代谢健康非肥胖个体中心血管代谢疾病的机会性筛查:一项前瞻性队列研究

Opportunistic screening for incident cardiometabolic disease in metabolically healthy non-obese individuals: a prospective cohort study

作者信息Balázs Bogner, Matthias Jung, Marco Reisert, Juliane Maushagen, Susanne Rospleszcz, Thomas Kroencke, Tobias Pischon, Jeanette Schulz-Menger, Thoralf Niendorf, Henry Völzke, Christopher L Schlett, Fabian Bamberg, Jana Taron, Jakob Weiss
PMID42387503
发布时间2026-07-01
DOI10.1186/s12933-026-03265-2

实验完整度

包含前瞻性队列研究,使用MRI和深度学习量化脂肪,进行风险重分类(NRI)和多变量Cox回归分析,并进行了多种敏感性分析。

主要模型

英国生物银行(UK Biobank)MHN个体队列(n=22,040) 德国国家队列(NAKO)参与者(n=23,664)

重点核对

UKB MHN队列:22,040名参与者,BMI < 30 kg/m2,无糖尿病或高血压和高脂血症 VAT/SAT比值性别特异性截止值:男性0.35,女性0.15 主要终点MACE定义:心肌梗死、缺血性卒中或心血管死亡 随访时间:中位4.2年(IQR 3.4-5.6)

摘要

背景:代谢健康非肥胖(MHN)个体被认为心血管代谢风险较低,但其中一部分可能具有常规人体测量指标(包括腰围(WC)和BMI)无法捕捉的不利内脏肥胖。方法:我们对22,040名英国生物银行(UK Biobank)参与者(中位随访4.2年[四分位距3.4–5.6])进行了一项前瞻性队列研究,这些参与者被定义为MHN(BMI < 30 kg/m2,无糖尿病或高血压和高脂血症同时存在)。使用经过验证的深度学习框架从全身MRI量化内脏脂肪组织(VAT)和皮下脂肪组织(SAT)体积。基于流行性心血管代谢疾病,从德国国家队列(NAKO)推导出性别特异性VAT/SAT比值截止值,并应用于英国生物银行。主要结局是主要不良心血管事件(MACE)的发病率;次要结局是2型糖尿病的发病率。比较VAT/SAT比值与WC作为竞争分类方法时,使用分类净重分类改善指数(NRI)来量化在预定风险类别之间正确重新分类的个体净比例。Cox比例风险模型在逐步调整年龄、性别、吸烟、WC和BMI后评估了与结局的关联。比较包含和不包含VAT/SAT比值的嵌套模型,以测试在其他因素之外的附加价值。结果:VAT/SAT比值在MACE(NRI 0.088,95%CI 0.019–0.158,p = 0.013)和糖尿病(NRI 0.102,95% CI 0.024–0.181,p = 0.010)方面较WC改善了风险分类。高VAT/SAT比值在完全调整后独立预测MACE(调整后风险比[aHR] 1.30,95%CI 1.02–1.66,p = 0.037)和糖尿病(aHR 1.77,95% CI 1.34–2.33,p < 0.001)。将VAT/SAT加入完全调整的模型改善了MACE(C指数0.694 vs. 0.690,p = 0.036)和糖尿病(C指数0.723 vs. 0.715,p < 0.001)的区分度。结论:VAT/SAT比值能识别出常规人体测量指标之外心血管代谢风险升高的MHN个体,尤其与糖尿病发病率关联更强。这些发现支持基于机会性影像的风险评估概念,并为未来研究VAT/SAT重新分类个体中靶向干预是否能改善结局提供了预后基础。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
在代谢健康非肥胖个体中,MRI衍生的VAT/SAT比值是否能识别出超出BMI和WC的心血管代谢风险?
核心机制
VAT/SAT比值反映了内脏脂肪和皮下脂肪的相对平衡,高VAT/SAT比值提示不利的脂肪分布,与胰岛素抵抗和心血管代谢风险增加相关。
主要证据
在22,040名UKB MHN个体中,高VAT/SAT比值独立预测MACE(aHR 1.30)和糖尿病(aHR 1.77),且改善了风险重分类(NRI分别为0.088和0.102)。
研究意义
支持基于机会性影像的风险评估概念,为未来针对VAT/SAT重新分类个体的靶向干预试验提供了预后基础,可能增强临床心血管代谢风险评估。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

队列选择和定义

定义代谢健康非肥胖(MHN)个体,并排除不相关人群。

从UK Biobank影像亚队列中筛选参与者,根据BMI和代谢健康状态分类,排除肥胖和代谢不健康个体,最终纳入22,040名MHN个体。

2

脂肪组织体积量化

从全身MRI中自动量化VAT和SAT体积,并计算VAT/SAT比值。

使用经过验证的深度学习框架(3D U-Net)分割全身MRI图像,量化VAT和SAT体积,并计算VAT/SAT比值。

3

推导VAT/SAT比值截止值

确定性别特异性的VAT/SAT比值截止值,用于风险分类。

在德国国家队列(NAKO)中,基于流行性心血管代谢疾病,使用ROC曲线分析推导性别特异性截止值,最终确定为男性0.35,女性0.15。

4

风险重新分类分析

比较VAT/SAT比值与WC在风险分类中的表现。

使用分类净重分类改善指数(NRI)比较VAT/SAT比值和WC在预先定义风险类别中的重新分类性能。

5

关联分析

评估VAT/SAT比值与MACE和糖尿病事件的关联。

使用Cox比例风险模型,评估高VAT/SAT比值与MACE和糖尿病风险的关联,并进行逐步调整。

6

增量价值分析

测试VAT/SAT比值是否在传统风险因素之外提供增量预后价值。

比较包含和不含VAT/SAT比值的嵌套Cox模型,使用C指数和似然比检验。

7

敏感性分析

验证主要发现的稳健性。

进行了多种敏感性分析,包括连续VAT/SAT比值、排除早期事件、限制随访时间、Fine & Gray竞争风险模型、性别和年龄分层等。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
MAGNETOM Aera(1.5 T)Siemens Healthineers--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
队列定义
代谢健康非肥胖(MHN)的定义:BMI < 30 kg/m2,无糖尿病或高血压和高脂血症;排除既往MACE、影像数据不完整和协变量缺失者。
阅读提示:Methods: Metabolic health and obesity
MRI扫描和脂肪量化
MRI扫描参数(1.5 T,T1加权VIBE Dixon)和深度学习分割框架(3D U-Net)的验证信息。
阅读提示:Methods: Body composition analysis
截止值推导
基于NAKO的性别特异性VAT/SAT比值截止值(男性0.35,女性0.15)的推导方法。
阅读提示:Methods: Body composition analysis; 补充材料
结局评估
MACE定义(ICD-10 I21-I22, I63, I00-I78)和糖尿病定义(ICD-10 E10-E14;ICD-9 250);随访时间定义和行政审查日期。
阅读提示:Methods: Endpoints
统计分析
Cox模型调整变量(年龄、性别、吸烟、WC、BMI)和模型构建步骤;NRI计算的分类法。
阅读提示:Methods: Statistical analysis