上海交通大学医学院李相威课题组
Shanghai Jiao Tong University School of Medicine, Li Xiangwei's research group
li.xiangwei@sjtu.edu.cn
团队简介 Team Introduction

团队简介 Team Introduction

副标题

我们来自上海交通大学医学院国家热带病研究中心-全球健康学院。课题组由6名工作人员及多名硕士/博士研究生组成。

主要研究内容包含以老龄人群等为代表的重点人群健康有关的分子流行病学研究，主要包括重点人群发病因素研究、环境健康与重点人群健康的交互作用研究，基于多组学技术生物标志物研究等。

We are from the School of Global Health at the Chinese Centre for Tropical Diseases Research, Shanghai Jiao Tong University School of Medicine. Our research team consists of 6 staff members and multiple master's and doctoral students.

Our primary research focuses include molecular epidemiology studies related to key populations such as the elderly. This includes research on disease factors in these populations, interactions between environmental health and population health, and biomarker studies based on multi-omics technologies.

Redox Biology最新研究揭示氧化平衡评分预测CKM分期及死亡风险

Role of oxidative balance score in staging and mortality risk of cardiovascular-kidney-metabolic syndrome: Insights from traditional and machine learning approaches / 氧化平衡评分在心血管-肾脏-代谢综合征的分期和死亡风险中的作用：传统方法和机器学习方法的启示

Yang Chen, Shuang Wu, Hongyu Liu, Ziyi Zhong, Tommaso Bucci, Yimeng Wang, Manlin Zhao, Yang Liu, Zhengkun Yang, Ying Gue, Garry McDowell, Bi Huang, Gregory Y H Lip
PMID: 40073760 [IF: 10.7]
【主要发现】
  1. 本研究首次评估了氧化平衡评分（OBS）在心血管-肾脏代谢综合征（CKM）分期和死亡风险中的作用。
  2. 较低的氧化平衡评分（OBS）与心血管-肾脏代谢综合征（CKM）晚期分期及较高的全因、心血管和非心血管死亡风险有关。
  3. 识别心血管-肾脏代谢综合征（CKM）高风险患者的最佳氧化平衡评分（OBS）的临界值为22。
  4. 氧化平衡评分（OBS）介导了全身免疫炎症指数（SII）、生活简单评分（LS7）和衰弱评分对死亡结局的影响。
  5. 轻量级梯度提升机算法（LightGBM）模型在心血管-肾脏代谢综合征（CKM）的分期和死亡风险预测方面表现出色，可替宁是最强的促氧化风险因子
【研究背景】
心血管-肾脏代谢综合征（Cardio-Kidney-Metabolic Syndrome, CKM），是一种全身性、进行性发展的临床综合征，其特征是肥胖、糖尿病（DM）、慢性肾脏病（CKD）和心血管疾病（CVD）并存，疾病之间复杂的相互作用和共同的病理机制进一步加剧了疾病负担和死亡风险。
氧化平衡评分（OBS）作为一项综合评价指标，通过整合15种抗氧化因子和5种促氧化因子评估个体的氧化应激状态。通常，较高的OBS反映了较低的氧化应激水平，既往研究已证实其与多种慢性疾病（如糖尿病[DM]、慢性肾脏病[CKD]和心血管疾病[CVD]）的死亡风险密切相关。然而，目前尚缺乏针对OBS与CKM患者死亡风险关联的全面研究。
在这项研究中，我们主要关注三个方面：（1）研究OBS与CKM分期之间的关联；（2）探讨CKM患者OBS与死亡风险的关联；（3）探索OBS作为中介因素在风险因素（如生活简单评分[Life's Simple 7, LS7]、系统免疫-炎症指数[Systemic Immune-Inflammation Index, SII]、衰弱评分）和死亡风险中的作用。
【研究方法】
1. 研究设计和人群
本研究数据来自 1999-2018 年全国健康和营养检查调查（NHANES）。研究严格筛选了20岁及以上、具有完整CKM和OBS数据、非妊娠状态、无极端饮食行为且能量摄入正常的参与者，最终纳入21,609名研究对象。
2. 主要研究变量
1）CKM综合征定义：基于代谢综合征、心血管疾病和慢性肾脏病的风险因素，将参与者分为CKM0-4阶段，其中0-2阶段为非晚期，3-4阶段为晚期。
2）OBS评估：基于16种饮食因素和4种生活方式因素构建评分体系，更高的得分表明更强的抗氧化水平。
3. 统计分析
基于随机森林模型的链式方程对数据进行了多重插补，多项logistic回归分析了OBS与CKM分期的关联性，限制性三次样条（RCS）探索了OBS与死亡率的非线性关系，Cox比例风险模型评估OBS对CKM患者死亡结局的影响。
通过中介分析探讨OBS在LS7、SII、衰弱评分与死亡结局之间的中介作用。
开发机器学习模型对CKM 3/4期进行分类并预测全因死亡风险，并采用SHapley Additive exPlanations（SHAP）值解释OBS各成分的贡献度。
【研究结果】
1.基线特征
本研究共纳入21,609名参与者，其中CKM患者20,319名，中位年龄为52.0岁（IQR:38.0-65.0），54.3%为男性，中位随访时间9.3年。OBS四分位数较高的参与者具有较高的教育水平、较高的PIR、更剧烈的体育活动和较低的吸烟比例（表1）。
图片
2.OBS与CKM分期之间的关系
与OBS第四分位数组（Q4）相比，较低的OBS分位数与从非CKM状态向更晚期CKM阶段进展的风险显著增加相关（图1）。具体而言，在OBS第一分位数组（Q1）中，相较于非CKM组，进展至CKM 1期、2期、3期和4期的比值比（OR）分别为1.75（95% CI：1.42-2.16）、2.80（95% CI：2.33-3.37）、3.75（95% CI：2.90-4.85）和4.41（95% CI：3.49-5.58）（所有P < 0.001）。当以CKM 1/2期作为参照组时，也观察到类似的趋势。然而，在比较CKM 3期和4期时，这种关联性减弱且在大多数无统计学意义。
Fig. 1
Fig. 1. Association Between OBS Quartiles and CKM Staging (Stages 0–4).
3.OBS 与 CKM 患者死亡率结局之间的关联
KM 生存曲线分析结果（补充图 S5）显示，在所有死亡结局中，OBS Q1组生存概率最低，而OBSQ4组生存概率最高，Log-rank检验显示组间差异均具有统计学意义（所有P < 0.001）。在 OBS 和所有死亡结局之间发现显著的负线性关系（所有P < 0.001），但没有发现非线性关联（补充图 S6）。此外，表2显示，与OBS Q4组相比，OBS的较低四分位数组（Q1-Q3）与全因、心血管和非心血管死亡风险增加显著相关。
图片

Supplementary Figure S5. Kaplan-Meier survival curves for mortality outcomes across OBS quartiles in CKM patients.

图片

Supplementary Figure S6. Restricted cubic spline analyses for associations between OBS and mortality outcomes in CKM patients.

图片
Fig. 2. Associations Between OBS and Mortality Outcomes in CKM Patients.
4.中介分析
图3表明OBS在SII、LS7和衰弱评分与全因死亡、心血管死亡及非心血管死亡结局的关联中均具有显著的中介作用（所有P< 0.001）。OBS 通过SII的间接效应分别为5.43% （全因死亡风险）、6.85%（心血管死亡风险）和5.69%（非心血管死亡风险）; OBS通过LS7的间接效应分别为26.03%、13.18%和32.85%; OBS通过衰弱评分的间接效应分别为4.25%、4.44%和4.97%。
图片
5.机器学习分析
将OBS成分和临床特征输入到5个ML模型中后，分别经过5折交叉验证和手动微调，确定了预测晚期CKM分期和全因死亡风险的预测模型的最佳超参数组合（补充表S16和补充表S17）。对于晚期CKM分期，评估了测试集中所有ML模型的ROC曲线（图4a）和其他指标（补充表S18）。 LightGBM被认为是最好的模型，因为它具有最高的AUC（0.905）、F1评分（0.668）和G均值（0.677）。对于CKM的全因死亡风险预测，LightGBM也是表现最好的，AUC（0.875）、F1评分（0.556）和G均值（0.576）（图4b和补充表S19）。
本研究通过SHAP值分析，系统评估了OBS各组分在预测模型中的贡献度。在晚期CKM分期预测模型中（图4c），BMI（SHAP值：0.148±0.032）和可替宁（0.132±0.028）是影响最强的危险因素，证实肥胖（β=1.86，P<0.001）和烟草暴露（OR=2.45，95%CI 2.12-2.83）会显著促进CKM的进展。在全因死亡风险预测模型（图4d）中，可替宁仍是影响最强的危险因素（SHAP值：0.161±0.035），相反，较高的体力活动（一种抗氧化因子）与全因死亡风险的降低相关。
图片
Fig. 4. ROC curves and SHAP-based feature importance of machine learning models in predicting advanced CKM staging and all-cause mortality.
【研究结论】
本研究首次揭示了OBS与CKM分期和CKM患者死亡风险之间的负相关关系，具有明显的剂量反应关系，强调了OBS作为风险分层和疾病管理工具的临床价值。此外，LightGBM模型在预测晚期CKM分期的风险和全因死亡率方面表现出最佳的判别能力和预测准确性，可替宁是主要危险因素，通过优化饮食结构和改善生活方式，有望提OBS水平，延缓CKM进展，改善患者预后，促进精准慢性病管理的临床应用。
文章分类： 团队活动
首页                     关于我们                      科研方向                       发表论文                     联系/加入我们  
联系我们：021-63846590-776408
联系邮箱：sghepi@foxmail.com或 li.xiangwei@sjtu.edu.cn
办公地址：上海市黄浦区重庆南路280号