源自风暴统计网：一键统计分析与绘图的AI网站
引言
别再拘泥于单一变量了！南昌大学将热点与新秀指标结合——腹部肥胖与非传统脂质参数联合探索，首次揭示 “脂质代谢 - 腹部肥胖 - CMM” 的潜在路径，一区Top毋庸置疑！
ps：文中涉及的所有指标在郑老师团队开发的CHARLS在线整理分析平台，均可一键提取和分析。感兴趣的小伙伴，欢迎联系试用~
心血管代谢共病（CMM）指个体同时患有两种及以上心血管代谢疾病（如心脏病、糖尿病、中风），其患病率逐年上升。然而，腹部肥胖（AO）和非传统脂质参数对其影响尚不明确。
2025年3月8日，南昌大学学者用CHARLS数据库，在期刊《Cardiovascular Diabetology》（医学一区top IF=10.6)发表了一篇题为：“Joint assessment of abdominal obesity and non-traditional lipid parameters for primary prevention of cardiometabolic multimorbidity: insights from the China health and retirement longitudinal study 2011-2018”的研究论文，研究旨在探讨腹部肥胖与非传统脂质参数对 CMM 发生风险的独立及联合影响。非传统脂质参数主要包括：
血浆动脉粥样硬化指数（AIP）
非高密度脂蛋白胆固醇（Non-HDL-C）
动脉粥样硬化系数（AC）
脂蛋白联合指数（LCI）
卡斯特利指数-I（CRI-I）
卡斯特利指数II（CRI-II）
研究表明，腹部肥胖与非传统脂质参数的独立及二者联合效应均与CMM风险呈显著正相关。
本公众号回复“ 原文”即可获得文献PDF等资料，如需CHARLS数据库方法学习，请联系郑老师团队，微信号：aq566665
研究基于中国健康与退休纵向研究（CHARLS)数据库2011~2018年的数据，经过纳排，最终纳入7,597 名 45 岁及以上的参与者，其中男性比例为 45.20%。
图1 参与者的筛选流程
研究采用Cox比例风险模型评估腹部肥胖和非传统脂质参数与 CMM 发病的关联，并通过RCS曲线检验其非线性关系。同时，研究还进行亚组分析与敏感性分析以验证稳健性。
此外，研究通过中介分析进一步探索腹部肥胖在非传统脂质参数与 CMM 风险之间的中介效应。
主要研究结果
在随访期间，共有 699 人（9.2%）新发CMM。
Kaplan-Meier曲线显示，同时患有腹部肥胖且非传统脂质参数水平高于中位数的组别，其发生CMM的累积风险最高。
随后，在完全调整后的模型中，Cox 回归分析结果一致。比如在这些亚组中，腹部肥胖且 AIP 指数高的个体表现出 CMM 风险最高。
这意味着，腹部肥胖和非传统脂质参数的联合效应与 CMM 风险呈正相关。
图2 腹部肥胖与非传统脂质参数对 CMM 联合效应的K-M图
Group 1： 非腹部肥胖且非传统脂质参数 ≤ 中位数
Group 2： 非腹部肥胖且非传统脂质参数 ≥ 中位数
Group 3： 腹部肥胖且非传统脂质参数 ≤ 中位数
Group 4： 腹部肥胖且非传统脂质参数 ≥ 中位数
表1 腹部肥胖和非传统脂质参数的联合效应与 CMM 的关联
模型1：未调整协变量；
模型2：调整年龄、性别、BMI、吸烟状况、饮酒状况及慢性疾病（高血压和癌症）；
模型3：进一步调整了教育程度、婚姻状况、居住地、SBP、DBP、夜间睡眠时长、白天小憩时长、FPG、eGFR、hs-CRP、HbA1c 及药物使用情况。
RCS曲线结果显示，多数非传统脂质参数（AIP、AC等）与 CMM 风险呈线性正相关。
然而， LCI 与 CMM 风险呈非线性关联。
图3 腹部肥胖和非传统脂质参数的联合效应对 CMM 的RCS分析
而亚组分析和敏感性分析进一步证实上述结果的稳健性。
此外，值得注意的是，中介分析表明，腹部肥胖显著介导了非传统脂质参数与 CMM 风险之间的关联。
但非传统脂质参数在腹部肥胖与 CMM 风险之间的中介效应则并不显著。
图4 非传统脂质参数对腹部肥胖与 CMM 风险之间关联的中介分析
综上所述，腹部肥胖与非传统脂质参数均独立且联合增加CMM的发病风险，其中腹部肥胖介导了血脂异常对 CMM 的代谢影响。因此，早期识别并干预腹部肥胖与脂质代谢异常对 CMM 的预防与治疗均具有重要意义。CHARLS整理分析平台
指标数据多？统计分析流程复杂？队列数据搞不清楚？
别担心！郑老师团队推出的CHARLS整理分析平台这些难题统统解决！不仅可以一键批量提取变量数据，生成纳排流程图和动态队列，还可以一键常见统计分析出图！
功能多多，欢迎试用：
https://zs.medsta.cn/charls_encryption/CHALRS_data/charls_data_1.8_trial/
记得点个小小的关注👇
持续分享CHARLS数据库的高分发文思路
