ARTICLE · 1357745
公开库发文模板|IF15.6!九江一院:Cox+K-means+RCS 拆解 CKM 纵向进展
点击蓝字
关注我们
PART 01
实操笔记
TyG 和 FI 相乘得到复合指标，会不会推着 CKM 进展风险一路走高？ 这套针对复合暴露指标的多维分析框架，可直接复用在其他纵向数据库课题里！
本篇来自九江市第一人民医院团队，成果发表在心血管代谢领域一区期刊《Cardiovascular Diabetology》，IF=15.6。 研究依托 CHARLS 中国老年纵向队列，聚焦 TyG-FI 复合指标：从基线水平、累积暴露、两波次变化模式三个维度，分析它和 CKM 综合征从 0–2 期进展至 3–4 期、以及进展到 4 期的关联。
论文原题：Associations of baseline levels, cumulative exposure, and two-wave patterns of the combined triglyceride-glucose index and frailty index with progression from cardiovascular-kidney-metabolic syndrome stages 0-2 to stages 3-4 and stage 4: a prospective cohort study from CHARLS
研究把代谢 - 衰弱复合指标引入心血管 - 肾脏 - 代谢综合征（CKM）分期进展分析，同时从三个维度开展评估：基线水平、双时间点累积暴露、K-means 动态分型，分别探究复合指标与 CKM 进展到 3–4 期、单独进展到 4 期之间的关联。和以往只看单一指标、单一时点的研究相比，这项工作的创新点在于，揭示了不同暴露表征和疾病进展之间存在关联异质性，但研究暂未验证该指标具备增量预测价值。
中文标题：甘油三酯-葡萄糖指数与衰弱指数复合指标的基线水平、累积暴露及双时间点变化模式与心血管-肾脏-代谢综合征由 0-2 期进展至 3-4 期及 4 期的关联：一项基于 CHARLS 的前瞻性队列研究
DOI：10.1186/s12933-026-03411-w
研究设计
数据来源：中国健康与养老追踪调查（CHARLS），一项针对国内 45 岁及以上社区人群的全国纵向队列。
纳入、排除标准：研究纳入基线 CKM 为 0–2 期，同时在 Wave1、Wave3 有完整暴露与结局信息的受试者。
初始样本 17708 人，逐层筛选：先剔除基线 CKM 分期缺失、或是已经处于 3–4 期的 11633 人；再去掉 Wave3 分期信息缺失的 2034 人；最后剔除 TyG、FI 关键指标缺失，以及任意时间点 FI 等于 0 的 568 人。最终分析样本为 3473 人；协变量存在单项缺失不会直接剔除受试者。
图1 中国健康与养老追踪调查研究对象筛选流程图
研究方法：使用 Cox 比例风险模型分析基线 TyG-FI 和 CKM 进展的关联；采用 Logistic 回归评估累积暴露、双时间点分型和结局的关系。借助 K-means 聚类划分出 3 种指标动态变化模式，搭配限制性立方样条、两阶段线性回归，检验关联的非线性特征与拐点。研究还做了亚组交互分析、ROC 曲线、决策曲线分析和内部 K 折交叉验证；同时采用多重插补处理协变量缺失，通过多套调整模型验证结论稳健性。
研究结果
1.基线及累积 TyG-FI 与 CKM 进展的关联
基线 CKM 0–2 期的 3473 名受试者里，共有 319 人进展至 4 期，975 人进展到 3–4 期。基线 TyG-FI 每升高 1 个 SD，对应两个结局的 HR 分别为 1.33、1.10；累积暴露对应的 OR 则是 1.83、1.42。 累积暴露最高三分位对比最低三分位时，进展至 4 期的 OR 高达 12.40，说明高暴露负担和 CKM 进展到晚期的关联更强，但这个效应大小并不代表预测效能会同步提升。
表2 基线及累积 TyG-FI 与新发 CKM 4 期及 3–4 期的关联
2.双时间点动态分型与 CKM 进展的关联
通过双时间点 K-means 聚类，分别得到 TyG、FI 以及 TyG-FI 的 3 种变化模式。TyG-FI 的第 3 类相比第 1 类，进展至 CKM 4 期、3–4 期的 OR 分别为 5.93、2.30。单独 TyG 分型和进展到 4 期没有统计学关联；FI 第 3 类对应的 OR 为 7.09。这组结果提示，衰弱维度很可能主导了复合指标的关联信号，暂时无法证明 TyG-FI 优于单独 FI。
图2 TyG、FI 及 TyG-FI 双时间点模式的 K-means 聚类及其与 CKM 进展的关联（部分）
表3 双时间点分型与 CKM 进展的关联
3.非线性关联与区分性能
限制性立方样条（RCS）结果显示，基线、累积 TyG-FI 和两个结局之间都存在非线性关联。基线 TyG-FI 预测 CKM 4 期的 AUC 为 0.67，预测 3–4 期 AUC 为 0.57，和 FI 的区分能力接近；累积 TyG-FI 对应的 AUC 是 0.73、0.61，但该指标用到了随访同期的数据。 经过更严格的扩展调整后，基线 TyG-FI 对应 CKM 3–4 期进展的 HR 降到 1.06（95% CI：0.95–1.18），说明这一部分关联结果稳健性不足。
图3 基线及累积 TyG-FI 与 CKM 进展的限制性⽴⽅样条分析
图4 ROC 曲线与决策曲线分析
结果讨论
基线、累积暴露以及双时间点分型的 TyG-FI，都和 CKM 进展存在关联，并且在进展至 4 期这一结局上的关联强度更高。不过基线 TyG-FI 的 AUC 和 FI 差别不大，没能证实它拥有额外的预测价值。随访阶段的暴露指标和结局是同期采集，有可能存在反向因果问题；仅两个时间点的数据，也不足以还原指标完整的动态变化轨迹。本研究属于观察性研究，选择偏倚和残余混杂会限制因果推断，想要落地到临床使用，还需要独立队列进一步验证。
研究思路与拓展
📚选题思路：可以围绕代谢 - 衰弱负担和 CKM 多状态转移开展课题。增加随访时间节点，区分持续高暴露、短期波动和疾病进展，同时在外部人群中做验证。
📊统计方法借鉴：这套 K-means 聚类、RCS 样条、交互检验的组合思路可以直接参考；还能升级加入 landmark 设计、时依 Cox 模型、多状态模型，缺失值插补结果按照 Rubin 规则汇总。
这套组合方案很适合 CHARLS 等公开纵向队列快速构思新课题。
临床研究服务方向
数据库挖掘：CHARLS、NHANES、MIMIC、SEER、UKB、GBD、eICU、GCO、HRS 等公开数据库课题分析研究类型：队列研究、横断面研究、随机对照试验、回顾性研究、预测模型构建等
临床研究全流程指导
临床研究一对一全流程服务：方案设计→数据提取→数据清洗→统计分析→写作指导→初稿评审→语言润色→投稿选刊→返修指导📚我们始终相信，深耕精细化科研服务，助力临床医生稳步推进学术成长！
SUMMER
