文章信息
- 黄妍, 汪子平, 景慧, 滕雨芯, Samuel Chacha, 刘叶舟, 张彬艳, 申远, 李强, 米白冰, 杨姣梅, 颜虹, 党少农.
- Huang Yan, Wang Ziping, Jing Hui, Teng Yuxin, Samuel Chacha, Liu Yezhou, Zhang Binyan, Shen Yuan, Li Qiang, Mi Baibing, Yang Jiaomei, Yan Hong, Dang Shaonong
- 基于西安城市自然人群的甘油三酯葡萄糖乘积指数与系统免疫炎症指数的关联研究
- Study on the relationship between triglyceride glucose index and systemic immune- inflammation index based on natural population in Xi'an
- 中华流行病学杂志, 2023, 44(11): 1762-1768
- Chinese Journal of Epidemiology, 2023, 44(11): 1762-1768
- http://dx.doi.org/10.3760/cma.j.cn112338-20230328-00187
-
文章历史
收稿日期: 2023-03-28
代谢性疾病给患者生活质量带来巨大威胁或损害,增加了社会负担[1]。胰岛素抵抗(IR)是大多数代谢性疾病的主要表现之一,反映了代谢和炎症状态的病理生理过程[2]。炎症可能通过产生促炎细胞因子与特异性巨噬细胞相互作用来促进IR[3],而小鼠实验则发现IR导致促炎巨噬细胞的局部积聚[4],提示IR可能引起脂肪组织的炎症。因此,机体炎症和IR的关系仍需探索。基于炎症细胞的系统免疫炎症指数(SII)被认为可准确反映炎症状态[5]。SII升高意味着机体全身炎症反应增强,免疫功能降低[6],可能与心脑血管疾病发生或恶性肿瘤生存相关[7]。甘油三酯葡萄糖乘积指数(TyG)作为评价IR的简易替代指标,成本低且容易获得[8],调整BMI的TyG-BMI则可提高评价IR的效率[9]。本研究利用中国西北区域自然人群队列中西安市自然人群基线调查数据,评估TyG与SII的关联,为实践中方便快速识别人群IR和炎症的关系提供参考依据。
资料与方法1. 资料来源:数据来自2018-2019年建立的中国西北区域自然人群队列中西安城市人群队列基线调查[10],共纳入13 072名研究对象。调查内容包括人口及社会经济资料、生活方式、环境暴露、疾病史、心理健康状况、女性生育史、体格检查、实验室检测。该队列研究通过西安交通大学医学部生物医学伦理委员会审查(批准文号:XJTU2016-411)。纳入各调查点所属地区常住人口、年龄为20~89岁、无重大疾病、在调查员的指导下能够独立完成问卷填写并签署知情同意书的人员。问卷调查由经过培训的调查员进行面对面访谈。由合作单位专业医生或护士采集调查对象10 ml空腹静脉血样用于各类生物标志物检测。体格检查包括身高、体重、血压、体成分等。身高和体重由体成分测量仪测量(TANITA BC-567)。本研究中排除TyG缺失2名,SII缺失16名,进一步排除1 563名协变量缺失者,其中文化程度缺失168名、婚姻状况缺失192名、饮酒缺失244名、吸烟缺失356名、体育锻炼缺失1 068名,最终纳入11 491名研究对象,其中男性6 094名,女性5 397名。
2. 研究指标及其定义:本研究利用TG、FPG、中性粒细胞、淋巴细胞、血小板计数等生理生化测量指标构建TyG和SII。此外,还包括性别、年龄等协变量。
(1) TyG:反映机体IR水平,计算公式:ln[TG(mg/dl)×FPG(mg/dl)/2][8],其值越高,则IR水平越高。考虑到BMI对TyG的影响,本研究还使用了TyG-BMI,计算公式:TyG×BMI[9]。TyG和TyG-BMI均按其四分位数分为Q1、Q2、Q3、Q4四组,以Q1组作为参照。
(2) SII:反映机体炎症状态,计算公式:中性粒细胞计数(×109/L)×血小板计数(×109/L)/淋巴细胞计数(×109/L)[7],其值越高,则机体炎症越严重。本研究中SII按其中位数分为低SII组和高SII组。
(3) 协变量:影响TyG和机体炎症的因素较多,根据既往文献[11-12],本研究纳入的协变量包括性别、年龄、文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼、糖尿病、高血压和BMI。年龄分为 < 30、30~39、40~49、≥50岁。文化程度分为高中及以下、大专及以上。婚姻状况分为已婚和其他。经济状况由财富指数反映,采用主成分分析法构建[13],构建变量包括本人或家人是否拥有自家楼房/5年内新装修单元房、带抽水马桶的家庭独立卫生间、汽车、摩托车/其他机动车、电脑、互联网、智能手机、是否5年内曾自费外出旅游度假,据这些变量进行主成分分析,结合各主成分贡献率构建财富指数得分,并按其三分位数分为低、中、高。饮酒、吸烟和体育锻炼是根据问卷中相关问题发生的频率来进行分类定义:调查对象过去一年在特定几个月内饮酒、每月都饮酒以及每周都饮酒时定义为有饮酒行为;当调查对象在大部分天数吸烟和每天都吸烟时定义为有吸烟行为;当调查对象每周锻炼1次及以上时定义为有体育锻炼行为。糖尿病和高血压主要由调查对象自报患病情况和/或糖尿病和高血压的诊断标准来定义[FPG≥7 mmol/L,SBP≥140 mmHg(1 mmHg=0.133 kPa)和/或DBP≥90 mmHg]。BMI分组:BMI < 18.5 kg/m2为消瘦,18.5~23.9 kg/m2为正常,24.0~27.9 kg/m2为超重,≥28.0 kg/m2为肥胖[10]。
3. 统计学分析:计数资料采用频数(n)和百分比(%)进行描述,组间比较采用χ2检验;连续资料采用x±s进行描述,组间比较采用t检验。建立3个logistic回归模型来分析TyG/TyG-BMI与高SII之间的关系,估计该风险的OR值及其95%CI,其中TyG/TyG-BMI分别以连续数据和四分类数据建模。模型1调整性别和年龄;模型2在模型1基础上进一步调整文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼;模型3在模型2基础上进一步调整糖尿病、高血压及BMI(TyG-BMI的模型3中不调整BMI)。当TyG/TyG-BMI和SII均作为连续变量时,采用线性回归模型来分析TyG/TyG-BMI与SII之间的关联。采用限制性立方样条图(采用4个节点,分别为P5、P35、P65、P95)探索TyG/TyG-BMI与SII的剂量-反应关系。进一步做敏感性分析:①在未排除协变量缺失者的数据集中,采用多重插补法填补缺失的协变量(文化程度、婚姻状况、饮酒、吸烟和体育锻炼),然后在填补后的数据集中重复上述分析。②本研究中TyG和TyG-BMI为四分类变量,根据预测变量性别、年龄、文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼、糖尿病、高血压、BMI[TyG-BMI的广义倾向性评分(GPS)预测变量中不包括BMI]构建GPS,然后进行GPS调整分析和逆概率加权(IPW)分析[14-15]。③以SII参照值范围的上限作为高低SII的分界点[16],重复相关分析。最后,以各协变量做亚组分析,TyG以连续变量纳入,探讨各亚组中TyG和SII关系的稳定性。采用SPSS 26.0软件和R 4.2.2软件进行统计学分析,双侧检验,检验水准α=0.05。
结果1. 基本特征:本研究纳入11 491名研究对象,与低SII组相比,高SII组表现为女性较多,年龄较小,大专及以上文化程度较多、已婚较少、体育锻炼较少、糖尿病和高血压的患病率较低、BMI较高、TyG和TyG-BMI也较大,差异有统计学意义(均P < 0.05)(表 1)。
2. TyG/TyG-BMI与SII的关系:调整性别、年龄、文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼、糖尿病、高血压、BMI后,TyG作为连续变量时每增加1个单位,高SII的风险增加21%(OR=1.21,95%CI:1.12~1.30),作为分类变量时Q4组发生高SII的风险是Q1组的1.34倍(OR=1.34,95%CI:1.18~1.52);在调整了性别、年龄、文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼、糖尿病、高血压之后,TyG-BMI作为连续变量时每增加1个单位,高SII的风险增加1%(OR=1.01,95%CI:1.00~1.01),作为分类变量时Q4组发生高SII的风险是Q1组的2.07倍(OR=2.07,95%CI:1.83~2.34)。见表 2。
当TyG/TyG-BMI和SII均作为连续变量进行线性回归分析时,调整所有协变量后,TyG每增加1个单位,SII升高11.71(β=11.71,95%CI:4.39~19.03);TyG-BMI每增加1个单位,SII升高0.71(β=0.71,95%CI:0.58~0.84)(表 3)。
3. 不同BMI状态下TyG和SII的关系:在BMI < 18.5 kg/m2和BMI≥28.0 kg/m2的人群中,无论TyG作为连续变量还是分类变量,其与高SII无统计学关联。调整了性别、年龄、文化程度、婚姻状况、财富指数、饮酒、吸烟、体育锻炼、糖尿病、高血压之后,在BMI位于18.5~23.9 kg/m2的人群中,TyG作为连续变量时每增加1个单位,高SII的发生风险增加31%(OR=1.31,95%CI:1.18~1.45),作为分类变量时Q4组发生高SII的风险是Q1组的1.52倍(OR=1.52,95%CI:1.27~1.83);在BMI位于24.0~27.9 kg/m2的人群中,TyG作为连续变量时每增加1个单位,高SII的发生风险增加20%(OR=1.20,95%CI:1.07~1.35),作为分类变量时差异无统计学意义(表 4)。
当SII为连续变量时,采用限制性立方样条图探索TyG/TyG-BMI与SII的剂量-反应关系(图 1)。TyG和TyG-BMI与SII的关联均呈现出显著的非线性剂量-反应关系,P值分别为0.020和 < 0.001,SII随着TyG和TyG-BMI的增加而增加,但是在TyG和TyG-BMI超过7.50和200.00后增加变得平缓了。
4. 敏感性分析:多重插补法填补缺失数据后分析,或GPS调整和IPW分析,以及采用文献报道的SII参考值范围的上限作分界点重复分析,结果基本稳定。见表 5。
5. 亚组分析:亚组分析显示,TyG和高SII的关系较为稳定。见表 6。
讨论本研究结果显示,TyG与SII可能存在关联。敏感性分析进一步证实TyG与SII关联的稳定性。BMI可能调节TyG与SII的关系。在体重正常和超重的人群中,TyG越高,高SII的风险越大,且在正常人群中该联系似乎更为明显,但在消瘦和肥胖的人群中未发现显著关联。
关于IR和炎症标志物之间的关系,目前尚有争议。有研究发现SII和NLR均与IR显著相关[17-18]。同时,C-反应蛋白水平升高与IR有关[19]。但在青少年和年轻人中,IR发展与炎症似乎没有关系[20]。有研究发现炎症标志物与IR指数之间存在线性相关,但在BMI水平最高的青少年中并没有发现这样的关联[21],与本研究结果一致。本研究在大人群中评估TyG与SII的关系,其潜在生物学机制可能是脂肪细胞中的IR导致趋化因子单核细胞趋化蛋白1(Mcp1)的产生,它招募单核细胞并激活促炎巨噬细胞,增加促炎因子[4],从而导致炎症的加重。
本研究结果显示,在BMI正常和超重的人群中观察到IR与炎症正向关联,提示在超重或肥胖前,早期预防IR水平升高对于机体炎症的控制可能具有积极作用。本研究所采用TyG和SII这两种指标来评估IR和炎症状况,成本低且容易获得,在人群研究中实用价值较高,为实践中方便快速识别人群IR和炎症的关系提供了参考依据。
本研究存在局限性。第一,本研究为横断面研究,不能准确获得TyG和SII的因果关系;第二,采用调查问卷收集资料时难以避免一些协变量的收集存在回忆偏倚;第三,可能有一些混杂因素无法捕获;第四,纳入人群与未纳入人群的社会人口学有轻微差异,可能会影响结果的外推;第五,亚组分析时,由于样本量的限制导致分层人群样本量减少,可能无法准确评估各个亚组的效应,但多数亚组中TyG和高SII联系的方向一致并具有显著性,呈现稳定的联系。
利益冲突 所有作者声明无利益冲突
作者贡献声明 黄妍:实施研究、分析/解释数据、起草文章;汪子平、景慧、滕雨芯、Samuel Chacha:统计学分析;刘叶舟、张彬艳:采集数据;申远、李强、米白冰、杨姣梅:采集数据、行政、技术/材料支持;颜虹:论文审阅、经费支持;党少农:酝酿/设计研究、实施研究、经费支持
[1] |
Ahn HJ, Han KD, Choi EK, et al. Cumulative burden of metabolic syndrome and its components on the risk of atrial fibrillation: a nationwide population-based study[J]. Cardiovasc Diabetol, 2021, 20(1): 20. DOI:10.1186/s12933-021-01215-8 |
[2] |
Angelidi AM, Filippaios A, Mantzoros CS. Severe insulin resistance syndromes[J]. J Clin Invest, 2021, 131(4): e142245. DOI:10.1172/JCI142245 |
[3] |
Li H, Meng Y, He SW, et al. Macrophages, chronic inflammation, and insulin resistance[J]. Cells, 2022, 11(19): 3001. DOI:10.3390/cells11193001 |
[4] |
Shimobayashi M, Albert V, Woelnerhanssen B, et al. Insulin resistance causes inflammation in adipose tissue[J]. J Clin Invest, 2018, 128(4): 1538-1550. DOI:10.1172/JCI96139 |
[5] |
Wang J, Zhou DP, Dai ZJ, et al. Association between systemic immune-inflammation index and diabetic depression[J]. Clin Interv Aging, 2021, 16: 97-105. DOI:10.2147/CIA.S285000 |
[6] |
Kou J, Huang J, Li J, et al. Systemic immune-inflammation index predicts prognosis and responsiveness to immunotherapy in cancer patients: a systematic review and meta‑analysis[J]. Clin Exp Med, 2023 Mar 26. DOI: 10.1007/s10238-023-01035-y. Epub ahead of print.
|
[7] |
Hu B, Yang XR, Xu Y, et al. Systemic immune-inflammation index predicts prognosis of patients after curative resection for hepatocellular carcinoma[J]. Clin Cancer Res, 2014, 20(23): 6212-6222. DOI:10.1158/1078-0432.CCR-14-0442 |
[8] |
Sánchez-García A, Rodríguez-Gutiérrez R, Mancillas- Adame L, et al. Diagnostic accuracy of the triglyceride and glucose index for insulin resistance: a systematic review[J]. Int J Endocrinol, 2020, 2020, 4678526. DOI:10.1155/2020/4678526 |
[9] |
Song K, Park G, Lee HS, et al. Prediction of Insulin Resistance by Modified Triglyceride Glucose Indices in Youth[J]. Life (Basel), 2021, 11(4): 286. DOI:10.3390/life11040286 |
[10] |
Li C, Liu YZ, Shi GS, et al. Cohort profile: regional ethnic cohort study in northwest China[J]. Int J Epidemiol, 2022, 51(2): e18-26. DOI:10.1093/ije/dyab212 |
[11] |
Lim J, Kim J, Koo SH, et al. Comparison of triglyceride glucose index, and related parameters to predict insulin resistance in Korean adults: an analysis of the 2007-2010 Korean National Health and Nutrition Examination Survey[J]. PLoS One, 2019, 14(3): e0212963. DOI:10.1371/journal.pone.0212963 |
[12] |
Yang YL, Wu CH, Hsu PF, et al. Systemic immune- inflammation index (SII) predicted clinical outcome in patients with coronary artery disease[J]. Eur J Clin Invest, 2020, 50(5): e13230. DOI:10.1111/eci.13230 |
[13] |
马婷, 孟凡琦, 韩婧, 等. 乌鲁木齐市3~5岁儿童龋病相关因素的主成分分析[J]. 口腔疾病防治, 2023, 31(3): 179-185. DOI:10.12016/j.issn.2096-1456.2023.03.004 Ma T, Meng FQ, Han J, et al. Principal component analysis of dental caries related factors among 3- to 5-year-old children in Urumqi City[J]. J Prev Treat Stomatol Dis, 2023, 31(3): 179-185. DOI:10.12016/j.issn.2096-1456.2023.03.004 |
[14] |
张雨, 高倩, 王彤. 针对连续型处理因素的广义倾向性评分估计方法简介[J]. 中华流行病学杂志, 2022, 43(4): 572-577. DOI:10.3760/cma.j.cn112338-20210827-00685 Zhang Y, Gao Q, Wang T. Overview on the generalized propensity scoring estimator for continuous treatment[J]. Chin J Epidemiol, 2022, 43(4): 572-577. DOI:10.3760/cma.j.cn112338-20210827-00685 |
[15] |
Feng P, Zhou XH, Zou QM, et al. Generalized propensity score for estimating the average treatment effect of multiple treatments[J]. Stat Med, 2012, 31(7): 681-697. DOI:10.1002/sim.4168 |
[16] |
Meng XC, Chang Q, Liu YY, et al. Determinant roles of gender and age on SII, PLR, NLR, LMR and MLR and their reference intervals defining in Henan, China: a posteriori and big-data-based[J]. J Clin Lab Anal, 2018, 32(2): e22228. DOI:10.1002/jcla.22228 |
[17] |
Chen GH, Tan CL, Liu XB, et al. Associations between systemic immune-inflammation index and diabetes mellitus secondary to pancreatic ductal adenocarcinoma[J]. J Clin Med, 2023, 12(3): 756. DOI:10.3390/jcm12030756 |
[18] |
Sánchez-Díaz M, Salvador-Rodríguez L, Cuenca-Barrales C, et al. Exploring the role of systemic immune- inflammation index and neutrophil-lymphocyte ratio in cardiovascular risk stratification for patients with hidradenitis suppurativa: a cross-sectional study[J]. J Dermatol, 2022, 49(12): 1238-1244. DOI:10.1111/1346-8138.16558 |
[19] |
Yan YK, Li SX, Liu Y, et al. Temporal relationship between inflammation and insulin resistance and their joint effect on hyperglycemia: the Bogalusa Heart Study[J]. Cardiovasc Diabetol, 2019, 18(1): 109. DOI:10.1186/s12933-019-0913-2 |
[20] |
Adabimohazab R, Garfinkel A, Milam EC, et al. Does inflammation mediate the association between obesity and insulin resistance?[J]. Inflammation, 2016, 39(3): 994-1003. DOI:10.1007/s10753-016-0329-z |
[21] |
González-Gil E, Gracia-Marco L, Santábarbara J, et al. Inflammation and insulin resistance according to body composition in European adolescents: the HELENA study[J]. Nutr Hosp, 2017, 34(5): 1033-1043. DOI:10.20960/nh.747 |