《BMJ Open Diabetes Research & Care》：Metal Mixture Inflammatory Index and diabetes risk in US adults: a cross-sectional analysis of NHANES 1999–2020 and development of a LASSO-based prediction model
编辑推荐：
本研究基于美国国家健康与营养调查（NHANES）大数据，首次揭示了金属混合物炎症指数（MMII）与美国成人糖尿病风险之间存在独立且线性的正相关关系。研究团队进一步利用最小绝对收缩和选择算子（LASSO）回归构建了包含尿金属等关键预测因子的列线图模型，该模型展现出卓越的判别能力（AUC=0.869）和良好的校准度。该发现为将环境金属暴露作为可改变的危险因素纳入糖尿病风险分层和预防策略提供了重要依据。
引言
糖尿病（DM）的全球患病率正以前所未有的速度增长。据国际糖尿病联盟最新数据，2021年全球约有5.37亿成人糖尿病患者，预计到2045年将增至7.83亿。除了人口老龄化、肥胖和久坐行为等主要驱动因素外，环境因素，特别是非必需金属暴露，作为潜在的代谢干扰物日益受到关注。大量研究已将镉（Cd）、铅（Pb）和汞（Hg）等有毒金属与葡萄糖代谢受损和2型糖尿病风险增加联系起来。然而，大多数研究集中于单一金属或简单混合物，对于金属混合物通过炎症通路影响糖尿病风险的机制，以及将金属暴露生物标志物整合进个体化风险预测模型的探索仍显不足。金属混合物炎症指数（MMII）是近期开发的一个综合指标，用于量化六种尿金属（汞、镉、钴、钼、铅、钨）共同作用的促炎潜力，并已被证明与全身性炎症标志物和全因死亡率相关。本研究旨在利用NHANES（1999–2020）的大样本数据，深入探讨MMII与糖尿病患病风险之间的关联，并开发一个基于LASSO回归的、整合了金属暴露和传统危险因素的糖尿病风险预测模型。
材料与方法
研究数据来源于1999年至2020年共11个周期的NHANES数据库。NHANES采用复杂多阶段概率抽样设计，旨在代表美国非住院成年人群的健康和营养状况。经过严格的纳入排除标准筛选后，最终分析样本包含23,288名年龄≥18岁、拥有完整MMII和糖尿病信息的参与者。
本研究的核心暴露指标MMII，是依据Wang等人的方法计算得出。该指数通过还原秩回归确定了六种尿金属（汞、镉、钴、钼、铅、钨）的线性组合，以最大程度地解释C反应蛋白和血小板/淋巴细胞比率这两个炎症标志物的方差。计算时，首先对每种金属浓度进行Z转换，然后使用已报道的回归系数进行加权求和，更高的MMII分数代表更强的促炎潜能。
糖尿病的诊断严格遵循美国糖尿病协会（ADA）标准：参与者满足以下任一条件即被定义为糖尿病患者：自我报告曾被医生诊断为糖尿病、当前使用胰岛素或口服降糖药、空腹血糖≥126 mg/dL、或糖化血红蛋白（HbA1c）≥6.5%。
统计分析严格遵循NHANES的分析指南，纳入抽样权重、 strata和初级抽样单位以校正复杂抽样设计。连续变量以加权均数±标准差或中位数（四分位距）表示，分类变量以加权频数（百分比）表示。采用调查加权逻辑回归模型评估MMII（每增加0.1单位以及按四分位数分组）与糖尿病风险之间的关联，并构建了三个递进调整的模型：未调整模型、模型1（调整年龄、性别、种族/民族、贫困收入比PIR、教育水平、婚姻状况）和模型2（进一步调整吸烟状况、饮酒、体力活动、舒张压DBP、收缩压SBP、血清肌酐SCR、体重指数BMI、高密度脂蛋白胆固醇HDL-C、低密度脂蛋白胆固醇LDL-C、总胆固醇TC、甘油三酯TG以及能量、蛋白质、碳水化合物、饱和脂肪和膳食纤维的摄入量）。使用限制性立方样条（RCS）分析来探索MMII与糖尿病风险之间的剂量-反应关系。此外，还按性别、年龄、种族/民族、吸烟状况、饮酒和高血压状况进行了亚组分析。
为了构建更精简且预测能力强的模型，研究采用了LASSO（最小绝对收缩和选择算子）回归进行变量筛选。该方法通过引入L1惩罚项，将不重要的预测变量系数压缩至零，从而在存在多重共线性的情况下实现变量选择。通过10折交叉验证选择最优的惩罚参数λ。最终筛选出的预测变量被用于构建一个可视化的列线图（Nomogram）来估算个体糖尿病风险。模型的性能通过受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）进行评估。
结果
基线特征
在最终纳入的23,288名参与者中，共有2,837人（12.2%）患有糖尿病。与无糖尿病者相比，糖尿病患者年龄更大，BMI、血压（SBP和DBP）、SCR、LDL-C、TG以及MMII分数更高，而HDL-C水平更低。糖尿病组的总能量、蛋白质、碳水化合物和饱和脂肪摄入量也较低。两组在婚姻状况、教育水平、吸烟状况、种族/民族分布和体力活动水平上也存在显著差异。
MMII与糖尿病风险的关联
在多变量调整模型（模型2）中，MMII每增加0.1单位，糖尿病患病风险增加2%（OR=1.02；95% CI 1.00至1.04）。当将MMII按四分位数分组分析时，观察到明显的剂量-反应趋势（趋势P值=0.003）。与最低四分位数（Q1）的参与者相比，处于Q2、Q3和Q4分位的参与者患糖尿病的风险逐步升高，其完全调整后的OR值分别为1.21、1.23和1.26。最高四分位数（Q4）的参与者比最低四分位数（Q1）的参与者糖尿病风险高出26%（OR=1.26；95% CI 1.04至1.52）。
剂量-反应关系
RCS分析显示，在整个研究人群中，MMII与糖尿病风险之间存在线性的正相关关系（总体关联P<0.001；非线性检验P=0.461）。这种线性关系在男性中尤为显著（总体关联P=0.003），而在女性中未观察到显著关联。
亚组分析
亚组分析表明，MMII与糖尿病风险的正相关关系在不同亚群中存在异质性。该关联在男性、非西班牙裔白人、既往吸烟者、当前饮酒者以及无高血压的个体中更为显著。交互作用检验发现，年龄和高血压状态对MMII与糖尿病风险的关联存在显著的修饰作用。
LASSO预测模型与列线图
LASSO回归从28个候选预测因子（包括模型2中的22个协变量和6个单独的尿金属）中筛选出13个关键变量，包括：四种尿金属（钨、铅、钼、镉）、膳食因素（纤维和碳水化合物摄入）、临床标志物（HDL-C、TC、SCR、SBP、BMI）、PIR和年龄。基于这些变量构建的列线图模型表现出优异的判别能力，AUC高达0.869（95% CI 0.863至0.875）。校准曲线显示预测概率与实际观察概率高度一致，决策曲线分析也证实该模型在广泛的阈值概率范围内具有临床实用性。
讨论
主要发现与文献比较
本研究证实，在代表美国成年人群的大样本中，较高的MMII评分与糖尿病风险增加独立相关，且存在线性剂量-反应关系。这一发现与日益增多的证据相一致，这些证据表明单一金属（如镉、铅）和金属混合物暴露均可扰乱葡萄糖稳态。先前的研究利用加权分位数和（WQS）回归、贝叶斯核机器回归（BKMR）等方法也揭示了尿金属混合物（通常以镉、铊为主）与糖代谢异常和代谢综合征特征之间的正向关联。本研究的创新之处在于引入了MMII这一综合炎症指数，并成功将其与LASSO机器学习方法结合，构建了高性能的预测模型。
生物学机制探讨
金属混合物可能通过多种途径促进糖尿病发生。首先，镉、铅、汞等金属可在胰腺β细胞中积累，诱导线粒体活性氧（ROS）产生，导致氧化应激，进而激活核因子κB（NF-κB）通路和NOD样受体热蛋白结构域相关蛋白3（NLRP3）炎症小体，引发胰岛炎症并加速β细胞凋亡。其次，代谢组学研究提示，金属暴露可能干扰与胰岛素信号密切相关的支链氨基酸、脂肪酸和糖代谢通路。此外，金属暴露还可能改变肠道菌群组成，影响短链脂肪酸产生，并通过表观遗传修饰（如DNA甲基化）影响代谢相关基因的表达。本研究中，在调整血压和血脂异常等代谢参数后，金属-糖尿病的关联强度有所减弱，提示这些因素可能部分中介或修饰了该关联。膳食纤维的摄入则显示出保护作用，可能通过改善胰岛素敏感性和减轻炎症来缓冲金属诱导的代谢应激。
异质性分析
亚组分析揭示的异质性具有其合理性。男性通常因职业接触和铁储备较低而具有更高的金属身体负荷，这可能解释了男性中关联更强的原因。非西班牙裔白人群体中关联显著，可能与饮食和居住环境导致的钨、钼暴露源差异有关。既往吸烟者体内镉等金属的持续释放，以及酒精可能通过影响肝脏代谢酶和耗竭谷胱甘肽而加剧金属毒性，都使得这些亚群的关联更为明显。而在高血压患者中关联不显著，则可能与高血压本身已导致的高水平血管炎症和氧化应激“掩盖”了金属附加的炎症效应有关。
临床与公共卫生意义
本研究结果表明，MMII有潜力成为一个实用的生物标志物，用于识别糖尿病高风险成年人。由于MMII基于常规检测的尿金属，它可以与传统的代谢标志物一同整合到现有的筛查平台中。从公共卫生角度，观察到的线性剂量-反应关系强调了加强对镉、铅、钨、钼等金属在消费品、土壤和饮用水中监管的必要性。针对性的干预措施，如修复污染住房、减少膳食重金属来源以及对高风险职业进行监测，可能有助于降低人群的炎症负荷，从而遏制糖尿病发病率的上升。
研究优势与局限性
本研究的优势包括大规模、具有全国代表性的样本、对多种混杂因素的全面调整以及使用经过验证的混合物分析和机器学习方法。然而，其横断面设计无法推断因果关系，单次尿金属测量可能无法准确反映长期暴露水平，并且不能完全排除未测量的环境或遗传因素造成的残留混杂。此外，大样本量使得即使效应值很小也可能达到统计学显著性，因此在解读临床意义时需要谨慎。
结论
综上所述，这项基于美国全国代表性人群的研究表明，金属混合物炎症指数（MMII）与糖尿病风险独立相关。同时，基于LASSO回归构建的预测模型成功识别出四种关键尿金属和九种传统风险因素，模型具有出色的判别和校准性能。这些发现提示，混合金属暴露与既定的心血管代谢危险因素共同影响着糖尿病的易感性，强调了在未来糖尿病风险评估框架中，将环境暴露与传统危险因素相结合的重要性。未来的研究方向包括开展前瞻性研究以明确时序关系，并在独立人群（特别是亚洲队列）中验证该预测模型的普适性。
