中国中老年普通人群中甘油三酯、血糖、体重指数与新发高血压之间的关联：一项前瞻性队列研究

摘要
甘油三酯-血糖（TyG）与体重指数（BMI）对高血压发病的预测能力尚不明确。本研究旨在探讨中国人群中的这种关联。我们纳入了3,729名无高血压的农村居民，他们在2012至2015年间至少接受了两次访谈和体检。研究终点为新发高血压。TyG-BMI是通过BMI、空腹血糖水平和甘油三酯水平计算得出的；分析采用了多变量Cox回归模型。参与者平均年龄为50.12岁，男性占42.26%，年龄范围在35至88岁之间，平均TyG-BMI为205.95（标准差37.05）。在中位2.59年的随访期间，有743人（19.92%）发展为高血压。不同TyG-BMI三分位数组的新发高血压发病率分别为14.80%、21.08%和23.89%。Cox回归显示，与最低三分位数相比，高TyG-BMI与新发高血压的风险相关（调整后的危险比，95%置信区间：中等[1.29, 1.05–1.57]；高[1.32, 1.06–1.66]）。TyG-BMI每增加1个标准差，新发高血压的风险增加10%（1.10; 1.01–1.20）。因此，高TyG-BMI与中国农村居民的高血压发病风险显著相关，表明TyG-BMI可能作为高血压发病的预测指标。

关键词：TyG-BMI；新发高血压；农村社区；前瞻性队列研究

引言
由高血压引起的心血管和脑血管事件及其相关死亡在全球范围内构成了严重的公共卫生挑战。作为“沉默的杀手”，高血压导致的每年死亡人数超过1000万，其健康风险超过了其他疾病。在中国，过去30年中高血压的发病率迅速上升，这主要是由于预期寿命的增加和生活方式的变化（Wang等人，引用2023）。据估计，中国有超过2.45亿人患有高血压（Hu，引用2023）。因此，在高血压的预防、治疗和医疗资源分配方面出现了新的需求和挑战。在中国农村地区，应重点强调初级预防措施以减少疾病发病率。应迅速识别高风险人群，并制定有效的初级预防策略来逆转高血压的快速增长。

血脂异常和糖尿病（DM）影响了中国数百万人（Hu，引用2023），并且常常与高血压共存（Lauder等人，引用2023）。肥胖还会促进炎症和氧化应激，从而引发高脂血症和胰岛素抵抗（IR）（Masenga等人，引用2023）。高胰岛素血症和IR可能导致交感神经系统活动增强，介导低度全身炎症，并在高血压的发病机制中影响肾脏对水和钠的储存（da Silva等人，引用2020）。新提出的甘油三酯-血糖（TyG）-体重指数（BMI）是评估IR的准确替代生物标志物（Dou等人，引用2023），也是评估心血管疾病风险的可靠指标（Lim等人，引用2019）。然而，以往的研究主要集中在TyG-BMI与DM（Wang等人，引用2023）、心力衰竭和全因死亡率（Dou等人，引用2023）、心血管事件（Dang等人，引用2024）、冠状动脉疾病（Yang等人，引用2024）、高尿酸血症（Han等人，引用2023）以及性激素异常（Wu等人，引用2023）之间的关系上。关于高血压，有限的研究揭示了TyG-BMI与不同亚洲人群中高血压或高血压前期状态之间的相关性（Chen等人，引用2023；Deng等人，引用2023；Han, Zhou等人，引用2023；Huang等人，引用2023；Nikbakht等人，引用2023）。此外，这些横断面研究往往区分有无高血压的患者，因此无法证明因果关系。更重要的是，一些研究仅限于特定群体，如无DM的个体（Huang等人，引用2023；Peng等人，引用2023）。值得注意的是，有前瞻性队列研究调查了TyG指数与新发高血压之间的可能相关性（Gao等人，引用2023）；然而，研究人员没有考虑肥胖因素。在高血压的发病中，肥胖不容忽视，因为两者之间存在明显的相关性（Zhang等人，引用2023）。此外，结合TyG指数和肥胖指标比单独使用TyG指数能更好地预测心血管疾病（Dang等人，引用2024）。因此，我们利用东北中国农村心血管健康研究（NCRCHS）的数据来评估TyG-BMI与新发高血压之间的相关性，该研究纳入了无高血压的个体。

材料与方法
研究设计和数据来源
这项前瞻性队列研究的目的是评估中国人群中TyG-BMI与新发高血压之间的相关性。所有数据均来自NCRCHS队列的纵向研究（Zhang等人，引用2023），重点关注年龄≥35岁的东北农村居民，这些居民通常在该地区居住时间超过半年（Zhang等人，引用2023）。参与者于2012年2月至2013年1月期间通过多层次分层和随机集群抽样方法招募。首先从东北地区选择辽宁省，并在该省的不同区域选择了三个城镇：东部的辽阳、南部的达瓦和北部的张武。从这三个城镇共选择了26个农村社区。共有11,956名符合条件的常住居民被邀请参与，其中10,700人（响应率89.5%）同意参加研究。排除标准包括恶性肿瘤、妊娠和严重精神障碍。此外，无法配合随访调查或计划短期内搬迁的居民也被排除；基线时有高血压（n=5,548）或缺失基线血压值的居民也被排除。在4,661名无高血压的参与者中，到2015年底有48人死亡，884人失访。另外，由于TyG-BMI相关指标缺失，还有394人被排除。最终，有3,729名符合条件的参与者被纳入本研究。本研究基于NCRCHS队列数据的二次分析，因此事先没有进行正式的样本量计算。为了最大化统计功效，所有符合条件的参与者都被纳入研究。值得注意的是，在3,729名参与者中观察到了743例新发高血压事件，确保了本分析的充分统计功效（图1，筛选过程）。

图1. 研究人群的流程图
该流程图显示了东北中国农村心血管健康研究的参与者选择过程，起始时有11,956名参与者。主要排除阶段包括1,256人因不同意参与、5,548人因基线时有高血压以及数据缺失等原因被排除，最终得到4,661名无高血压的参与者。在中位2.59年的随访期间，有48人死亡，884人失访，最终得到3,729人。结果显示，2,986人仍无高血压，而743人新发高血压。

本研究遵循《赫尔辛基宣言》的原则进行。研究方案获得了中国医科大学伦理委员会的批准（Shenyang, China AF-SDP-7-1, 0-01）。所有参与者均签署了书面知情同意书。本研究符合《加强流行病学观察性研究报告》（STROBE）指南（von Elm等人，引用2007）的要求。

数据评估和定义
**暴露评估**
BMI使用以下公式计算：BMI = 体重（kg）/ 身高（m）的平方。TyG-BMI代表长期IR，计算方法如下：ln（甘油三酯[TG] [mg/dL] × 空腹血糖[FBG] [mg/dL]）/ 2）× BMI（kg/m2）（Er等人，引用2016）。

**结果评估**
本研究的主要结果是确诊高血压的发生，定义为：（1）平均收缩压≥140 mm Hg和/或舒张压（DBP）≥90 mm Hg；（2）医生诊断为高血压；或（3）在随访期间接受高血压治疗。NCRCHS的每次随访都包括门诊检查和现场体检。研究人员询问参与者：“您是否被诊断为高血压，或者医生是否告知您血压异常？”以及“您目前是否正在接受高血压治疗/使用西药/中药/以上均无？”

**数据收集**
通过现场体检和标准化问卷（面对面访谈）收集数据。体检包括使用标准化方法和自动血压计（HEM-907；Omron，东京，日本）在不同时间测量三次血压。体检时，参与者需穿着轻便服装测量体重、身高和腰围。血液样本采集要求参与者在测量常规血液生化指标（包括血脂、血清尿酸和血清肌酐）前至少禁食12小时。样本在中国医科大学第一附属医院使用Olympus AU640化学分析仪（Olympus，东京，日本）进行分析。体检和数据收集遵循标准化方案，包括结构化问卷、人体测量和实验室评估，具体细节见先前研究（Zhang等人，引用2022）。本研究使用的数据包括：（1）人口统计特征：性别、年龄、种族、教育水平、居住地、婚姻状况和家庭收入水平；（2）身体测量：SBP、DBP、BMI和腰臀比（WHR）；（3）生活方式信息：吸烟和饮酒状况、打鼾习惯以及体力劳动强度；（4）医疗史、家族史、明确诊断的疾病史、当前用药情况和非药物治疗情况。体力劳动强度根据职业和日常活动特征分为轻度、中度和重度。当前吸烟定义为每天至少吸一支烟，当前饮酒定义为每周至少饮酒一次（Zhang等人，引用2022）。使用慢性肾病（CKD）流行病学协作方程计算估计的肾小球滤过率（eGFR）（Levey等人，引用2009）。报告有DM病史、接受过降糖治疗或FBG浓度≥7.0 mmol/L的参与者被视为患有DM（Davidson等人，引用2021）。个人或家族医疗史基于自我报告的医疗史或接受过的特定治疗确定。

**缺失变量处理**
我们排除了主要变量数据缺失的参与者（如图1所示）。为了保持相对样本量，我们使用多重插补方法处理非主要变量的缺失数据。

**统计分析**
研究人群根据基线TyG-BMI分为三个三分位数以展示基线特征。分类变量以n（%）表示，连续变量以平均值±标准差（SD）或中位数（四分位数范围）表示。使用Shapiro–Wilk检验和Kolmogorov–Smirnov检验评估数据的正态性。组间分类变量的差异使用卡方检验分析，连续变量的差异使用单因素方差分析（ANOVA）分析（对于正态分布的变量）和Kruskal–Wallis检验分析（对于非正态分布的变量）。新发高血压的发病率以每年每千人计。使用单变量和多变量Cox比例风险回归模型评估TyG-BMI与新发高血压之间的相关性，风险比（HRs）连同95%置信区间（CIs）一起报告。模型1调整了性别、年龄和种族因素。模型2还调整了当前吸烟和饮酒状况、婚姻状况、教育水平、收入水平、基线SBP、DBP、高血压和卒中家族史、体力活动水平、打鼾习惯、白细胞（WBC）计数、eGFR以及血尿酸、高密度脂蛋白胆固醇（HDL-C）、血清总胆固醇（TC）和低密度脂蛋白胆固醇（LDL-C）浓度。在多变量校正后（相当于模型2的完全调整模型），使用广义加性模型进行平滑曲线拟合，以测试TyG-BMI与新发高血压风险之间的非线性关系，揭示剂量-反应关系并确定是否存在阈值效应。所有统计分析均使用R版本4.3.2（R Foundation for Statistical Computing，维也纳，奥地利）进行。统计显著性定义为双尾p值<0.05。

**亚组分析**
使用多个亚组进行新发高血压的风险分析。根据参与者年龄（40岁、40–60岁、>60岁）、性别、当前吸烟状况、当前饮酒状况、SBP（<120 mm Hg、120–129 mm Hg、130–139 mm Hg）、DBP（<70 mm Hg、70–79 mm Hg、80–89 mm Hg）、尿酸浓度升高（>420 µmol/L）、TC浓度升高（≥6.21 mmol/L）、DM、高血压家族史和打鼾习惯进行分层。我们在每个分析模型中都包含了一个交互项，以评估有效测量值的修改情况。敏感性分析首先，我们构建了一个Cox回归模型，排除了数据缺失的参与者，以防止这些缺失值对主要结果产生任何潜在影响。随后，我们移除了eGFR <60 mL/分钟/1.73 m²或糖尿病（DM）的个体，以考虑DM和慢性肾病（CKD）对高血压风险的潜在影响。然后重新分析了数据集，以评估这两种情况的存在是否会影响短期内新发高血压的结果。最后，我们使用1:1倾向得分匹配（Zhao等人，Citation2021）谨慎地建立了一个队列，确保基线匹配良好。当标准化平均差异<0.10时，认为组间平衡是令人满意的，并使用这个群体进一步验证了研究结论。

**基线参与者特征**
用于研究人群的筛查过程如图1所示。共有3,729名没有基线高血压的参与者被纳入研究。纳入参与者的平均年龄为50.12岁（标准差=9.41），其中2,153人为女性（57.74%）。表1提供了基线特征的概述，按TyG-BMI的三分位数进行了分类。在所有参与者中，平均（标准差）TyG-BMI为205.95（37.05）。与TyG-BMI最低三分位数（T1）的参与者相比，较高三分位数（T2–T3）的参与者倾向于更年轻，BMI、腰臀比（WHR）、收缩压（SBP）、舒张压（DBP）和白细胞计数（WBC）更高；空腹血糖（FBG）、血尿酸（uric acid）、甘油三酯（TG）和低密度脂蛋白胆固醇（LDL-C）浓度也更高；有中风家族史；有打鼾习惯；高血压发病率更高；而eGFR、高密度脂蛋白胆固醇（HDL-C）浓度和吸烟率较低。在性别比例、婚姻状况、教育水平、高血压家族史和体力活动强度方面，各组之间没有显著差异（所有p值>0.05）。

**表1. 研究参与者的基线特征。**
**下载CSV**
**显示表格**

所有参与者及倾向得分匹配参与者的TyG-BMI变量分布如图S1（分布图）所示。表S2展示了根据新发高血压情况分类的参与者基线特征。

**TyG-BMI与新发高血压之间的关联**
在3年的随访期间（中位数：2.59年），743名参与者（19.92%）发展为高血压。如图2所示，不同TyG-BMI三分位数组中的高血压病例数量逐渐增加（从T1到T3）。新发高血压的患者数量分别为T1组184人（14.80%）、T2组262人（21.08%）和T3组297人（23.89%），且这种趋势不受性别影响（图2还显示了事件率的95%置信区间（CI））。表2显示了不同TyG-BMI亚组中的高血压发病率。经过多重协变量调整的Cox回归模型显示，TyG-BMI的增加与T2和T3组新发高血压风险增加之间存在显著相关性（T2：调整后的风险比[aHR]，1.29，95% CI 1.05–1.57；T3：aHR，1.32，95% CI 1.06–1.66，与T1组相比）。这种风险随着TyG-BMI的增加而逐渐增加（p<0.001），合并T2和T3组后也观察到了类似的趋势（T2–T3）。根据上述分析，每增加1.0个标准差（SD）的TyG-BMI，新发高血压的风险增加10%（aHR，1.10，95% CI 1.01–1.20）。平滑曲线拟合显示了TyG-BMI与新发高血压可能性之间的剂量-反应关系（图3）。完全调整后的平滑拟合曲线表明TyG-BMI与高血压事件之间存在正相关（平滑项的近似显著性，p=0.034）。

**图2. 新发高血压的发病率。**
该图展示了按TyG-BMI三分位数分类的新发高血压发病率：低、中、高，分别对应女性（左）、男性（中）和总参与者（右）。女性的发病率分别为12.41%（低）、16.88%（中）和20.78%（高）；男性分别为18.15%（低）、26.69%（中）和28.14%（高）。总发病率分别为14.80%（低）、21.08%（中）和23.89%（高）。所有p值<0.001，表明这些趋势具有统计学意义。

**图3. TyG-BMI与新发高血压风险之间的广义加性模型。**
广义加性模型展示了TyG-BMI（连续变量）与新发高血压风险之间的关系。平滑曲线拟合显示了在调整潜在混杂因素后的对数（相对风险）（y轴）和连续协变量（x轴）：性别；年龄；种族；当前吸烟和饮酒状况；婚姻状况；教育水平；家庭收入水平；SBP；DBP；高血压和中风家族史；体力劳动强度；打鼾习惯；WBC计数；eGFR；以及UA、TC、HDL-C和LDL-C浓度。

**表2. 新发高血压的发病率。**
**下载CSV**
**显示表格**

**表3. TyG-BMI与新发高血压的关联。**
经过多重协变量调整的Cox回归模型还显示，TyG-BMI与不同类型高血压的风险相关（表S3）。当合并T2和T3组时，SBP升高的风险增加了26%（aHR，1.26，95% CI 1.01–1.57），而DBP升高的风险增加了66%（aHR，1.66，95% CI 1.16–2.39）。

**亚组分析**
进行了分层分析，以阐明TyG-BMI（T2–T3和T1）与各亚组中新发高血压可能性之间的关系（图4）。40岁以下个体亚组（<40岁，aHR，3.56，95% CI 1.60–7.95；40–60岁，1.22，95% CI 0.97–1.54；>60岁，1.13，95% CI 0.76–1.68；交互作用的p=0.04）与其它年龄亚组相比，正相关因素更强。包括基于性别、当前吸烟者、当前饮酒者、基线SBP、基线DBP、TC异常、高尿酸血症、打鼾习惯、高血压家族史和DM的亚组在内，均未观察到TyG-BMI与高血压发病率之间有显著变化（所有p值>0.05）。

**图4. TyG-BMI与新发高血压发病率关联的亚组分析。**
该模型调整了性别；年龄；种族；当前吸烟和饮酒状况；婚姻状况；教育水平；家庭收入水平；SBP；DBP；高血压和中风家族史；体力劳动强度；打鼾习惯；WBC计数；eGFR；以及UA、TC、HDL-C和LDL-C浓度。当变量是分层的时，未进行调整。

**敏感性分析**
使用多种方法验证主要结果的稳健性时，观察到了一致的结果。首先，在移除任何协变量缺失值的参与者后，TyG-BMI与高血压风险之间的关系在完全调整的模型中几乎保持一致（T2：aHR，1.27，95% CI 1.04–1.55；T3：aHR，1.30，95% CI 1.04–1.63；每增加1个标准差：aHR，1.09，95% CI 1.00–1.19）（表S4）。随后，当移除已有DM和CKD的参与者后，高血压的风险与初步分析中的结果一致（T2：aHR，1.28，95% CI 1.05–1.58；T3：aHR，1.37，95% CI 1.08–1.73；每增加1个标准差：aHR，1.16，95% CI 1.06–1.27）（表S5）。最后，在进行1:1倾向得分匹配后，确认了1,056对基线匹配的个体分布在T1和T2–T3组中（表S6）。TyG-BMI与高血压发病率之间的相关性保持一致（T2–T3 vs T1：HR，1.34，95% CI 1.03–1.75；每增加1个标准差：HR，1.11，95% CI 1.01–1.23）（表S7）。

**讨论**
这是一项针对中国农村社区个体的相对大规模纵向队列研究，包括3,729名没有高血压的参与者。在3年的随访期间，我们观察到TyG-BMI与高血压发病率之间存在强烈的正相关关系。即使在考虑了潜在混杂变量后，这种关系仍然显著，并且在各种亚组和敏感性分析中也观察到了一致的结果。完全调整后的平滑拟合曲线显示了TyG-BMI与高血压发展之间的直接相关性。据我们所知，这是首次在中老年人群（年龄范围：35–88岁）中进行的研究，探讨了TyG-BMI与高血压发病之间的关系。这项研究为中国的农村社区提供了关于高血压预防策略的新见解，这些社区的经济相对不发达。

高血压与胰岛素抵抗（IR）密切相关，胰岛素可以通过多种机制升高血压，包括增加肾脏钠的重吸收、激活交感神经系统、改变跨膜离子转运、内皮功能障碍以及血管收缩和舒张的不平衡。此外，高血压可以通过影响葡萄糖向骨骼肌细胞的传输而导致IR，从而影响葡萄糖的摄取（Salvetti等人，Citation1993）。IR和高血压的共存可以被视为因果关系（IR导致高血压，反之亦然）或非因果关系。因此，在这项研究中，我们使用纵向队列调查了基线时没有高血压的个体的高血压发病率，以揭示因果关系。然而，一些研究发现，尽管IR与血压水平相关，但高血压的风险取决于脂肪组织中的IR，而不是肝脏或肌肉组织中的IR（Sasaki等人，Citation2022）。因此，考虑肥胖可能有助于衡量IR对高血压发病的影响。

先前关于TyG指数对血压影响的研究结果并不一致。一项针对4,686名20–80岁在中国南部城市医院接受体检的个体的9年纵向随访显示，TyG指数可以预测高血压的发生（Zheng & Mao，Citation2017）。另一项研究（T. Liu等人，Citation2023）使用全国性队列得出了类似结论，但这仅适用于45岁及以上的中老年人。相反，其他研究发现，在肥胖或正常体重的个体中，TyG指数与高血压之间的相关性不显著（X. Z. Liu等人，Citation2019）。然而，对于TyG-BMI，TyG和BMI结合使用来评估IR及其相关的代谢状态，比单独的TyG指数更准确地反映了个体的代谢健康状况（Yuan等人，Citation2022）。TyG-BMI与多种代谢健康相关疾病相关，如高尿酸血症（Gu等人，Citation2020）和糖尿病（Han, Hu等人，Citation2023）。先前的横断面研究表明，TyG-BMI可用于识别中老年人中的高血压患者，无论亚组如何（Deng等人，Citation2023；Nikbakht等人，Citation2023）。它还可以用于区分血糖水平正常的特殊人群中的高血压患者（Peng等人，Citation2023）。此外，它还可以用于识别高血压前期状态（Chen等人，Citation2023）。我们的研究结果与之前的横断面研究部分一致，并提供了关于TyG-BMI在预测高血压发病率方面的有效性和可靠性的新证据。此外，就高血压的类型而言，我们发现TyG-BMI在预测舒张压升高方面更为显著，而在完全调整后的模型中，预测收缩压升高的风险（在最高四分位数亚组T3中）并不显著。这可能归因于胰岛素抵抗（IR）与舒张压之间的密切关系（Simental-Mendía等人，Citation2008），甚至可能是相互依赖的关系（Niţescu等人，Citation2016）。在分层分析中，大多数变量（包括性别、当前吸烟者、当前饮酒者、高胆固醇血症、基线血压分类、高尿酸血症、打鼾习惯、糖尿病或高血压家族史）并未显著改变TyG-BMI与新发高血压之间的关联；因此，本研究的结果适用于大多数普通人。然而，在40岁以下的个体中，TyG-BMI与新发高血压之间的相关性更强，年龄与新发高血压之间可能存在交互作用。这可能是由于个体代谢率、肌肉质量和激素水平随年龄的变化所致。在老年人中，TyG-BMI作为高血压风险的预测指标可能会受到其他因素的影响，如血管顺应性的降低和营养健康状况的变化，这些因素会影响胰岛素抵抗。这可能需要在解释TyG-BMI以预测高血压时考虑年龄因素，表明相对年轻的人群应更加注意保持较低的TyG-BMI水平。先前的研究已经表明，TyG指数和TyG-BMI在不同人群中可能与疾病有不同的关联和预测能力，尤其是在不同年龄段的个体中（Xing等人，Citation2023）。然而，具体的机制仍需进一步探讨。

本研究的主要优势在于NCRCHS队列提供了丰富且可靠的医学数据，该队列具有区域代表性（高血压发病率相对较高的地区）和广泛的随访时间，以及对潜在高血压风险因素的相对全面的控制。此外，进行彻底的亚组分析和敏感性分析增强了我们关于TyG-BMI与高血压发病风险之间关联的结果的可信度。然而，本研究也存在一些局限性。由于随访时间较短，我们无法观察到TyG-BMI随时间的更详细变化。另一个局限性在于高血压事件的识别，这是基于现场血压测量和医生进行的询问。尽管NCRCHS提供了现场血压测量数据以验证和确认高血压（即客观数据），但它还提供了从参与者访谈中获得的额外数据，包括是否服用了抗高血压药物以及随访期间是否明确诊断出高血压（即主观数据）。这需要参与者回忆数据，尽管回忆偏差的概率较小。此外，我们特别针对的是中老年人群，重点关注中国北方农村地区的35岁及以上的个体。我们的研究结果可以为制定个性化的监测和预防高血压策略提供参考。尽管如此，仍需要进一步的研究来确认这些结果的适用性。

结论

我们使用TyG-BMI（一个重要的胰岛素抵抗指标）来分类居住在中国北方农村地区、高血压患病率较高的中老年人群的高血压风险。NCRCHS的研究结果表明，在3年的随访期间，TyG-BMI与高血压发病风险增加有关。保持相对较低的TyG-BMI水平可能有助于高血压的一级预防。需要进一步的研究来验证我们的结果是否适用于具有不同种族背景、生活方式和年龄的多样化人群。

补充材料

Supplemental Material20260416.docx（226.1 KB）
Supplemental Material20260416.docx
20260416manuscript_with_changes.docx（76.3 KB）

数据可用性声明

支持本研究结果的数据可向通讯作者YS索取。由于研究仍在进行中，这些数据尚未公开。