当前位置：首页>深圳>一区 10.6 分!深圳大学医学院 CHARLS 研究:从 “静态数据” 到 “动态轨迹”,用三年指标变化预测心脏病风险

一区 10.6 分!深圳大学医学院 CHARLS 研究:从 “静态数据” 到 “动态轨迹”,用三年指标变化预测心脏病风险

2026-04-29 21:43:47

点击蓝字关注我们

导语

一区 10.6 分！CHG 指数全新思路：从单点静态到长期动态，精准预测心血管风险

今天为大家解读一篇3 月 15 日最新发表的高分研究，来自于深圳大学医学部团队，成果刊登于《Cardiovascular Diabetology》（IF=10.6，一区 TOP 期刊）。

该研究最大的创新亮点在于：首次基于全国代表性大型队列数据，将传统CHG 指数从单一的静态单点测量，创新性拓展到累积暴露水平与动态变化轨迹两个维度，系统探究了其与我国中老年人心血管疾病（CVD） 发生风险的关联。

这一设计有效弥补了以往研究普遍忽视代谢指标时变特性的关键不足，为代谢综合指数评估心血管风险提供了全新视角。下面我们一起来拆解这项研究的方法学亮点！

中文标题：中老年人心血管疾病中胆固醇-HDL-葡萄糖（CHG）指数的累计暴露与动态轨迹的关联：纵向分析

发表期刊：Cardiovasc Diabetol

发表时间：2026年3月

影响因子：10.6

研究背景

传统静态评估短板凸显，动态 CHG 指数亟待探索

心血管疾病已然成为全球及我国中老年人群的首要死亡原因，而胰岛素抵抗在疾病发生、发展进程中扮演着至关重要的角色。

CHG 指数作为一项新型复合代谢指标，可同时整合总胆固醇、高密度脂蛋白胆固醇、空腹血糖三项关键指标，近年研究提示其在代谢紊乱评估中具备重要应用价值。

但目前相关研究大多仅依赖单次 CHG 指数检测，忽视了该指标随时间产生的动态波动，以及这种长期变化对CVD 发病风险带来的累积效应，存在明显研究缺口。

研究方法

严谨研究设计：从动态轨迹到累积暴露，多维解析 CHG 与 CVD 风险

🔹 数据筛选：研究依托中国健康与养老追踪调查（CHARLS） 2011–2020 年大规模队列数据，最终纳入6171 名年龄≥45 岁、具备完整 CHG 检测信息、且基线未患有心血管疾病（CVD）的中老年受试者。

🔹 研究方法：采用K-means 聚类分析，精准刻画 2012–2015 年 CHG 指数的动态变化轨迹；通过线性模型估算累积 CHG 指数（cuCHG）；借助Cox 比例风险回归模型，系统探究 cuCHG 及各类 CHG 轨迹与 CVD 发病风险的关联；同时运用限制性立方样条（RCS） 深入分析二者间的剂量 - 反应关系。

▲ 研究样本流程图

关注一下，了解更多前沿知识！

主要结果

1.三大轨迹分型：持续高风险组代谢异常尤为突出

研究通过K-means 聚类分析，将研究对象的 CHG 指数变化划分为三种动态轨迹：

Cluster 1：中度下降组
（n=2904）
Cluster 2：持续高风险组
（n=648）
Cluster 3：稳定低风险组
（n=2619）

其中，持续高风险组人群以女性居多，且多居住在城市，同时在BMI、血压、血糖、血脂等多项关键代谢指标上，表现出更为显著的异常状态。

▲ 基于CHG变化的基线特征（n=6171）

▲ 2012年至2015年CHG变化的聚类分析

2.关键结论：累积 CHG 指数越高，心血管病风险直线上升

多因素Cox 回归分析结果显示：cuCHG 每升高 1 个单位，心血管疾病（CVD）风险显著增加8%（HR=1.08，95%CI: 1.03-1.13）。

与累积 CHG 最低四分位组（Q1）相比，最高四分位组（Q4）的 CVD 风险大幅上升 22%（HR=1.22，95% CI: 1.06-1.40），且趋势性检验具有统计学意义（P for trend <0.05）。

后续限制性立方样条（RCS）分析进一步验证：cuCHG 与 CVD 风险之间呈现明确的线性正相关关系。

▲ cuCHG与心血管疾病发生率之间的RCS曲线

3.高风险轨迹组：心血管病风险显著升高 28%

与 ** 稳定低风险组（Cluster 3）相比，持续高风险组（Cluster 2）的 CVD 风险显著增加28%（HR=1.28，95% CI: 1.10–1.49）；而中度下降组（Cluster 1）** 风险仅轻度升高，差异未达到统计学意义。

▲ 多变量Cox回归中cuCHG、不同CHG群组

与新发心血管疾病风险的关系

4.长期预测表现优异：cuCHG 预测效能稳定可靠

在5 年与9 年心血管疾病（CVD）风险预测中，cuCHG的 AUC 值分别达到0.546和0.547，预测效果略优于基线 CRP 及 TyG 指数。并且随着随访时间不断延长，其风险预测能力表现出良好的稳定性。

▲ 不同CHG维度下的受试者工作特征曲线，

预测5年（A，左）和9年（B，右）时心血管疾病

5.亚组分析验证：cuCHG 与 CVD 风险关联高度一致

在性别、居住地区、饮酒情况、高血压患病状态等多个亚组分析中，cuCHG 与 CVD 风险的正向关联均保持显著，且各组间未发现明显交互作用，充分说明该指标对不同人群均具有良好的普适性。

▲ cuCHG与心血管疾病风险关联的亚组及相互作用分析

▲ 不同CHG和心血管疾病风险变化群组

之间关联的亚组及相互作用分析

文章小结

研究总结 + 选题启示：从方法创新到 SCI 落地指南

该研究依托CHARLS 数据库，首次将 CHG 指数从传统的单次测量，创新性拓展至累积暴露水平与动态轨迹分析两大维度；同时结合K-means 聚类、Cox 回归、RCS、ROC 曲线等多种主流统计方法，成功构建了多维度、多时间点的 CVD 风险评估体系。

研究核心结论明确：CHG 指数的累积暴露水平与持续高风险动态轨迹，均与我国中老年人群 CVD 发病风险呈显著相关，这提示临床实践中，应重点关注 CHG 指数的长期变化趋势，而非单一时间点的单次测量值。

研究参考与启示📚

🔍 选题思路借鉴：可参照本研究 “累积暴露 + 动态轨迹” 的纵向研究范式，探索其他代谢或炎症指标（如 TyG 指数、CRP、血脂比值等）与各类慢性病（如高血压、糖尿病、卒中）的长期关联，易出创新点。
📊 统计方法参考：融合无监督学习（如 K-means 聚类） 识别人群异质性动态轨迹，再联合 Cox 回归、RCS、ROC 曲线进行多模型交叉验证，可有效提升研究的因果推断能力与风险预测可靠性。

对于想要学习挖掘CHARLS 数据库、成功发表一篇 SCI 的同学，强烈推荐【本团队老师一对一全流程教学】👨‍🎓！专业老师全程手把手指导，带您从 0 到 1 完整落地一个创新性选题，掌握核心方法后可举一反三，结课即可投稿，轻松打通 SCI 发表之路～

立即行动，把握CHARLS数据库的发文红利期！

📞 立即联系小编，解锁科研新可能！让我们携手，在学术探索的道路上一路狂飙，共同收获下一个亮眼成果！✨📲💬