目的探究脑小血管病(cerebral small vessel disease,CSVD)患者非高密度脂蛋白胆固醇(non-high density lipoprotein cholesterol,non-HDL-C)及其与CSVD影像总负荷的关系。方法选取2021年1月至2024年7月首都医科大学附属北京朝阳医院神...目的探究脑小血管病(cerebral small vessel disease,CSVD)患者非高密度脂蛋白胆固醇(non-high density lipoprotein cholesterol,non-HDL-C)及其与CSVD影像总负荷的关系。方法选取2021年1月至2024年7月首都医科大学附属北京朝阳医院神经内科收治的年龄≥60岁住院患者303例,根据CSVD影像总负荷评分为0分组108例,1分组61例,2分组66例,3分组35例,≥4分组33例。采用二元logistic回归分析non-HDL-C与CSVD相关性。结果0分组、1分组、2分组、3分组及≥4分组的TC、non-HDL-C水平逐渐明显升高(P<0.01)。3分组non-HDL-C水平明显高于0分组(P=0.001)。2分组、3分组及≥4分组non-HDL-C水平明显高于1分组(P<0.05)。CSVD影像总负荷与non-HDL-C水平呈正相关(P=0.001)。对患者年龄、性别、高血压、糖尿病、高脂血症等指标校正后发现,non-HDL-C仍是CSVD的独立危险因素(OR=2.869,95%CI:1.012~8.136,P=0.047)。结论在老年人群中,non-HDL-C升高与CSVD影像总负荷增加密切相关,可作为CSVD的早期干预的指标。展开更多
目的评估血清非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值(non-high density lipoprotein cholesterol/high density lipoprotein cholesterol,NHHR)、血浆致动脉粥样硬化指数(atherogenic index of plasma,AIP)与慢性肾病(chronic k...目的评估血清非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值(non-high density lipoprotein cholesterol/high density lipoprotein cholesterol,NHHR)、血浆致动脉粥样硬化指数(atherogenic index of plasma,AIP)与慢性肾病(chronic kidney disease,CKD)发病风险的关系,为CKD的防治提供依据。方法以金昌队列中25377名未患CKD的参与者作为研究对象,采用Cox比例风险回归模型、限制性立方样条分别评估NHHR和AIP对CKD的发病风险及剂量-反应关系,并进行亚组分析。采用受试者工作特征曲线评估NHHR和AIP对CKD发病风险的预测能力。结果经过平均4.77年的随访调查后,新发CKD患者有1213例,发病密度为10.03/1000人年。调整混杂因素后,相较于Q1组,Q4组人群中NHHR和AIP的CKD发病风险比分别为1.270(95%CI:1.066~1.512)和1.294(95%CI:1.081~1.548),且均存在一定的剂量-反应关系(均P<0.05)。NHHR和AIP预测CKD的AUC值分别为0.750(95%CI:0.736~0.764)和0.735(95%CI:0.721~0.749)。亚组分析发现,吸烟和糖尿病与NHHR、糖尿病和AIP间存在交互作用(均P<0.05)。结论NHHR和AIP是CKD发病的独立危险因素,并对CKD发病风险有一定的预测能力。展开更多
探讨血脂五项指标在动脉粥样硬化疾病早期预测中的应用价值,并分析其与颈动脉内膜中层厚度(IMT)的相关性。选取在秦皇岛市海港区西港镇卫生院接受颈动脉超声检查的320例体检者为研究对象,根据检查结果将其分为动脉粥样硬化组(IMT≥1.0 m...探讨血脂五项指标在动脉粥样硬化疾病早期预测中的应用价值,并分析其与颈动脉内膜中层厚度(IMT)的相关性。选取在秦皇岛市海港区西港镇卫生院接受颈动脉超声检查的320例体检者为研究对象,根据检查结果将其分为动脉粥样硬化组(IMT≥1.0 mm或存在斑块,180例)和非动脉粥样硬化组(IMT<1.0 mm, 140例),检测所有受试者的血脂五项指标,比较两组间的血脂差异。采用Pearson相关分析探讨血脂指标与颈动脉IMT的相关性,并通过Logistic回归分析筛选动脉粥样硬化的独立危险因素。分析结果表明,与非动脉粥样硬化组相比,动脉粥样硬化组的总胆固醇(5.84±1.10 mmol/L vs 4.92±0.85 mmol/L)、甘油三酯(2.35±0.89 mmol/L vs 1.72±0.65 mmol/L)、低密度脂蛋白胆固醇(3.65±0.80 mmol/L vs 2.89±0.65 mmol/L)和非高密度脂蛋白胆固醇(4.83±1.05 mmol/L vs 3.60±0.85 mmol/L)水平显著升高(P<0.05),高密度脂蛋白胆固醇(1.01±0.25 mmol/L vs 1.32±0.30 mmol/L)水平显著降低(P<0.05)。Pearson相关分析显示,LDL-C和non-HDL-C与颈动脉IMT呈正相关(r=0.593,r=0.570,P<0.001),HDL-C与IMT呈负相关(r=-0.410,P<0.001)。多元Logistic回归分析表明,LDL-C和non-HDL-C是动脉粥样硬化的独立危险因素(P<0.001),HDL-C是保护因素(P<0.001),具有保护作用。进行血脂五项指标检测并结合颈动脉超声检查有助于动脉粥样硬化的早期筛查和风险评估。展开更多
背景颈动脉内中膜增厚是反映动脉粥样硬化早期改变的重要指标,及时发现、积极干预可以得到有效逆转。目的探索非高密度脂蛋白胆固醇(nHDL-C)的动态变化轨迹与成人颈动脉内中膜增厚的关联,预测健康体检人群颈动脉内中膜增厚的风险。方法...背景颈动脉内中膜增厚是反映动脉粥样硬化早期改变的重要指标,及时发现、积极干预可以得到有效逆转。目的探索非高密度脂蛋白胆固醇(nHDL-C)的动态变化轨迹与成人颈动脉内中膜增厚的关联,预测健康体检人群颈动脉内中膜增厚的风险。方法本研究为一项双向性队列研究,纳入2013—2023年在北京大学第三医院参加健康体检的人群为研究对象,收集患者基线资料、体检指标,测量颈动脉内膜中层厚度(CIMT),对基线CIMT正常的研究对象进行随访,直到出现颈动脉内中膜增厚或失访。分别构建男性和女性研究对象nHDL-C随年龄的变化轨迹。纳入结局发生前的所有nHDL-C记录,使用联合潜在类别模型(JLCM)识别异质性nHDL-C变化轨迹并预测不同轨迹与发生颈动脉内中膜增厚的风险差异。采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、样本调整信息准则(SABIC)、熵值(Entropy>0.5)和满足条件独立假定(Score Test P>0.05)确定最优潜在类别个数。分别使用基线nHDL-C数值和nHDL-C变化轨迹构建Cox模型,比较各模型的受试者工作特征(ROC)曲线下面积(AUC)、一致性指数(C-index)数值,对模型拟合优度进行检验及评估。结果共纳入基线血脂处于正常水平的研究对象5741人,男2487人,女3254人。男性研究对象中发生颈动脉内中膜增厚393例,无颈动脉内中膜增厚和颈动脉内中膜增厚者比较,随访时间、年龄、BMI、收缩压(SBP)、舒张压(DBP)、总胆固醇(TC)、三酰甘油(TG)、低密度脂蛋白胆固醇(LDL-C)、nHDL-C、高血压占比比较,差异有统计学意义(P<0.05);女性研究对象中发生颈动脉内中膜增厚330例,无颈动脉内中膜增厚和颈动脉内中膜增厚者的随访时间、年龄、BMI、SBP、DBP、TC、TG、LDL-C、nHDL-C、高血压占比比较,差异有统计学意义(P<0.05)。男性人群中,3类别模型的熵值最高,BIC、SABIC最小且满足条件独立假定(Score Test P=0.2079),最终选择3分类作为拟合效果最佳的模型;女性人群4类别模型的熵值、BIC、SABIC与3类别模型相比变化不大,且满足条件独立假定(Score Test P=0.2678),最终选择4分类作为拟合效果最佳的模型。体检人群中男性nHDL-C的3个潜在类别中,类别1的轨迹曲线表现为先缓慢上升后平稳维持在较低水平,为“低水平稳定组”,占比83.80%;类别2表现为快速上升,为“快速升高组”,占比1.09%;类别3表现为缓慢上升,为“缓慢升高组”,占比15.12%;快速升高组风险最高,其次是缓慢升高组,低水平稳定组发生风险最低。相比于低水平稳定组,男性缓慢升高组和快速升高组的HR分别为10.51(95%CI=7.90~13.98)和23.25(95%CI=10.40~51.98)。体检人群中女性nHDL-C的4个潜在类别中,类别1的轨迹曲线表现为稳定的低水平,为“低水平稳定组”,占比93.09%;类别2的轨迹曲线呈现为“U型”,为“低水平稳定-升高组”,占比1.26%;类别3血脂稳定在中等水平,无明显波动,为“中等水平稳定组”,占比4.58%;类别4表现为血脂水平的快速增加,为“快速升高组”,占比1.08%。快速升高组的风险最高,40岁以前,低水平稳定组、低水平稳定-升高组、中等水平稳定组的风险接近,40岁以后中等水平稳定组颈动脉内中膜增厚风险快速增加,50岁以后低水平稳定-升高组风险快速增加。对各个亚组内4个类别人群的颈动脉内中膜增厚累积发生风险进行对比,相比于低水平稳定组,女性低水平稳定-升高组、中等水平稳定组和快速升高组的HR分别为3.69(95%CI=2.27~5.99)、15.48(95%CI=10.56~22.70)和13.93(95%CI=5.44~35.69)。模型拟合优度检验及评估结果显示,在男性及女性人群中,与基线模型相比,Class模型、Class+nHDL-C模型在多个时点的AUC和C-index值均明显增加。结论健康体检人群中,男性和女性nHDL-C水平均存在不同变化轨迹,不同轨迹类别显著影响颈动脉内中膜增厚的发生风险。相比单一基线nHDL-C值,轨迹分类能更精准地预测颈动脉内中膜增厚风险,连续血脂监测对于个体的健康管理具有重要意义。结合轨迹分析的风险评估方法有助于早期识别高危个体,为个体的风险分层和积极干预提供依据。展开更多
文摘目的探究脑小血管病(cerebral small vessel disease,CSVD)患者非高密度脂蛋白胆固醇(non-high density lipoprotein cholesterol,non-HDL-C)及其与CSVD影像总负荷的关系。方法选取2021年1月至2024年7月首都医科大学附属北京朝阳医院神经内科收治的年龄≥60岁住院患者303例,根据CSVD影像总负荷评分为0分组108例,1分组61例,2分组66例,3分组35例,≥4分组33例。采用二元logistic回归分析non-HDL-C与CSVD相关性。结果0分组、1分组、2分组、3分组及≥4分组的TC、non-HDL-C水平逐渐明显升高(P<0.01)。3分组non-HDL-C水平明显高于0分组(P=0.001)。2分组、3分组及≥4分组non-HDL-C水平明显高于1分组(P<0.05)。CSVD影像总负荷与non-HDL-C水平呈正相关(P=0.001)。对患者年龄、性别、高血压、糖尿病、高脂血症等指标校正后发现,non-HDL-C仍是CSVD的独立危险因素(OR=2.869,95%CI:1.012~8.136,P=0.047)。结论在老年人群中,non-HDL-C升高与CSVD影像总负荷增加密切相关,可作为CSVD的早期干预的指标。
文摘目的评估血清非高密度脂蛋白胆固醇与高密度脂蛋白胆固醇比值(non-high density lipoprotein cholesterol/high density lipoprotein cholesterol,NHHR)、血浆致动脉粥样硬化指数(atherogenic index of plasma,AIP)与慢性肾病(chronic kidney disease,CKD)发病风险的关系,为CKD的防治提供依据。方法以金昌队列中25377名未患CKD的参与者作为研究对象,采用Cox比例风险回归模型、限制性立方样条分别评估NHHR和AIP对CKD的发病风险及剂量-反应关系,并进行亚组分析。采用受试者工作特征曲线评估NHHR和AIP对CKD发病风险的预测能力。结果经过平均4.77年的随访调查后,新发CKD患者有1213例,发病密度为10.03/1000人年。调整混杂因素后,相较于Q1组,Q4组人群中NHHR和AIP的CKD发病风险比分别为1.270(95%CI:1.066~1.512)和1.294(95%CI:1.081~1.548),且均存在一定的剂量-反应关系(均P<0.05)。NHHR和AIP预测CKD的AUC值分别为0.750(95%CI:0.736~0.764)和0.735(95%CI:0.721~0.749)。亚组分析发现,吸烟和糖尿病与NHHR、糖尿病和AIP间存在交互作用(均P<0.05)。结论NHHR和AIP是CKD发病的独立危险因素,并对CKD发病风险有一定的预测能力。
文摘探讨血脂五项指标在动脉粥样硬化疾病早期预测中的应用价值,并分析其与颈动脉内膜中层厚度(IMT)的相关性。选取在秦皇岛市海港区西港镇卫生院接受颈动脉超声检查的320例体检者为研究对象,根据检查结果将其分为动脉粥样硬化组(IMT≥1.0 mm或存在斑块,180例)和非动脉粥样硬化组(IMT<1.0 mm, 140例),检测所有受试者的血脂五项指标,比较两组间的血脂差异。采用Pearson相关分析探讨血脂指标与颈动脉IMT的相关性,并通过Logistic回归分析筛选动脉粥样硬化的独立危险因素。分析结果表明,与非动脉粥样硬化组相比,动脉粥样硬化组的总胆固醇(5.84±1.10 mmol/L vs 4.92±0.85 mmol/L)、甘油三酯(2.35±0.89 mmol/L vs 1.72±0.65 mmol/L)、低密度脂蛋白胆固醇(3.65±0.80 mmol/L vs 2.89±0.65 mmol/L)和非高密度脂蛋白胆固醇(4.83±1.05 mmol/L vs 3.60±0.85 mmol/L)水平显著升高(P<0.05),高密度脂蛋白胆固醇(1.01±0.25 mmol/L vs 1.32±0.30 mmol/L)水平显著降低(P<0.05)。Pearson相关分析显示,LDL-C和non-HDL-C与颈动脉IMT呈正相关(r=0.593,r=0.570,P<0.001),HDL-C与IMT呈负相关(r=-0.410,P<0.001)。多元Logistic回归分析表明,LDL-C和non-HDL-C是动脉粥样硬化的独立危险因素(P<0.001),HDL-C是保护因素(P<0.001),具有保护作用。进行血脂五项指标检测并结合颈动脉超声检查有助于动脉粥样硬化的早期筛查和风险评估。
文摘背景颈动脉内中膜增厚是反映动脉粥样硬化早期改变的重要指标,及时发现、积极干预可以得到有效逆转。目的探索非高密度脂蛋白胆固醇(nHDL-C)的动态变化轨迹与成人颈动脉内中膜增厚的关联,预测健康体检人群颈动脉内中膜增厚的风险。方法本研究为一项双向性队列研究,纳入2013—2023年在北京大学第三医院参加健康体检的人群为研究对象,收集患者基线资料、体检指标,测量颈动脉内膜中层厚度(CIMT),对基线CIMT正常的研究对象进行随访,直到出现颈动脉内中膜增厚或失访。分别构建男性和女性研究对象nHDL-C随年龄的变化轨迹。纳入结局发生前的所有nHDL-C记录,使用联合潜在类别模型(JLCM)识别异质性nHDL-C变化轨迹并预测不同轨迹与发生颈动脉内中膜增厚的风险差异。采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)、样本调整信息准则(SABIC)、熵值(Entropy>0.5)和满足条件独立假定(Score Test P>0.05)确定最优潜在类别个数。分别使用基线nHDL-C数值和nHDL-C变化轨迹构建Cox模型,比较各模型的受试者工作特征(ROC)曲线下面积(AUC)、一致性指数(C-index)数值,对模型拟合优度进行检验及评估。结果共纳入基线血脂处于正常水平的研究对象5741人,男2487人,女3254人。男性研究对象中发生颈动脉内中膜增厚393例,无颈动脉内中膜增厚和颈动脉内中膜增厚者比较,随访时间、年龄、BMI、收缩压(SBP)、舒张压(DBP)、总胆固醇(TC)、三酰甘油(TG)、低密度脂蛋白胆固醇(LDL-C)、nHDL-C、高血压占比比较,差异有统计学意义(P<0.05);女性研究对象中发生颈动脉内中膜增厚330例,无颈动脉内中膜增厚和颈动脉内中膜增厚者的随访时间、年龄、BMI、SBP、DBP、TC、TG、LDL-C、nHDL-C、高血压占比比较,差异有统计学意义(P<0.05)。男性人群中,3类别模型的熵值最高,BIC、SABIC最小且满足条件独立假定(Score Test P=0.2079),最终选择3分类作为拟合效果最佳的模型;女性人群4类别模型的熵值、BIC、SABIC与3类别模型相比变化不大,且满足条件独立假定(Score Test P=0.2678),最终选择4分类作为拟合效果最佳的模型。体检人群中男性nHDL-C的3个潜在类别中,类别1的轨迹曲线表现为先缓慢上升后平稳维持在较低水平,为“低水平稳定组”,占比83.80%;类别2表现为快速上升,为“快速升高组”,占比1.09%;类别3表现为缓慢上升,为“缓慢升高组”,占比15.12%;快速升高组风险最高,其次是缓慢升高组,低水平稳定组发生风险最低。相比于低水平稳定组,男性缓慢升高组和快速升高组的HR分别为10.51(95%CI=7.90~13.98)和23.25(95%CI=10.40~51.98)。体检人群中女性nHDL-C的4个潜在类别中,类别1的轨迹曲线表现为稳定的低水平,为“低水平稳定组”,占比93.09%;类别2的轨迹曲线呈现为“U型”,为“低水平稳定-升高组”,占比1.26%;类别3血脂稳定在中等水平,无明显波动,为“中等水平稳定组”,占比4.58%;类别4表现为血脂水平的快速增加,为“快速升高组”,占比1.08%。快速升高组的风险最高,40岁以前,低水平稳定组、低水平稳定-升高组、中等水平稳定组的风险接近,40岁以后中等水平稳定组颈动脉内中膜增厚风险快速增加,50岁以后低水平稳定-升高组风险快速增加。对各个亚组内4个类别人群的颈动脉内中膜增厚累积发生风险进行对比,相比于低水平稳定组,女性低水平稳定-升高组、中等水平稳定组和快速升高组的HR分别为3.69(95%CI=2.27~5.99)、15.48(95%CI=10.56~22.70)和13.93(95%CI=5.44~35.69)。模型拟合优度检验及评估结果显示,在男性及女性人群中,与基线模型相比,Class模型、Class+nHDL-C模型在多个时点的AUC和C-index值均明显增加。结论健康体检人群中,男性和女性nHDL-C水平均存在不同变化轨迹,不同轨迹类别显著影响颈动脉内中膜增厚的发生风险。相比单一基线nHDL-C值,轨迹分类能更精准地预测颈动脉内中膜增厚风险,连续血脂监测对于个体的健康管理具有重要意义。结合轨迹分析的风险评估方法有助于早期识别高危个体,为个体的风险分层和积极干预提供依据。
