编辑推荐：
心血管-肾脏-代谢综合征（CKM）死亡风险预测新生物标志物CTI及机器学习模型研发。基于美国国家健康与营养调查（NHANES）和中国健康与退休研究（CHARLS）双队列数据，CTI指数（0.412×lnhsCRP+ln[triglycerides×空腹血糖/2]）可显著预测全因死亡（HR=1.31-1.67）和心血管死亡（HR=1.35），随机生存森林模型（RSF）表现最优（AUC>0.86），SHAP分析揭示年龄和CTI为主要预测因子，血压通过协同作用影响风险。
心血管-肾脏-代谢（CKM）综合征迫切需要可用的生物标志物来分层评估死亡风险。本研究验证了一种新的炎症代谢生物标志物——C反应蛋白-甘油三酯-葡萄糖指数（CTI）在预测全因死亡率和心血管死亡率方面的有效性，并开发了一种生存分析机器学习模型。
我们整合了全国健康与营养调查（NHANES，n = 8,784）和中国健康与退休纵向研究（CHARLS，n = 7,746）的数据。使用多变量Cox回归分析CTI（公式：0.412 × Ln(C反应蛋白) + Ln[甘油三酯 × 空腹血糖/2]）与死亡率之间的关联。基于NHANES数据构建了7个机器学习模型，并以CHARLS数据作为外部验证集。SHapley加性解释（SHAP）方法阐明了这些模型的预测机制。
CTI每增加1个标准差，全因死亡风险显著增加（NHANES：风险比（HR）= 1.31，95%置信区间（CI）1.19–1.44；CHARLS：HR = 1.67，95% CI 1.44–1.93）；在NHANES中，心血管死亡率增加了35%（HR = 1.35，P<0.001）。随机生存森林（RSF）模型表现最佳：内部验证的曲线下面积（AUC）为0.866（NHANES），同时具有最高的时间依赖性一致性指数（C-index）；在CHARLS中的外部验证结果显示AUC分别为0.811（3年）、0.804（5年）和0.775（9/12年），优于其他模型。SHAP分析确定年龄（贡献率42.2%）和CTI（贡献率10.1%）是关键预测因素，年龄、CTI和收缩压通过独立的主要效应发挥作用，而eGFR主要通过协同作用产生影响。
CTI作为一种新的炎症代谢生物标志物，能够可靠地预测CKM综合征患者的全因死亡率和心血管死亡率，在NHANES和CHARLS数据中的验证结果一致。基于NHANES数据的RSF模型（AUC>0.86）兼具高准确性和临床实用性，并得到了CHARLS外部验证和敏感性分析的支持。基于SHAP的机制分析进一步支持了个性化风险评估的可能性。
通俗语言总结：本研究介绍了一种新的生物标志物——C反应蛋白-甘油三酯-葡萄糖指数（CTI），用于预测心血管-肾脏-代谢综合征患者的死亡风险。通过对美国和中国队列的数据进行分析，研究人员发现CTI水平越高，全因死亡率和心血管死亡率的风险显著增加。随机生存森林（RSF）机器学习模型在预测死亡率方面表现出高准确性，年龄和CTI是关键预测因素。该模型在不同数据集中的验证结果证明了其在个性化风险评估中的潜力。这项研究强调了CTI作为识别不同人群中高风险患者的可靠工具的潜力。
文本由机器生成，可能存在不准确之处。常见问题解答
生物通 版权所有
