导语：当一位中年患者血糖、血脂、血压均仅轻度异常，却突发心梗——我们现有的风险评估工具，是否漏掉了某个隐匿的代谢枢纽?
代谢-心肾综合征早期风险分层工具匮乏，
十二种胰岛素抵抗替代指标预测价值亟待系统比较
近年来，美国心脏协会提出的Cardiovascular-Kidney-Metabolic(CKM)综合征框架将代谢异常、慢性肾脏病与心血管疾病置于同一病理生理连续体中加以审视，并明确强调对0-3期人群进行早期筛查与干预的公共卫生意义，因为一旦进展至4期，医疗负担与社会成本将显著增加。
胰岛素抵抗作为连接肥胖、糖脂代谢紊乱、高血压及血管内皮损伤的核心枢纽，其评估手段的优化直接关系到早期风险分层的精准度与干预效果。然而，传统金标准HOMA-IR依赖空腹胰岛素测定，在大型流行病学调查及基层临床场景中应用受限，促使学界相继开发了TyG指数及其衍生复合指标、eGDR、METS-IR、CTI等多种基于常规生化与人体测量数据的替代标记物。
尽管这些指标在一般人群或糖尿病患者中已分别显示出心血管预测价值，但在CKM综合征早期阶段这一特定人群中，究竟何种指标能够更稳健地识别心血管事件高危个体?既往研究多孤立考察单一或少数几种指标，缺乏系统性的头对头比较，更鲜有研究将机器学习模型纳入预测效能评估体系，导致临床医师在选择风险标记物时缺乏高级别循证依据。
2026年Cardiovascular Diabetology杂志发表了一篇题为"Insulin resistance surrogate indices and incident cardiovascular disease across cardiovascular–kidney–metabolic stages 0–3: a prospective cohort study"的文章，回应了上述临床需求。
该研究基于中国健康与退休纵向研究(CHARLS)队列，纳入基线处于CKM 0-3期的5528例成年人，中位随访7.0年，系统比较了12种胰岛素抵抗替代指标对首发心血管事件的预测价值，并采用九种机器学习算法进行预测建模。这一设计填补了CKM早期人群中多指标平行比较的方法学空白，也为代谢-心肾共病的早期精准评估提供了循证支撑。
TyG复合指数与eGDR呈现差异化预测优势，
机器学习解码早期CKM人群心血管风险关键驱动因素
该研究的核心发现揭示了不同胰岛素抵抗替代指标在CKM早期人群中的预测效能存在显著异质性，且这种异质性直接影响了临床对风险标记物的选择策略。在多变量校正Cox模型中，单纯TyG指数及TG/HDL-C比值在进一步校正糖尿病、高血压、高甘油三酯血症及慢性肾病后，与心血管事件的关联不再显著，提示单一脂质或糖代谢参数难以充分捕捉CKM综合征的复合病理负荷，也无法反映中心性肥胖等关键病理生理环节。
相反，整合了人体测量学信息的TyG衍生复合指标表现出更为稳健的正向关联：TyG-WC(HR1.283，95%CI：1.175-1.401)、TyG-CVAI(HR1.263，95%CI：1.158-1.377)、TyG-BMI(HR1.198，95%CI：1.112-1.292)及TyG-WHtR(HR1.237，95%CI：1.130-1.353)在每增加一个标准差时均显著升高心血管风险，且最高四分位数组的风险较最低组高出约80%-90%。
图1 12种胰岛素抵抗替代指标对心血管-肾脏-代谢综合征0-3期个体心血管疾病预测性能
尤为值得关注的是，eGDR作为反映胰岛素敏感性的综合指标展现出截然不同的反向关联模式：每增加一个标准差，心血管事件风险降低33.5%(HR0.665，95%CI：0.580-0.763)，且在受试者工作特征曲线分析中，eGDR的AUC达到0.625，显著高于传统TyG指数的0.554，提示其判别能力在所有替代指标中居于首位，为临床优先选择该指标提供了直接依据。
在增量预测与机器学习层面，该研究进一步验证了上述指标的实际附加价值。将eGDR加入包含人口学及生活方式协变量的基础模型后，曲线下面积(AUC)从0.561提升至0.628(ΔAUC=0.066，P<0.001)，净重新分类改善指数(NRI)为0.371，综合判别改善指数(IDI)为0.026，Brier评分亦从0.1156降至0.1126，表明模型的校准度与区分度同步优化，意味着每百名受试者中可额外识别出相当比例的高危个体。
图2 选定胰岛素抵抗替代指标对心血管事件发病的增量预测价值
TyG-CVAI与TyG-WC同样带来了统计学显著的判别改善，三者联合模型的AUC为0.627，与eGDR单独加入模型的效能相近，提示信息重叠度较高，临床实践中择其一即可实现较好的风险分层增强，无需过度叠加检测负担。研究采用遗传算法进行特征选择，构建了九种机器学习模型，其中循环神经网络(RNN)对首发心血管事件的预测效能最优，AUC达0.681(95%CI：0.643-0.719)。SHAP可解释性分析揭示，TyG-WC对模型输出的正向贡献最大，eGDR呈稳定负向贡献，年龄、收缩压、吸烟状态及高血压等传统危险因素同样占据重要权重，说明在CKM早期阶段，胰岛素抵抗相关指标与血压、生活方式等因素交织构成心血管风险的网络结构，任何单一参数均难以完整刻画这种复杂性。
图3 使用SHAP方法对机器学习模型进行可视化解释
限制性立方样条分析还显示，METS-IR、CTI及eGDR与心血管风险存在显著的非线性关系，提示这些指标可能在特定阈值区间产生风险加速效应，为个体化干预窗口的确定提供了重要线索。
总结
该研究基于大规模前瞻性队列数据，首次在CKM综合征0-3期人群中系统比较了12种胰岛素抵抗替代指标的心血管预测价值，并通过传统统计方法与机器学习模型的双重验证，形成了具有临床转化潜力的核心结论。研究发现，TyG-WC、TyG-CVAI等整合代谢与脂肪分布信息的复合指标与心血管事件风险呈独立正相关，而eGDR作为胰岛素敏感性标记物则表现出反向关联及最优
参考文献
LIM S, LEE SH, ECKEL RH. Revisiting Insulin Resistance in the Pathophysiology of Type 2 Diabetes Mellitus: A Multi-Organ Perspective. Diabetes Metab J. 2026 Jul;50(4):641-665.
ldquo;医学论坛网”发布医学领域研究成果和解读，供专业人员科研参考，不作为诊疗标准，使用需根据具体情况评估。
作者提示：健康医疗分享，仅供参考
(文章中部分图片由AI生成)
导语：当一位中年患者血糖、血脂、血压均仅轻度异常，却突发心梗——我们现有的风险评估工具，是否漏掉了某个隐匿的代谢枢纽?
代谢-心肾综合征早期风险分层工具匮乏，
十二种胰岛素抵抗替代指标预测价值亟待系统比较
近年来，美国心脏协会提出的Cardiovascular-Kidney-Metabolic(CKM)综合征框架将代谢异常、慢性肾脏病与心血管疾病置于同一病理生理连续体中加以审视，并明确强调对0-3期人群进行早期筛查与干预的公共卫生意义，因为一旦进展至4期，医疗负担与社会成本将显著增加。
胰岛素抵抗作为连接肥胖、糖脂代谢紊乱、高血压及血管内皮损伤的核心枢纽，其评估手段的优化直接关系到早期风险分层的精准度与干预效果。然而，传统金标准HOMA-IR依赖空腹胰岛素测定，在大型流行病学调查及基层临床场景中应用受限，促使学界相继开发了TyG指数及其衍生复合指标、eGDR、METS-IR、CTI等多种基于常规生化与人体测量数据的替代标记物。
尽管这些指标在一般人群或糖尿病患者中已分别显示出心血管预测价值，但在CKM综合征早期阶段这一特定人群中，究竟何种指标能够更稳健地识别心血管事件高危个体?既往研究多孤立考察单一或少数几种指标，缺乏系统性的头对头比较，更鲜有研究将机器学习模型纳入预测效能评估体系，导致临床医师在选择风险标记物时缺乏高级别循证依据。
2026年Cardiovascular Diabetology杂志发表了一篇题为"Insulin resistance surrogate indices and incident cardiovascular disease across cardiovascular–kidney–metabolic stages 0–3: a prospective cohort study"的文章，回应了上述临床需求。
该研究基于中国健康与退休纵向研究(CHARLS)队列，纳入基线处于CKM 0-3期的5528例成年人，中位随访7.0年，系统比较了12种胰岛素抵抗替代指标对首发心血管事件的预测价值，并采用九种机器学习算法进行预测建模。这一设计填补了CKM早期人群中多指标平行比较的方法学空白，也为代谢-心肾共病的早期精准评估提供了循证支撑。
TyG复合指数与eGDR呈现差异化预测优势，
机器学习解码早期CKM人群心血管风险关键驱动因素
该研究的核心发现揭示了不同胰岛素抵抗替代指标在CKM早期人群中的预测效能存在显著异质性，且这种异质性直接影响了临床对风险标记物的选择策略。在多变量校正Cox模型中，单纯TyG指数及TG/HDL-C比值在进一步校正糖尿病、高血压、高甘油三酯血症及慢性肾病后，与心血管事件的关联不再显著，提示单一脂质或糖代谢参数难以充分捕捉CKM综合征的复合病理负荷，也无法反映中心性肥胖等关键病理生理环节。
相反，整合了人体测量学信息的TyG衍生复合指标表现出更为稳健的正向关联：TyG-WC(HR1.283，95%CI：1.175-1.401)、TyG-CVAI(HR1.263，95%CI：1.158-1.377)、TyG-BMI(HR1.198，95%CI：1.112-1.292)及TyG-WHtR(HR1.237，95%CI：1.130-1.353)在每增加一个标准差时均显著升高心血管风险，且最高四分位数组的风险较最低组高出约80%-90%。
图1 12种胰岛素抵抗替代指标对心血管-肾脏-代谢综合征0-3期个体心血管疾病预测性能
尤为值得关注的是，eGDR作为反映胰岛素敏感性的综合指标展现出截然不同的反向关联模式：每增加一个标准差，心血管事件风险降低33.5%(HR0.665，95%CI：0.580-0.763)，且在受试者工作特征曲线分析中，eGDR的AUC达到0.625，显著高于传统TyG指数的0.554，提示其判别能力在所有替代指标中居于首位，为临床优先选择该指标提供了直接依据。
在增量预测与机器学习层面，该研究进一步验证了上述指标的实际附加价值。将eGDR加入包含人口学及生活方式协变量的基础模型后，曲线下面积(AUC)从0.561提升至0.628(ΔAUC=0.066，P<0.001)，净重新分类改善指数(NRI)为0.371，综合判别改善指数(IDI)为0.026，Brier评分亦从0.1156降至0.1126，表明模型的校准度与区分度同步优化，意味着每百名受试者中可额外识别出相当比例的高危个体。
图2 选定胰岛素抵抗替代指标对心血管事件发病的增量预测价值
TyG-CVAI与TyG-WC同样带来了统计学显著的判别改善，三者联合模型的AUC为0.627，与eGDR单独加入模型的效能相近，提示信息重叠度较高，临床实践中择其一即可实现较好的风险分层增强，无需过度叠加检测负担。研究采用遗传算法进行特征选择，构建了九种机器学习模型，其中循环神经网络(RNN)对首发心血管事件的预测效能最优，AUC达0.681(95%CI：0.643-0.719)。SHAP可解释性分析揭示，TyG-WC对模型输出的正向贡献最大，eGDR呈稳定负向贡献，年龄、收缩压、吸烟状态及高血压等传统危险因素同样占据重要权重，说明在CKM早期阶段，胰岛素抵抗相关指标与血压、生活方式等因素交织构成心血管风险的网络结构，任何单一参数均难以完整刻画这种复杂性。
图3 使用SHAP方法对机器学习模型进行可视化解释
限制性立方样条分析还显示，METS-IR、CTI及eGDR与心血管风险存在显著的非线性关系，提示这些指标可能在特定阈值区间产生风险加速效应，为个体化干预窗口的确定提供了重要线索。
总结
该研究基于大规模前瞻性队列数据，首次在CKM综合征0-3期人群中系统比较了12种胰岛素抵抗替代指标的心血管预测价值，并通过传统统计方法与机器学习模型的双重验证，形成了具有临床转化潜力的核心结论。研究发现，TyG-WC、TyG-CVAI等整合代谢与脂肪分布信息的复合指标与心血管事件风险呈独立正相关，而eGDR作为胰岛素敏感性标记物则表现出反向关联及最优
参考文献
LIM S, LEE SH, ECKEL RH. Revisiting Insulin Resistance in the Pathophysiology of Type 2 Diabetes Mellitus: A Multi-Organ Perspective. Diabetes Metab J. 2026 Jul;50(4):641-665.
ldquo;医学论坛网”发布医学领域研究成果和解读，供专业人员科研参考，不作为诊疗标准，使用需根据具体情况评估。
作者提示：健康医疗分享，仅供参考
(文章中部分图片由AI生成)
