岛素血症/高血糖是动脉粥样硬化和CVD之间的关键机制。一个数学模型（阿基米德模型）估计，据报道，胰岛素抵抗的治疗和干预可以预防近40%的动脉粥样硬化疾病，并且效果与高血压、高脂血症、高血糖或肥胖无关。因此，准确评估个体的胰岛素抵抗水平将有助于预防和控制相关疾病。高胰岛素正常血糖（HIEG）钳夹和胰岛素抵抗稳态模型评估（HOMA-IR）都是临床实践中测量胰岛素抵抗的常用技术。然而，由于耗时和繁琐的性质，这些临床效用和可行性在大规模流行病学调查中受到限制。最近，根据腰围、高血压和糖化血红蛋白A1c（HbA1c）建立的估计葡萄糖处理率（eGDR）被开发并被证明是胰岛素抵抗的可靠替代标志物。累积的证据表明，较低的eGDR水平与普通人群中风、冠状动脉疾病和全因死亡率的风险增加有关，并且这种关系不会因糖尿病状况而改变。值得注意的是，以前报道的研究仅分析了基线eGDR水平与研究结果之间的关联，而没有评估随访期间eGDR水平动态变化的影响。最近的研究表明，eGDR成分（包括腰围、高血压和HbA1c）的变化与CVD显著相关。然而，人们对eGDR随时间的变化及其与CVD发展的关系知之甚少。

因此，在目前的研究中，研究者根据来自英国生物样本库和中国健康与退休纵向研究（CHARLS）的数据，前瞻性地调查了eGDR的动态变化与CVD风险之间的关联。

01研究设计

英国生物样本库是一个基于人群的队列，由超过五十万名40至69岁的个体组成。参与者招募于2006年至2010年期间进行，参与者被邀请参加位于英格兰、苏格兰和威尔士的22个中心中的1个进行基线评估，包括完成基线问卷、提供生物样本和接受身体检查。英国生物样本库的方法和目标详见其他专题。CHARLS是一项正在进行的全国性队列研究，使用多阶段聚类样本方法从中国28个省份中选择参与。基线（2011-2012年，第1波）共纳入17,708名参与者，并在2013-2014年（第2波）、2015-2016年（第3波）、2017-2018年（第4波）、2019-2020年（第5波）分别使用面对面的计算机辅助个人访谈。

在目前的研究中，符合以下标准的参与者被纳入分析：（1）进行了两次eGDR评估，（2）在最后一次eGDR评估之前没有CVD。最后，共有来自英国生物样本库的11,682名参与者和来自CHARLS的4,974名参与者有资格进行后续分析。

02评估 eGDR 的变化

eGDR（mg/Kg/min）根据以下公式计算：eGDR=21.158−（0.09*WC）−（3.407*HT）−（0.551*HbA1c）[WC=腰围（cm），HT=高血压（是=1/否=0），HbA1c=HbA1c（%）]，如前所述。英国生物样本库对eGDR的第一次评估是2006年至2010年期间的招募，第二次评估是2012-2013年的重复访视。在CHARLS，eGDR的第一次和第二次评估在第1波（2011-2012年）和第3波（2015-2016年）进行。此外，研究者根据先前报告的研究计算了eGDR的累积暴露，即累积eGDR=（第一次评估+第二次评估）/2×时间（第二次评估-第一次评估）。

03结局定义

根据先前报道的研究，英国生物样本库中的 CVD 包括冠心病 （CHD）、中风、心房颤动 （AF） 和心力衰竭 （HF）。根据先前报道的研究，结果被定义为国际疾病分类 （ICD） 第 9 版代码和第 10 版代码。随访时间从第一次复访之日到诊断、死亡或退出研究之日，或最近一次随访结束（2022 年 11 月 2 日）计算，以先到者为准。

CHARLS 的主要结局是第 3 波至第 4 波的新发 CVD （卒中或心脏事件）。根据 CHARLS 中先前报道的研究，根据自我报告的医生诊断（“医生是否曾告诉你有任何心脏病 [心肌梗死、冠心病、心绞痛、充血性心力衰竭或其他心脏问题] 或中风？例如，首先，如果参与者在任何后续波次调查中都没有发生中风（事件发生时间计算如下：最后一次调查的时间——基线调查的时间）;随访时间不可用（大致估计的事件发生时间定义如下：上次调查时间的整数年——基线调查时间）。其次，如果他们发生中风（事件发生时间定义为：具有中风信息的特定波的时间/2——间隔波的时间/2 + 间隔波的时间——基线调查的时间）;随访时间不可用（事件发生的大致时间定义为具有中风信息的特定波时间的整数年/2 — 间隔波的时间/2 + 间隔波的时间 — 基线调查的时间）。

04协变量

在两个队列中选择以下潜在混杂因素进行分析：年龄、性别（男性或女性）、地区（城市或农村）、教育水平（英国生物样本库的教育程度以下或高等教育;文盲、小学、初中或高中或以上学历）、吸烟状况（从不、英国生物样本库的既往吸烟者或当前吸烟者;CHARLS中为否或为是），饮酒状况（在CHARLS中从不、少于一个月或至少每月一次）、BMI、血脂异常、糖尿病、药物（高血压药物使用、糖尿病药物使用和血脂异常药物使用）。

05统计分析

在目前的研究中，研究者利用“cluster”和“factoextra”包对eGDR的两项评估进行K-means聚类分析，旨在为研究对象分组提供基础。通过应用肘部方法，研究者确定了四个样本中心，随后将样本分配到最近的聚类并更新聚类中心点。重复这些过程，直到聚类中心点稳定或达到预定的迭代次数。最后，研究者为eGDR的两次评估获得了四个聚类中心点，并将研究对象分为四组：“1类”（持续高水平，英国生物样本库为11.94、11.51;11.12，10.89为CHARLS;）“2类”（高水平下降，11.12，英国生物样本库为7.63;12.82,8.00为CHARLS）“3类”（低水平增加，8.17，英国生物样本库为9.62;8.29,9.59为CHARLS;）“4级”（持续低水平，英国生物样本库为6.41、6.41;6.87,6.70为CHARLS）（图1）。

参与者的基线特征表示为分类变量的百分比、正态分布的连续变量的带标准差的平均值以及非正态分布变量的带四分位数范围的中位数。分别通过连续变量的广义线性回归分析和分类变量的Cochran-Armitage趋势卡方检验来检验四组的趋势。采用Pearson's（对于连续变量）和Point-biserial（对于二分变量）相关性检验来评估四组的相关性。

生成Kaplan-Meier累积发生率图以评估随访期间eGDR变化（累积eGDR）与事件CVD的关联，并使用对数秩检验进行统计评估。研究者拟合了三个Cox比例风险模型，以研究eGDR变化（累积eGDR）与事件CVD风险的纵向关联。模型1根据年龄和性别进行调整。根据模型（1）对模型2的地区、教育水平、吸烟状况、饮酒状况和BMI进行了调整模型3根据模型（2）进一步调整了血脂异常、高血压药物使用、糖尿病药物使用和血脂异常药物使用根据所有模型的Schöenfeld残差检查比例风险假设。受限三次样条曲线（RCS）用于评估累积eGDR与4节CVD之间是否存在非线性关联（在第5、35、65和第95个百分位数）。在亚组分析中，进一步考虑了性别、年龄、吸烟、饮酒和BMI对eGDR变化与CVD风险相关性的影响。拟合乘法交互项以检查亚组的潜在影响。在敏感性分析中，LDL-C水平和糖尿病的变化基于模型（3）进一步调整两个尾部 P <0.05被认为具有统计学意义。

01基线特征

目前的研究共纳入了来自英国生物样本库的 11,682 人。纳入个体中，女性 6,146 例 （52.61%），基线时平均 （SD） 年龄为 56.89 （7.43） 岁，1 级、2 级、3 级和 4 级患病率为 39.42% （4,605） 、31.17% （3,641） 、13.23% （1,546） 和 16.18% （1,890）。目前的研究共纳入了来自 CHARLS 的 4,974 人。其中，女性 2,634 例 （52.96%），基线时平均 （SD） 年龄为 58.20 （8.68） 岁，1 级、2 级、3 级和 4 级患病率为 38.86% （1,933） 、4.18% （208）、30.48% （1,516） 和 14.05% （1,317）。

02eGDR 变化与事件 CVD 的关联

英国生物样本库的中位随访期为9.7年，CHARLS的中位随访期为3.0年。在随访期间，英国生物样本库记录了568例CVD（82例CHD、118例中风、378例AF和132例HF）事件，在CHARLS中记录了550例CVD（235例中风和347例心脏事件）。表 1 显示了eGDR变化和积累与发生CVD风险之间的关联。与1类相比，3类CVD的风险显著更高（HR=2.79,95%2.15-3.62，P<0.001），英国生物样本库4类的风险（HR=3.19,95%2.50-4.08，P<0.001） 也是如此（表 1）。 虽然与1级相比，2级患者的CVD风险较低，但相应的HR（95%CI）为0.69（0.51-0.92）。趋势检验表明，随着eGDR水平的降低，CVD风险显著增加（P <0.05）。当计算累积eGDR时，eGDR的1-SD每增加一次（4.00），CVD风险降低47%（表 1）。当将累积eGDR划分为四分位数时，在模型3中，相对于最高四分位数，最低四分位数的CVD风险显著升高（HR=3.07,95%2.14–4.39，P <0.001）。趋势检验还显示，CVD风险显著增加，累积eGDR较低（P <0.001）（表 1）。在CHALS中，与1级个体相比，3级和4级个体的CVD风险增加60%和69%，相应的HR分别为1.66（1.29-2.13）和1.69（1.34-2.14）（表 1）。然而，2类与CVD风险之间没有显著关联。虽然eGDR的1-SD每增加一次（4.00）与CHARLS参与者CVD风险降低18%相关（表 1）。当涉及到累积eGDR时，累积eGDR较低的个体与CVD风险增加相关，而且这一趋势也很显著。此外，在英国生物样本库和CAHRLS中，多变量调整的限制性三次样条分析在eGDR与CVD之间呈负线性关联（图2）。

在亚组分析中，在英国生物样本库和CHARLS队列的所有亚组中观察到4类与CVD风险之间的显着关联，预计CHARLS中的BMI≥24（表 2）。还观察到eGDR与性别、年龄、饮酒和BMI之间对CVD风险的显着相互作用（表 2）。在英国生物样本库中，4类和最低水平的eGDR与CHD、中风、AF和HF的风险之间存在显著关联。同样，与4级或CHARLS中eGDR最高四分位数的参与者相比，3级、4级和eGDR水平较低的参与者发生卒中和心脏事件的风险显著增加。当基于模型3进一步调整LDL-C水平和糖尿病水平的变化时，结果与主要结果一致。

总之，这项研究揭示了 eGDR 的变化与 CVD 独立相关。随访中 eGDR 水平升高较低且持续水平较低的个体发生 CVD 的风险较高，而 eGDR 水平持续较高的个体发生 CVD 的风险最低。因此，监测 eGDR 的长期变化应优先考虑 CVD 预防策略。

临床研究的根本使命是发现并解决生命科学领域亟待解决的临床问题，同时，为即将发生的临床难题提供备选解决方案。

打开极智分析—智能医学统计分析平台 https://www.xsmartanalysis.com/ 进行实操吧！