IF=10.0权威期刊！累积残余胆固醇暴露与心血管疾病风险的剂量反应关系 | 文献解读

BH141152 朱同学在小黑屋学习中基于中国健康与养老追踪调查数据库（CHARLS）发表了聚焦 “累积残余胆固醇暴露与心血管疾病风险的剂量反应关系” 的顶刊文章！今天我们来一起解读学习一下！

科研内卷时代，我们如何做得更好？

扫描上方二维码加入小黑屋

(或"临床科学家"公众号后台回复25）

JIE-COTS原则解读文献

X 暴露：残余胆固醇的多个维度（1. 残余胆固醇基线水平；2. 残余胆固醇动态变化；3. 累积残余胆固醇；4. 残余胆固醇变化量）

Y 结局：新发心血管疾病

Z 协变量：年龄； 性别； 婚姻状况；教育水平； 吸烟状态；饮酒状态；高血压；降脂治疗；超敏C反应蛋白；低密度脂蛋白胆固醇；甘油三酯；残余胆固醇基线水平；低密度脂蛋白胆固醇变化量

S 研究设计：基于中国健康与养老追踪调查（CHARLS）全国性前瞻性队列研究

N 样本量：3866

P 人群：无基线心血管疾病，且具有基线（2012年）和随访期（2015年）残余胆固醇检测数据中国中老年人

F 曲线拟合：无

I 交互作用：无

S 亚组分析：有

M 模型比较:有

摘要

研究背景

残余胆固醇（RC）已被证实是心血管疾病（CVD）的可改变风险因素，但现有研究多聚焦于 RC 基线水平，对随访期间 RC 的长期动态变化与新发 CVD 之间的关联探索不足。

在临床实践中，RC 的变化可能更能反映患者的健康状态波动，因此明确这种动态关联对 CVD 的风险评估与预防具有重要意义，这一研究缺口成为本研究的核心出发点。

研究设计

该研究以中国 28 省中老年人群为研究对象，经多阶段系统随机抽样确定人群后采用分队列设计：

Cohort1（n=8063）用于分析基线残余胆固醇（RC）与心血管疾病（CVD）的关联

Cohort2（n=3866）用于分析 RC 动态变化、累积暴露及变化量（ΔRC）与 CVD 的关联

同时排除缺少脂质检测数据、基线已患 CVD 或失访的个体；

暴露指标包含基线 RC、RC 变化模式（4 组）、累积 RC 及 ΔRC；结局为随访期间基于医生诊断自我报告的新发 CVD（心脏病或中风）；

统计分析上，先以描述性统计做组间比较，再用 Cox 比例风险回归模型递进调整混杂因素评估关联，同时以多重填补处理缺失数据、开展 6 类敏感性分析验证结果稳健性，并通过 ROC 曲线、IDI 及 NRI 评估 RC 变化的预测价值。

研究结果

在对 3866 名中老年人（平均年龄 57.50 岁，男性占 46.23%）进行 5.0 年随访后发现：

高基线 RC 水平降至低水平的参与者，CVD 发病风险显著降低（HR=0.71，95% CI 0.54-0.94）；

低基线 RC 水平升至高水平的参与者，其 CVD 风险与持续高 RC 水平者相近（HR=0.85，95% CI 0.68-1.06）；

累积 RC 处于最高三分位的参与者，CVD 发病风险显著升高（HR=1.37，95% CI 1.11-1.69）；

在高基线 RC 参与者中，RC 变化量（ΔRC）处于最低三分位者，CVD 发病风险降低（HR=0.68，95% CI 0.52-0.89）。

研究结论

RC 的纵向升高与 CVD 发病风险增加相关，而 RC 水平降低则与 CVD 风险下降相关。累积 RC 暴露量越高，CVD 风险越高，尤其在高基线 RC 人群中，RC 的降低可显著改善预后。

对 RC 进行监测和管理，有助于优化 CVD 的风险评估与预防策略，但仍需进一步开展基于 RC 直接测量和临床验证结局的研究，以证实相关发现并推广应用。

主要研究结果解读

Fig.2（2012-2015 年血脂变化及 RC 分布特征图）

包含 4 个子图：

A 图展示 TC、LDL-C、HDL-C、RC 的基线与随访期水平变化；

B 图呈现四种 RC 变化模式（稳定高、稳定低、高到低、低到高）的 RC 均值变化；

C、D 图分别为 2012 年和 2015 年 RC 的分布情况。

核心结论：2012-2015 年期间，TC 和 LDL-C 呈下降趋势，HDL-C 和 RC 呈显著升高趋势；四种 RC 变化模式的人群在基线和随访期的 RC 水平差异明确，为后续分组分析 RC 变化与 CVD 风险的关联提供了直观的数据支撑。

Table1（按 RC 变化模式分组的参与者基线特征表）

对比稳定高、高到低、低到高、稳定低四组人群的人口学特征（年龄、性别等）、生活方式（吸烟、饮酒）、病史（高血压、糖尿病等）及生化指标（BMI、hsCRP、血脂等）的分布差异

核心意义：四组人群在性别构成、吸烟饮酒状态、高血压 / 糖尿病患病率、BMI、血脂指标等方面存在显著差异（P<0.001），为后续多因素回归分析中调整混杂因素提供了依据，也提示 RC 变化可能与这些因素存在关联

Table2（RC 变化与 CVD 发病关联表）

采用三个调整模型（模型 1：调整基础混杂因素；模型 2：加调基线 RC；模型 3：加调 LDL-C 变化），分析四种 RC 变化模式相对于 “稳定高 RC 组” 的 CVD 发病风险比（HR）及 95% 置信区间。

核心意义：高到低RC组（HR=0.71）和稳定低 RC 组（HR=0.69）的 CVD 发病风险显著低于稳定高 RC 组；低到高 RC 组风险与稳定高组无显著差异（HR=0.85），且三种调整模型下关联均稳健，证实 RC 降低可降低 CVD 风险。

Table3（累积 RC 与 CVD 发病关联表）

按累积RC三分位分组，采用三个调整模型分析其与CVD发病的HR及趋势检验，累积RC计算方式为(RC₂₀₁₂+RC₂₀₁₅)/2×随访时间。

核心意义：

累积 RC 最高三分位组的 CVD 发病风险显著高于最低三分位组（HR=1.37），中三分位组风险也显著升高（HR=1.29），且存在显著的剂量 - 反应关系（P 趋势 = 0.004），调整后关联仍稳健，说明长期累积高 RC 暴露会增加 CVD 风险。

Table4（ΔRC 与 CVD 发病关联表）

按 ΔRC（RC₂₀₁₅-RC₂₀₁₂）三分位分组，分全体参与者、高基线 RC 亚组、低基线 RC 亚组，采用三个调整模型分析 HR 及趋势检验。

核心意义：全体参与者中 ΔRC 最低三分位组 CVD 风险有降低趋势；高基线 RC 亚组中，ΔRC 越低，CVD 风险越低（最低三分位 HR=0.68），且存在显著剂量 - 反应关系（P 趋势 = 0.005）；低基线 RC 亚组中无显著关联，提示 ΔRC 对 CVD 风险的影响在高基线 RC 人群中更明显。

Fig.3（RC 变化对 5 年 CVD 风险预测的 ROC 曲线）

对比两个模型（模型 1：调整人口学、生活方式、临床指标及 LDL-C 变化；模型 2：调整上述因素及 TG 变化）在纳入与不纳入 RC 变化时的 ROC 曲线，计算 AUROC、C 统计量等指标。

核心意义：纳入 RC 变化后，两个模型的 5 年 CVD 风险预测效能均有显著提升（AUROC 从 0.61 升至 0.63），且 C 统计量、整合鉴别改善值（IDI）、净重新分类改善值（NRI）均满足统计学意义，证实 RC 变化对 CVD 风险预测具有增量价值。

研究小结

本研究为基于中国健康与养老追踪调查（CHARLS）的全国性前瞻性队列研究，以 3866 名无基线心血管疾病（CVD）的中老年人为对象，随访 5 年，重点分析残余胆固醇（RC）的基线水平、动态变化模式、累积暴露量及绝对变化量与新发 CVD 的关联。

结果显示，RC 纵向升高、累积高暴露会增加 CVD 风险，高基线 RC 降至低水平可显著降低风险，且 RC 变化对 5 年 CVD 风险预测具有增量价值。

临床应用

优化 CVD 风险分层与监测，建议常规监测中老年人 RC 动态变化，尤其针对高基线 RC 及合并代谢问题的人群；

明确 RC 为可改变的干预靶点，可通过生活方式调整或降脂药物干预，适用于 LDL-C 控制良好仍有残余风险者；

将 RC 变化纳入风险预测模型，提升 CVD 预测准确性；

指导重点人群（代谢综合征组分、高炎症标志物者）优先开展 RC 筛查，助力早期预防。

局限性

RC 采用间接计算方式，可能存在测量偏差；

观察性研究设计难以完全排除残余混杂，无法确立因果关系；

血样仅采集两次，难以精准捕捉 RC 动态波动，结局依赖自我报告，可能存在偏倚；

研究人群仅为中国中老年人，外推性有限，且缺乏 RC 干预相关的最优目标值、时机及方案证据。

临床科学家

课程总安排