35岁以上人群连续代谢综合征评分及其他肥胖指标与心脏代谢性共病关系

共病通常指为两种或两种以上慢性病并存的状态，是全球日益关注的公共卫生问题［1］。心脏代谢性共病（cardiometabolic multimorbidity，CMM）定义为2型糖尿病、卒中和缺血性心脏病中1种以上共存的慢性病共病，其疾病模式稳定、危害程度较高，是常见的严重慢性病共病之一［2-3］。

代谢综合征（metabolic syndrome，MetS）已被证实可以直接促进动脉粥样硬化性心血管疾病的发生，并增加2型糖尿病的患病风险。连续代谢综合征评分（Continuous Metabolic Syndrome Score，cMetS）是基于5种代谢功能指标［腰围（WC）、三酰甘油（TG）、高密度脂蛋白胆固醇（HDL-C）、平均动脉压（MAP）和空腹血糖（FPG）］进行权重计算而开发出的一个适用于中国人群的评分系统［4］，以便更好地识别心血管疾病风险。与此同时，有研究表明肥胖使人群更容易患上心脏代谢性疾病，甚至会导致CMM的出现［5］。近年来，一些新型的肥胖指标，例如腰高比（waist-to-height ratio，WHtR）、腰高比0.5（waist divided by height 0.5，WHT.5R）、身体圆度指数（body roundness index，BRI）等被相继提出。但目前尚缺乏cMetS和肥胖指标与CMM的相关性及其对CMM预测价值的研究。本研究旨在于探究cMetS是否可作为早期筛查CMM的有效指标，同时与其他已验证的体脂评价指标进行比较，以确定不同指标筛查不同性别人群CMM患病的有效性。通过控制相关指标，降低人群CMM患病风险。

1　对象与方法

1.1　研究对象

纳入2017—2021年安徽省心血管疾病高危人群早期筛查与综合干预项目人群为研究对象，该项目对安徽省12个县市的社区体检居民进行调研，共选择了131 390份数据。纳入标准：研究对象年龄35~75岁，在筛查前至少在该地区居住了6个月。排除标准：（1）身高（BH）、体质量、WC、吸烟、饮酒、婚姻情况、总胆固醇（TC）、TG和HDL-C资料存在缺失；（2）患有恶性肿瘤。本项目坚持知情同意和自愿参与原则，所有研究对象签署书面知情同意书。本研究已获得安徽医科大学附属宿州医院伦理委员会批准（A2022033）。

1.2　研究方法

1.2.1　一般资料：研究对象均由经过培训的医护人员进行人口学信息收集、体格检查以及实验室生化指标检查。人口学信息收集包括研究对象的性别、年龄、心血管疾病史、用药状况以及吸烟、饮酒史等。体格检查包括血压、BH、体质量以及WC的测量。实验室生化指标检查包括FPG、TC、TG、HDL-C以及低密度脂蛋白胆固醇（LDL-C）等。在禁食一夜后，研究对象清晨抽取6 mL空腹静脉血进行血生化检测，并留取10 mL中段尿液进行尿常规检测。

1.2.2　相关指标计算方法：WHtR=WC（cm）/BH（cm）；WHT.5R=WC（cm）/BH0.5（cm）；cMetS=-3.143 6+0.025 8×WC+0.361×TG-0.934 8×HDL-C+0.122 4×MAP+0.122 4×FPG；BRI=364.2-365.5×［1-（WC/2π）2/（0.5×BH）2］0.5。

1.2.3　相关定义与分组：CMM定义为2型糖尿病、卒中和缺血性心脏病中的1种以上同时共存［2］。将不同性别的患者按照是否为CMM分为CMM组（男779例，女866例）和非CMM组（男53 020例，女76 725例）。

1.3　统计学方法

采用SPSS 27.0统计学软件进行数据分析，符合正态分布的计量资料以（x±s）表示，两组间比较采用独立样本t检验；不符合正态分布的计量资料以M（P25，P75）表示，两组间比较采用秩和检验；计数资料采用［例（%）］表示，组间比较采用χ2检验。采用Bonferroni法比较不同性别不同年龄段人群CMM患病率的差异。采用多因素Logistic逐步回归分析探究CMM的影响因素。绘制cMetS和肥胖指标预测CMM的受试者工作特征曲线（ROC曲线）并计算ROC曲线下面积（AUC），使用成对样本检验评估不同指标在预测CMM状态中的价值差异性。以P<0.05为差异有统计学意义。

2　结果

2.1　基线特征

男性群体中CMM组年龄、BMI、WC、MAP、FPG、TG、糖尿病、缺血性心脏病、卒中、WHtR、WHT.5R、BRI、cMetS高于非CMM组，吸烟比例、饮酒比例、TC、HDL-C低于非CMM组，差异有统计学意义（P<0.05）。女性群体中CMM组年龄、BMI、WC、MAP、FPG、糖尿病、缺血性心脏病、卒中、WHtR、WHT.5R、BRI、cMetS高于非CMM组，TC、HDL-C低于非CMM组，差异有统计学意义（P<0.05）；两组吸烟比例、饮酒比例、TG比较，差异无统计学意义（P>0.05），见表1。

对不同性别不同年龄段人群CMM患病情况进行比较，男性和女性CMM患者年龄分布比较，差异无统计学意义（χ2=4.255，P=0.373）。分别对不同年龄段患者CMM患病率采用Bonferroni法进行比较，结果显示男性、女性患者不同年龄段CMM患病率不同（男性：χ2=218.36，P<0.001；女性：χ2=476.07，P<0.001），见表2。

2.2　男性与女性人群CMM患病风险的多因素Logistic逐步回归分析

以是否患CMM为因变量（否=0，是=1），以不同指标四分位间距分组［男性cMetS：Q1（-2.323~-0.222分，n=13 450），Q2（-0.223~0.298分，n=13 450），Q3（0.299~0.842分，n=13 450），Q4=（0.843~5.028分，n=13 449），女性cMetS：Q1（-2.235~-0.393分，n=19 398），Q2（-0.393~0.105分，n=19 399），Q3（0.106~0.623分，n=19 397），Q4=（0.624~4.569分，n=19 397）；男性WHtR：Q1（0.298~0.479，n=13 454），Q2（0.480~0.515，n=13 478），Q3（0.516~0.551，n=13 485），Q4=（0.552~0.851，n=13 382），女性WHtR：Q1（0.333~0.490，n=19 487），Q2（0.491~0.529，n=19 317），Q3（0.530~0.571，n=19 448），Q4=（0.572~1.000，n=19 339）；男性WHT.5R：Q1（3.937~6.181，n=13 441），Q2（6.182~6.635，n=13 539），Q3（6.654~7.098，n=13 453），Q4=（7.099~10.916，n=13 366），女性WHT.5R：Q1（4.164~6.144，n=19 445），Q2（6.145~6.598，n=19 399），Q3（6.599~7.114，n=19 368），Q4=（7.115~12.166，n=19 379）；男性BRI：Q1（0.846~3.481，n=13 454），Q2（3.482~4.130，n=13 478），Q3（4.131~4.856，n=13 485），Q4=（4.857~12.846，n=13 382），女性BRI：Q1（1.260~3.675，n=19 487），Q2（3.676~4.405，n=19 317），Q3（4.406~5.289，n=19 448），Q4=（5.290~18.185，n=19 339）；男性BMI：Q1（13.888~22.267 kg/m2，n=13 450），Q2（22.268~24.221 kg/m2，n=13 079），Q3（24.222~26.398 kg/m2，n=13 845），Q4=（26.399~45.367 kg/m2，n=13 425），女性BMI：Q1（12.891~22.222 kg/m2，n=19 281），Q2（22.223~24.243 kg/m2，n=19 484），Q3（24.244~26.639 kg/m2，n=19 346），Q4=（26.640~50.599 kg/m2，n=19 480）］为自变量进行多因素Logistic逐步回归分析，其中模型1并未调整混杂因素，模型2调整了年龄，模型3调整了年龄、吸烟、饮酒、TC、HDL-C、TG。结果显示模型3中cMetS、WHtR、WHT.5R、BRI、BMI升高是男性人群及女性人群CMM患病的危险因素（P<0.05），见表3~4。

2.3　cMetS、WHtR、WHT.5R、BRI、BMI对CMM患病的诊断价值

绘制cMetS、WHtR、WHT.5R、BRI、BMI诊断CMM患病的ROC曲线，结果显示：男性群体中cMetS诊断CMM的AUC高于WHtR（Z=6.16，P<0.001）、BRI（Z=6.16，P<0.001）、WHT.5R（Z=7.21，P<0.001）、BMI（Z=9.36，P<0.001）；女性群体中cMetS诊断CMM的AUC高于WHtR（Z=5.71，P<0.001）、BRI（Z=5.71，P<0.001）、WHT.5R（Z=6.92，P<0.001）、BMI（Z=9.98，P<0.001），见表5、图1。

3　讨论

本研究选取了安徽省心血管疾病高危人群项目中年龄35~75岁的131 390例中老年居民作为研究对象，探讨了cMetS和WHtR、WHT.5R、BRI、BMI等肥胖指标与CMM之间的关系。研究结果表明，这些指标均与人群CMM患病显著相关，其中cMetS相关性最为明显。同时，在诊断CMM价值方面，cMetS较其他肥胖指标更为优秀，且具有显著差异。

根据一项2019年的流行病学调查显示，心血管疾病是我国的主要死亡原因［6］。一种代谢疾病的发展会明显增加患另一种代谢疾病的风险。糖尿病患者患心脏病或脑卒中的风险约为非糖尿病成人的2倍［7］。慢性病共病对人体的损害常存在累计效应，且显著影响患者的生活质量及预期寿命［8］。CMM与死亡风险的相关性远高于单独某一代谢性疾病。60岁以上人群患有1种代谢性疾病时，预期寿命会缩短6~10年，而CMM人群的预期寿命缩短了15年［9］。本研究结果显示，<40岁人群CMM患病率较低，50~59岁人群CMM患病率显著增加，60岁以上人群CMM患病率更高，提示临床医生需要在50~59岁年龄段人群中重点控制和预防CMM，对不同年龄段人群需要采取针对性的预防和控制措施。本研究CMM患病率为1.2%（1 645/133 178），与另一项针对我国45岁以上居民研究的1.9%相似［10］，低于加拿大50岁以上人群的3.5%［11］。虽然本研究患病率目前较低，但随着人口老龄化的发展，这一比例可能将持续上升。

患有MetS的人群属于心脑血管疾病高危人群，同时罹患2型糖尿病的风险也明显增加［12］。cMetS作为可以连续量化的指标，其在预测心血管疾病和死亡率方面优于传统的MetS指标［13］。此外，如果所有MetS指标升高接近临界值且无症状，临床上也难以得到诊断与治疗。通过cMetS可以识别患有更高心血管疾病风险的人群，并且能够进一步干预，降低cMetS，从而降低患病风险。DEBOER等［14］的研究表明，cMetS的变化反映了疾病风险的变化，且cMetS的下降会激励患者，使其对疾病管理更有信心。相对于传统MetS指标，cMetS不仅表明患者存在代谢紊乱，还能提示患者的代谢紊乱程度。

研究表明，cMetS能够有效预测冠心病的风险［15］。此外，与心血管疾病风险评分比较，cMetS与2型糖尿病的相关性更强，能识别出最高合并心脏代谢疾病风险的患者［16］。cMetS还可以预测2型糖尿病的进展风险［17］。关于缺血性卒中，有研究显示，在无糖尿病的情况下，缺血性卒中的患病风险随着cMetS的增加而上升［18］。本研究结果显示，cMetS对CMM的诊断价值较WHtR、WHT.5R、BRI、BMI更好，可能因为cMetS是基于传统的MetS成分开发，TG、HDL-C和WC的权重更高，而且这些因素的权重更为重要。TG和HDL-C被认为是MetS诊断中胰岛素抵抗的代替指标，而WC则可以反映内脏器官中过多脂肪的积聚。这表明在CMM的发展过程中，胰岛素抵抗和脂质蓄积可能同时发挥重要作用。

肥胖是心血管疾病的高危风险因素。据研究表明，CMM的风险随着BMI的增加而增加，与BMI正常人群相比，超重人群和肥胖人群CMM患病风险明显升高［19］。WHtR、WHT.5R、BRI等作为易于获得的新型肥胖指标，常更能预测肥胖的风险。本研究证实，这些肥胖指标均与CMM相关。其中，WHtR、WHT.5R和BRI对CMM的诊断能力均优于BMI，与既往研究相符［20］。此外，WHtR和BRI对CMM的诊断价值相同。针对广东省人群的一项研究中，这两项指标的预测价值也完全相同（AUC均为0.679）［21］。另外一项针对哥伦比亚老年人的研究中，WHtR和BRI是预测终点事件最准确的指标（AUC为0.77）［22］。这些研究指标的预测价值较本研究更高，可能是因为其终点事件为心脏代谢风险指数>2.00。由于WHtR和BRI均为基于腰围和BH的比值进行计算，这可能是两者对CMM预测价值相同的原因。但WHtR仅需要简单的计算即可获得，而BRI的计算则稍显复杂。因此，在预测CMM时，WHtR是更易于获得且准确的肥胖指标。

然而，本研究存在一定的局限性。首先，本研究采用的横断面研究，无法确定cMetS和肥胖指标与CMM之间的因果关系，需要进行更多的前瞻性队列研究来进一步确定。其次，由于数据收集的限制，本研究未纳入饮食模式、睡眠、体育锻炼等相关指标进行调整，这可能导致混杂因素的存在，从而影响研究结果。最后，本研究样本仅限于安徽省人群，可能存在选择性偏倚，因此需要在全国范围内进行多中心研究进行验证。

4　小结

综上所述，cMetS较WHtR、WHT.5R、BRI、BMI等肥胖指标更适合作为诊断CMM的有效预测指标。同时应该重视50~59岁年龄段的高危人群，以避免未来发生CMM。对于60岁以上的人群应采取早期干预措施，进一步减少CMM的发生。cMets有望成为识别CMM高危人群的早期标志，从而促进预防医学和慢性病共病的预防与管理。

参考文献略

引用本文：韩正，王为强，潘姚佳，等. 35岁以上人群连续代谢综合征评分及其他肥胖指标与心脏代谢性共病关系：基于安徽省的横断面研究［J］. 中国全科医学，2024，27（27）：3344-3350，3358. DOI：10.12114/j.issn.1007-9572.2024.0018.