心血管疾病（CVD）是糖尿病患者的主要死亡原因之一，尽管指南强调同时控制血糖和心血管风险因素的重要性，但在这类人群中，CVD风险仍然很高。
先前研究表明，胰岛素抵抗（IR）指标与CVD和糖尿病显著相关，但估计葡萄糖处理率 （eGDR） 指数与糖尿病患者CVD及其亚型风险的关联有待进一步验证。
本公号回复“ 原文”即可获得文献PDF等资料。想用NHANES发文，看看这个可一键提取和分析数据的NHANES Online平台！如感兴趣请联系郑老师团队，微信号：aq566665
图1 研究流程图
主要研究结果
研究团队通过单变量和多变量logistic回归分析发现，随着eGDR指数的增加，参与者患CVD及其亚型的风险均显著升高。
表1 参与者eGDR指数与CVD及其亚型患病风险的关联
模型1（基本模型）：无调整；
模型2（最小调整模型）：调整了年龄、性别和种族；
模型3（完全调整模型）：调整了通过SVM-RFE、XGBoost和Boruta算法筛选出的重要变量
模型3（完全调整模型）调整的协变量来源于三种机器学习算法（SVM-RFE、XGBoost 和 Boruta 算法）各自筛选的前10个特征。
图2 三种机器学习算法
（A）Boruta算法，其中绿色框表示重要变量，红色框表示不重要的变量，黄色框表示可能重要的变量；
（B）Boruta算法的迭代过程；
（C）XGBoost算法，排序越小，变量就越重要；
（D）SVM-RFE算法，一个变量的排序越大，它被删除的时间就越晚
综上所述，在糖尿病或糖尿病前期人群中，eGDR指数与心血管疾病及其亚型之间存在负线性关联。并且在调整过经机器学习算法筛选出的变量后，预测模型更佳。此外，与其他IR替代指标（包括TyG、HOMA-IR、METS-IR等）相比，eGDR指数在评估与CVD及其亚型相关性方面表现更佳。
统计知识点汇总
美国国家健康与营养调查（NHANES）数据库：
P（Population）参与者：从NHANES数据库1999-2016年的数据中，纳入的10,690名糖尿病或糖尿病前期的参与者；
E（exposure）暴露因素：估计葡萄糖处置率（eGDR）指数；
O（outcome）结局：心血管疾病（CVD）及其亚型，包括：冠状动脉疾病（CAD）、充血性心力衰竭（CHF）和中风；
S（Study design）研究类型：横断面研究。
SVM-RFE
支持向量机（SVM）：SVM是一种用于分类和回归的监督学习模型。它通过在特征空间中找到一个最优超平面来区分不同类别的数据点。SVM的核心思想是最大化两个类别之间的间隔，从而提高分类的准确性。
递归特征消除（RFE）：RFE是一种特征选择方法，通过递归地训练模型并移除最不重要的特征来选择最重要的特征。
XGBoost
XGBoost 是一种高效的梯度提升决策树（GBDT）算法的实现，其核心思想是通过加速树的构建过程，减少计算时间，避免过拟合，并提高模型的准确性。
Boruta算法
本文中，研究团队通过单变量和多变量logistic回归分析，构建了3个模型来探究eGDR指数与CVD及其亚型患病风险的关联，并比较不同模型的预测性能。
模型1（基础模型）：未调整任何协变量；
模型2（最小调整模型）：调整了年龄、性别和种族；
模型3（完全调整模型）：调整了通过上述三个机器学习算法（SVM-RFE、XGBoost和Boruta算法）筛选出的重要变量。
ROC曲线
C统计量
净重新分类指数（NRI）
综合判别改善指数（IDI）
校准曲线
决策曲线分析（DCA）曲线
在本文中，研究团队绘制了两次RCS曲线：
评估eGDR指数与CVD及其亚型的非线性关系；
探究其他胰岛素抵抗指标与CVD及其亚型的非线性关系。
√亚组分析
这种将机器学习算法筛选出的重要特征作为协变量纳入模型的方法，确实能让研究结果更加准确，使模型更具代表性，是一种极具参考价值的研究思路！
郑老师统计团队及公众号
扫码联系助教陈老师
微信号丨sas555777
