刘师伟教授团队双研究亮相EASD：机器学习+累积TyG-CVAI，精准锁定CKM高危人群

*仅供医学专业人士阅读参考

两项大型队列研究分别利用机器学习模型和累积TyG-CVAI指数，为心血管-肾脏-代谢多病共存及心血管代谢多病共存的早期风险分层提供了新工具。

作者：医学界报道组
审核：刘师伟教授

心血管-肾脏-代谢（CKM）多病共存正成为老龄化社会面临的重大健康挑战。高血压、糖尿病、心脏病、慢性肾脏病等疾病常相互交织、互为因果，患者死亡率显著高于单一疾病。然而，传统单时间点肥胖指标和常规临床评估对这类多病共存的预测能力有限，如何早期识别高危人群、提前干预，是临床亟待解决的问题。

在第62届欧洲糖尿病研究协会（EASD）2026年会上，深圳市第二人民医院（深圳大学第一附属医院）刘师伟教授团队发布了2项基于大型队列的研究成果。研究利用机器学习（ML）技术，分别开发了预测中国超重/肥胖人群CKM多病共存的模型，并系统评估累积整合内脏肥胖和胰岛素抵抗指数（TyG-CVAI）对心血管代谢多病共存（CMM）的预测价值，为早期风险分层和精准干预提供了新工具。以下为两项研究的具体介绍。

刘师伟教授现场报告图

1、 ML模型预测中国超重/肥胖成人CKM多病共存（SO 051，651）

背景与目的：

CKM综合征是一种多系统疾病，具有共同的病理生理机制。超重/肥胖人群是CKM多病共存的高风险群体，但专门针对这一结局的预测工具仍不完善。本研究旨在开发和验证ML模型，以预测中国超重/肥胖成年人发生CKM多病共存的风险。

材料与方法：

本研究纳入中国健康与养老追踪调查（CHARLS）的4244名超重/肥胖[体质指数（BMI）≥24 kg/m²]且基线（2015年）未发生CKM多病共存的参与者。在3年随访（2018年）中，CKM多病共存定义为至少同时存在2类疾病（心血管、肾脏、代谢）。采用两阶段特征选择方法，即通过结合LASSO回归与自助法稳定性分析（出现率阈值90%），从58个候选变量中筛选预测因子，这些变量涵盖社会人口学、生活方式、心理、临床及环境等领域。比较7种ML算法，并通过曲线下面积（AUC）、校准、Brier评分、决策曲线分析及SHAP解释评估其性能。

结果：

随访期间，648名参与者（15.4%）发展为CKM多病共存。最终筛选出9个预测因子：年龄、抑郁、疼痛、健康预期、体重变化、血脂异常、高血压、心脏病和肾脏疾病。人工神经网络（ANN）和logistic回归表现出最佳区分度（AUC分别为0.758，95% CI 0.720~0.791和0.757，95% CI 0.718~0.790）和校准度（Brier评分分别为0.113和0.114）。SHAP分析显示，高血压、血脂异常和抑郁是CKM多病共存风险的主要贡献因素。与体重稳定者相比，体重增加或减轻模式均与风险升高相关。本研究开发了一个动态列线图以实现个体化风险预测。

结论：

ML模型，尤其是ANN和logistic回归，能够有效预测中国超重/肥胖成年人CKM多病共存的风险。抑郁、疼痛和体重变化模式在传统心血管代谢因素之外的重要作用，强调了整体风险评估的重要性，并为早期干预提供了可干预的靶点。

2、 累积TyG-CVAI指数：优于传统肥胖指标的CMM预测新指标（SO 051，652）

背景与目的：

CMM——即高血压、糖尿病、心脏病和中风中至少两种疾病并存——死亡风险是单一疾病的2~5倍，但传统单时间点肥胖指标对其预测能力有限。本研究通过双队列设计，旨在开发并验证一种整合内脏脂肪与胰岛素抵抗的新型累积指数TyG-CVAI，用于CMM预测，并通过ML进行交叉验证。

材料与方法：

本研究纳入CHARLS（中国，发现队列）的4397名参与者和ELSA（英国，验证队列）的1195名参与者。所有参与者年龄≥45岁，基线均未患CMM。计算10种肥胖指标的累积暴露，即3~4年时间加权平均值。将甘油三酯-葡萄糖指数（TyG）与中国内脏肥胖指数（CVAI）相乘，构建累积TyG-CVAI指数。采用logistic/Cox回归、限制性立方样条（RCS）、中介分析及加权分位数和（WQS）回归评估关联性。在特征统一后比较7种ML算法，分别进行内部（CHARLS 80/20划分）和外部（ELSA）验证，并使用SHAP增强模型可解释性。

结果：

随访期间，CHARLS中有642人（14.6%）发展为CMM。累积TyG-CVAI与CMM的关联最强[每增加1个标准差，比值比（OR）为1.49（95% CI 1.35~1.64）；风险比（HR）1.42（95% CI 1.30~1.54）]，预测区分度最高（AUC 0.653），且显著优于所有10种传统肥胖指标（DeLong检验 P<0.05）。在ELSA中，累积TyG-CVAI的AUC同样为0.659，而CVAI为0.652，VAI为0.610。RCS提示剂量反应关系呈线性（非线性检验P>0.05）。轨迹分析显示，TyG-CVAI持续高值的参与者（聚类3）CMM风险几乎是低值组（聚类1）的三倍[OR 2.90（95% CI 2.22~3.81）]。中介分析显示，TyG解释了CVAI效应的15.8~17.6%。WQS分析确定腰围（44.0%）和空腹血糖（30.9%）为主要贡献因素。结合累积TyG-CVAI的ML模型表现出稳健的区分能力（内部验证AUC：XGBoost和LR均为0.73；外部验证AUC：XGBoost为0.67，LR为0.70），且校准度良好。SHAP分析证实累积TyG-CVAI是驱动个体风险的最重要预测因子。敏感性分析（去除极端值、无插补、倾向性评分匹配）验证了结果的稳健性（AUC 0.649~0.651；PSM OR=1.85，95% CI 1.70~2.10）。

结论：

累积TyG-CVAI是CMM的更优预测指标，能够捕捉内脏脂肪与胰岛素抵抗的长期协同作用。该易于计算的指数可用于老龄化人群的早期风险分层，并在两个独立队列及ML验证中持续优于传统指标。

专家点评：

这两项研究紧扣CKM/CMM共病早期防控的关键痛点，具有鲜明的临床转化导向。第一项基于CHARLS超重/肥胖人群，采用两阶段特征选择与7种机器学习算法，最终ANN和logistic回归表现最佳，AUC约0.76，并揭示抑郁、疼痛、体重变化等非传统因素的重要作用。这提示CKM风险筛查不能只盯血糖、血脂、血压，还要关注心理状态与体重轨迹。

第二项研究构建累积TyG-CVAI指数，整合内脏肥胖与胰岛素抵抗的长期协同效应，在CHARLS和ELSA双队列中优于10种传统肥胖指标；高轨迹组CMM风险接近低值组3倍，ML验证也较稳健。其最大价值在于把复杂共病风险转化为一个易计算、可动态追踪的指标。

两项研究形成互补：机器学习回答“谁有风险”，累积TyG-CVAI回答“风险如何累积”。当然，作为观察性研究，随访3-4年、AUC中等、外部验证样本有限，因果推断与干预获益仍需前瞻性试验验证。未来应推动多中心、真实临床场景落地，并探索嵌入电子病历与随访决策。

结语

两项研究共同提示，CKM多病共存的风险并非单一因素在某一时点的结果，而是多重危险因素长期累积、交互作用的产物。ML模型与累积TyG-CVAI指数分别从“识别谁有风险”和“风险如何累积”两个层面，为早期预警提供了互补工具。前者拓展了传统危险因素之外的评估维度，后者则将内脏肥胖与胰岛素抵抗的长期协同效应量化，二者共同推动共病预测从静态判断走向动态追踪。

展望未来，相关工具仍需在更广泛人群和真实临床场景中进一步验证，并逐步融入风险筛查、分层管理与随访决策。从精准预测走向精准预防，从单次评估走向全程管理，有望为CKM多病共存的早期防控提供更实用的路径，也期待中国团队持续贡献高质量证据。

专家简介

刘师伟 教授

• 主任医师、博士生导师，博士后合作导师

• 深圳市第二人民医院（深圳大学第一附属医院）内分泌科主任

• 内分泌代谢病山西省重点实验室主任

• 山西省内分泌代谢疾病基础与转化工程研究中心主任

• 山西省内分泌代谢性疾病临床医学研究中心主任

• 中华医学会糖尿病学分会委员会常委

• 中华医学会糖尿病学分会肥胖与糖尿病学组组长

• 中华医学会医学伦理学分会委员会委员

• 中国研究型医院学会糖尿病学专业委员会常委

• 中国医师协会内分泌代谢医师分会委员

• 山西省医师协会糖尿病学专业委员会主任委员

• 山西省预防医学会体重管理专业委员会主任委员

• 山西省健康协会内分泌专业委员会主任委员

责编 | 柏柏

*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。