摘要：心血管-肾脏-代谢（CKM）综合征通过代谢异常、慢性肾病与心血管疾病（CVD）的复杂交互作用，显著加剧了多器官功能障碍及不良CVD事件风险。

心血管-肾脏-代谢（CKM）综合征通过代谢异常、慢性肾病与心血管疾病（CVD）的复杂交互作用，显著加剧了多器官功能障碍及不良CVD事件风险。

最新研究发现，基于腰围、血压和糖化血红蛋白的胰岛素抵抗（IR）指标——估算葡萄糖处置率（eGDR），在预测CKM患者心血管事件中表现卓越，甚至超越传统指标。

2025年4月16日，安徽医科大学学者用CHARLS数据库，在期刊（医学一区Top，IF=8.5）发表了一篇题为：“Estimated glucose disposal rate outperforms other insulin resistance surrogates in predicting incident cardiovascular diseases in cardiovascular-kidney-metabolic syndrome stages 0-3 and the development of a machine learning prediction model: a nationwide prospective cohort study”的研究论文。

该研究通过全国性前瞻性队列数据，比较eGDR与其他六种IR指标（TyG、TyG-WC、TyG-BMI、TyG-WHR、TG/HDL-C、METS-IR）对CKM综合征患者CVD事件的预测能力。同时，通过七种机器学习模型（如KNN、XGBoost、随机森林等）评估eGDR对预测性能的提升作用。

研究团队使用了中国健康与退休纵向研究（CHARLS）数据库2011~2012年的数据，经过纳排，最终纳入了4,950名年龄≥45岁符合条件的参与者，平均年龄为73.46岁，50.4%为女性。

在2011~2018年的随访期间，697名参与者发生CVD事件，其中486名患有心脏病，263名患有中风。

图1 研究流程

研究结果显示，eGDR在预测CKM综合征0-3期患者发生CVD事件方面优于其他6个IR指数，其与CVD事件发生风险均呈线性负相关。

具体而言，eGDR水平每增加1个单位，CVD、心脏病和中风的风险分别降低 14%、14% 和 19%。

图2 7项IR替代指标对CKM综合征0-3期患者CVD事件的预测价值

表1 多因素Logistic回归分析

√机器学习模型预测CVD事件

研究团队将数据集按照7：3的比例随机分为训练集和测试集，用于模型开发和验证。

同时使用LASSO算法进行特征选择，筛选出高血压和糖尿病等6个关键变量，构建了七个机器学习模型（AdaBoost、KNN等）。

其中，KNN的预测性能最佳。

图3 基于LASSO算法的特征筛选

研究团队进一步将eGDR纳入该模型中，结果显示，结合eGDR的KNN模型在测试集中AUC=0.931。

这意味着，将eGDR纳入预测模型能够显著提高对CKM综合征0-3期患者发生CVD事件的预测性能。

图4 结合eGDR的KNN模型的ROC曲线

综上所述，在CKM综合征0-3期患者中，eGDR展现出对CVD事件的优越预测价值，其与风险呈线性负相关，且通过机器学习模型可显著提升风险分层能力。研究支持将eGDR纳入临床风险评估工具，以早期识别高危个体并指导干预。

来源：郑老师讲统计