胰岛素抵抗指数可预测心血管疾病的死亡率：一项基于NHANES数据的大规模研究，并通过机器学习方法进行了验证

《Food Science & Nutrition》：Insulin Resistance Indices Predict Mortality in Cardiovascular Disease: A Large-Scale NHANES Study With Machine Learning Validation

　　全因死亡和心血管死亡率中，McAuley指数与死亡率负相关，METS-IR呈正相关，Cox模型表现最佳，SHAP分析验证了代谢指标的核心预测作用。

　　本研究聚焦于评估两种用于衡量胰岛素抵抗（IR）的替代指标——麦卡莱指数（McAuley Index）和代谢性胰岛素抵抗评分（METS-IR）在预测全因死亡率和心血管疾病（CVD）死亡率方面的预后价值。胰岛素抵抗作为多种慢性疾病的病理生理机制之一，尤其在心血管疾病中扮演着重要角色，其不仅作为风险因素，也可能是疾病进展的推动力。全球约有25%至30%的成年人受到胰岛素抵抗的影响，这一现象在发达国家和发展中国家的流行率均呈上升趋势。胰岛素抵抗的临床影响远不止于直接的代谢后果，它还与慢性低度炎症、氧化应激、线粒体功能障碍及多个信号通路的紊乱相关。心血管疾病是全球死亡的主要原因，每年导致约1790万人死亡，占全球死亡总数的32%。因此，开发并验证一种能够准确识别高危人群的胰岛素抵抗指标具有重要的公共卫生意义。

由于金标准测量胰岛素抵抗的方法——高胰岛素血症-等糖耐量钳夹技术（hyperinsulinemic–euglycemic clamp technique）——具有侵入性、耗时且难以在临床实践中常规应用，因此许多替代性胰岛素抵抗指数被提出。麦卡莱指数通过空腹胰岛素和甘油三酯水平计算，而METS-IR则结合了空腹血糖、甘油三酯、高密度脂蛋白胆固醇（HDL-C）和身体质量指数（BMI）等临床和实验室参数，无需胰岛素检测，适合大规模流行病学研究和资源有限的医疗环境。尽管这些指标在临床应用中有诸多优势，但其在预测全因和心血管死亡方面的预后价值尚未完全明确。本研究通过分析来自美国国家健康与营养调查（NHANES）的22,308名具有心血管疾病的参与者数据，探讨了麦卡莱指数和METS-IR与死亡率之间的关系，并结合机器学习和可解释性人工智能技术，评估了这些指标的预测能力。

研究结果显示，在平均9.2年的随访期间，共有3484人死亡，其中1093例为心血管死亡。麦卡莱指数的每单位增加与全因死亡率和心血管死亡率分别降低了9.2%和11.3%。相比之下，METS-IR值的升高则与死亡率增加相关。通过限制性三次样条（RCS）分析，研究人员发现两者与死亡率之间存在显著的U型关系，表明胰岛素抵抗在不同水平上的影响具有非线性特征。此外，研究还评估了九种机器学习算法在预测死亡率方面的表现，其中Cox比例风险模型在全因和心血管死亡预测中分别达到了0.87和0.85的C指数，且时间依赖的AUC值始终高于0.8。这表明，尽管机器学习模型在复杂关系建模方面具有优势，但Cox模型在临床可解释性方面表现出色，能够有效捕捉胰岛素抵抗与死亡率之间的关键联系。

研究还利用SHAP（SHapley Additive exPlanations）分析方法，进一步探讨了麦卡莱指数和METS-IR在预测死亡率中的具体贡献。SHAP分析不仅揭示了这些指标在模型预测中的重要性，还展示了其在个体层面的影响方向。结果显示，METS-IR是全因死亡率的最强预测因子，而麦卡莱指数则在心血管死亡率中发挥了关键作用。这种分析方式为临床决策提供了直观的解释，使复杂的机器学习模型更具可操作性。同时，研究发现，与全因死亡率相比，心血管死亡率更受中心性肥胖（如腰围和腰高比）的影响，这提示在心血管疾病患者中，中心性肥胖可能是更直接的死亡风险因素。

此外，研究还探讨了这些指标在不同临床亚组中的表现。例如，麦卡莱指数和METS-IR的预后价值在老年人群和高血压患者中更为显著。这说明胰岛素抵抗与心血管疾病之间的关系可能因个体特征而异，提示在临床实践中需要结合患者的具体情况来评估风险。研究还发现，尽管传统的风险因素如高血压、糖尿病和高脂血症在死亡率预测中仍然重要，但代谢性指标（如METS-IR）和身体成分指标（如腰围）对风险评估的贡献不容忽视，尤其在识别高危人群方面具有重要价值。

本研究的结果对临床实践和公共卫生策略具有深远意义。首先，麦卡莱指数和METS-IR作为简单且易获取的指标，可以被广泛应用于风险评估，特别是在资源有限的环境中。其次，这些指标的非线性关系提示，临床干预可能需要关注特定的阈值，以有效降低死亡风险。此外，研究还强调了机器学习模型在复杂数据建模中的潜力，同时指出在某些情况下，传统统计模型如Cox比例风险模型可能更为适用，因其在捕捉线性关系和解释模型输出方面具有优势。

尽管本研究具有一定的临床意义，但也存在一些局限性。例如，NHANES的观察性设计无法得出因果关系；胰岛素抵抗指标仅在基线测量，未能反映随时间的变化；以及自述的病史可能存在回忆偏差。因此，未来的研究应进一步验证这些发现，并探索针对胰岛素抵抗和中心性肥胖的干预措施，以确定是否能改善临床结局。同时，应致力于将这些指标转化为简单、易用的临床工具，以促进其在日常医疗实践中的应用。

综上所述，本研究为胰岛素抵抗在心血管疾病患者中的预后价值提供了新的证据，并展示了机器学习在风险评估中的应用潜力。麦卡莱指数和METS-IR作为稳健的独立预测因子，能够有效识别高风险人群，从而为个性化预防策略提供依据。这些指标的整合不仅有助于提高风险分层的准确性，还突显了代谢功能障碍和中心性肥胖在长期预后中的重要性。未来的研究和临床实践应进一步探索这些指标在不同人群中的适用性，并开发更便捷的检测和干预手段，以降低心血管疾病相关死亡率。