研究人群与基线数据收集
建立高血压患者队列并获取基线特征与实验室指标
从CHARLS数据库中筛选年龄≥45岁、确诊高血压的参与者，排除缺乏FPG、TG、BMI、WC或随访数据者，最终纳入4661例。收集中介变量包括年龄、性别、婚姻状况、教育水平、饮酒、吸烟、BMI、WC、SBP、DBP及GLU、TG、TC、HDL-C、LDL-C、CRP、WBC、Cr、CysC等实验室指标。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
结合CHG指数及其肥胖指标预测高血压患者全因和心血管死亡：一项前瞻性队列研究与生存预测模型
Predicting all-cause and cardiovascular mortality in hypertensive patients by combining the CHG index and its obesity indicators: a prospective cohort study with survival prediction model
实验完整度
高基于CHARLS前瞻性队列4661例高血压患者，结合K-M、Cox、竞争风险回归及三种生存机器学习模型，完成多模型独立验证
主要模型
CHARLS队列高血压参与者4661例 Cox比例风险模型 Cox-LASSO生存机器学习模型 Survival XGBoost模型
重点核对
CHG-WHtR每1-SD增加与全因死亡（HR=2.060，95% CI 1.852–2.292）和心血管死亡（HR=2.020，95% CI 1.816–2.247）的关联 Cox-LASSO测试集C-index=0.920（95% CI 0.878–0.962），tdAUC在3、5、7年分别为0.851、0.881、0.916 增量预测价值：连续NRI范围0.349–0.496，IDI范围0.024–0.040 RCS分析显示CHG指数及其肥胖指标与全因和心血管死亡呈L形关系（非线性P<0.001） Fine-Gray竞争风险模型：CHG-BMI sHR=1.774，CHG-WC sHR=1.983，CHG-WHtR sHR=2.020
摘要
背景：高血压与心血管疾病（CVD）的发生和死亡密切相关，胰岛素抵抗（IR）在高血压相关代谢功能障碍中起关键作用，但高血压人群中尚无普遍接受的IR标志物。近年来，胆固醇-高密度脂蛋白-葡萄糖（CHG）指数及其肥胖指标（CHG-BMI、CHG-WC和CHG-WHtR）已成为可靠的IR标志物。在本研究中，我们旨在通过机器学习分析评估它们与高血压患者全因和心血管死亡率的关联。
方法：分析了中国健康与养老追踪研究（CHARLS）中4661名高血压参与者的数据。应用生存机器学习模型（Cox、Cox-LASSO、Survival XGBoost）。通过Harrell's C-index和3、5、7年时间依赖ROC（tdAUC）评估模型区分度。使用连续净重分类指数（NRI）、综合判别改善（IDI）和决策曲线分析（DCA）评估增量预测价值。对心血管死亡率进行竞争风险（Fine-Gray）回归。
结果：CHG指数及其肥胖指标是高血压患者全因和心血管死亡率的独立预测因子。CHG-WHtR与全因死亡率（HR=2.060，95% CI：1.852–2.292，P<0.001）和心血管死亡率（HR=2.020，95% CI 1.816–2.247，P<0.001）每1-SD增加均显示强关联。Cox-LASSO的测试C-index为0.920（95% CI 0.878–0.962），tdAUC在3、5和7年间范围为0.851–0.916。加入CHG指数显著改善了重分类（连续NRI范围：0.349–0.496，IDI范围：0.024–0.040）。观察到全因死亡率（非线性P<0.001）和心血管死亡率（非线性P<0.001）均呈L形关系。将CHG指数或其肥胖指标组合到预测模型中显著提高了死亡率结局的预测性能。
结论：CHG指数及其肥胖指标是高血压患者全因和心血管死亡率的重要预测因子，CHG-WHtR在死亡率风险方面表现出更好的预后性能。纳入肥胖指标增强了风险分层，可能从高血压人群的定制干预中获益。
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
- CHG指数及其肥胖指标能否预测高血压患者的全因和心血管死亡率？
- 核心机制
- CHG指数由TC、HDL-C和空腹血糖组成，反映胰岛素抵抗，可能通过血脂异常、慢性高血糖、氧化应激、内皮功能障碍和血栓形成等机制加速动脉粥样硬化，从而增加死亡风险。
- 主要证据
- 基于CHARLS队列4661例高血压患者，Cox回归显示CHG-WHtR每1-SD增加与全因死亡（HR=2.060）和心血管死亡（HR=2.020）显著相关，Cox-LASSO模型C-index达0.920，tdAUC最高0.916，NRI和IDI显示增量预测价值。
- 研究意义
- CHG指数及其肥胖指标可增强高血压患者风险分层，有助于识别可能从定制干预中获益的高危人群，为高血压管理提供重要证据。
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。
CHG指数及其肥胖指标计算
构建并计算CHG指数及其与肥胖指标的复合指数
根据公式计算CHG指数、CHG-BMI、CHG-WC和CHG-WHtR。CHG指数=Ln[TC(mg/dL)×FBG(mg/dL)/(2×HDL(mg/dL))]。复合肥胖指标通过将CHG指数与BMI、WC或WHtR结合计算。
生存分析及剂量-反应关系评估
评估CHG指数及其肥胖指标与全因和心血管死亡率的关联及非线性关系
采用Kaplan-Meier生存曲线和log-rank检验评估不同四分位组的生存概率。构建多变量Cox比例风险模型（Model 1未调整；Model 2调整年龄、性别、婚姻、种族、教育、饮酒、吸烟、BMI、WC；Model 3额外调整SBP、DBP、GLU、TG、TC和eGFR）。使用限制性立方样条（RCS）分析非线性关系，节点数设为3。
生存机器学习模型构建与验证
比较不同生存机器学习模型的预测性能并评估增量预测价值
数据集按事件状态分层随机分为训练集（70%）和测试集（30%）。使用三种生存算法：Cox full、Cox-LASSO（弹性网惩罚α=0.01，L1_wt=1.0）和Survival XGBoost（survival: Cox目标）。Survival XGBoost超参数通过三折交叉验证网格搜索调优，最优参数为max_depth=2、learning_rate=0.05、n_estimators=100、subsample=0.85、colsample_bytree=0.85、reg_lambda=1.0。通过Harrell's C-index和3、5、7年时间依赖AUC评估模型区分度。计算NRI、IDI和DCA评估CHG指数的增量预测价值。
竞争风险与模型假设检验
验证心血管死亡预测的稳健性并检验模型假设
对心血管死亡采用Fine-Gray子分布风险模型，以非心血管死亡为竞争事件，报告sHR及95% CI。使用Schoenfeld残差检验Cox模型的比例风险假设，全局检验P>0.05认为无违反。计算方差膨胀因子（VIF）评估多重共线性，VIF>5视为存在共线性问题；通过从协变量集中移除相应指数组分来校正数学耦合。
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 |
|---|---|---|---|
| 数据分析与统计 | R 4.3.2 | -- | -- |
| Z stats 0.90 | www.medsta.cn/software | -- | |
| 竞争风险分析 | cmprsk包 | -- | -- |
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 |
|---|---|
| 研究人群与队列构建 | 年龄≥45岁；高血压诊断标准：平均SBP≥140 mmHg或平均DBP≥90 mmHg或正在使用降压药；血压值为三次读数的平均值；排除标准：缺乏FPG、TG、BMI、WC或随访数据；最终纳入4661例；中位随访7.0年（IQR：3.0–8.0年） 阅读提示：Methods中Study design and participants小节；Fig.1流程图 |
| CHG指数及其肥胖指标计算 | CHG指数计算公式：Ln[TC(mg/dL)×FBG(mg/dL)/(2×HDL(mg/dL))]；复合肥胖指标定义及计算公式 阅读提示：Methods中Assessment of the CHG index and its combined obesity indices小节 |
| 协变量调整与Cox模型 | Model 1未调整；Model 2调整年龄、性别、婚姻、种族、教育、饮酒、吸烟、BMI、WC；Model 3额外调整SBP、DBP、GLU、TG、TC和eGFR；评估CHG-BMI时BMI不作为协变量，CHG-WC时排除WC，CHG-WHtR时排除WHtR/WC，CHG时排除FPG、TC和HDL以避免数学耦合 阅读提示：Methods中Covariates和Statistical analysis小节 |
| 生存机器学习模型 | 数据集按事件状态分层随机分为训练集70%和测试集30%；Cox-LASSO弹性网惩罚α=0.01，L1_wt=1.0；Survival XGBoost超参数：max_depth=2、learning_rate=0.05、n_estimators=100、subsample=0.85、colsample_bytree=0.85、reg_lambda=1.0；三折交叉验证网格搜索；tdAUC评估点：3、5、7年 阅读提示：Methods中Survival machine learning models和Incremental predictive value小节 |
| 竞争风险与假设检验 | 非心血管死亡作为竞争事件；Fine-Gray子分布风险模型；Schoenfeld残差全局检验P>0.05为无违反；VIF>5为存在共线性问题；校正后VIF<1.5 阅读提示：Methods中Competing risks、Proportional hazards assumption和Multicollinearity assessment小节 |