分级运动过程中血压变化轨迹的决定因素及其预测价值

《European Journal of Applied Physiology》：Determinants and prognostic value of blood pressure trajectories during graded exercise

　　**摘要**

**目的**
运动时的收缩压（SBP）反应反映了心血管健康状况，过度或减弱的地反应均与不良结局相关。以往的研究通常依赖峰值SBP或两点斜率来进行评估。我们的目标是识别在最大强度、分级运动过程中记录的完整时间序列中的不同SBP反应，并评估其临床决定因素和预后相关性。

**方法**
在这项队列研究中，我们分析了6107名患者（平均年龄55.4岁；45%为女性）在最大负荷自行车测力计测试中的SBP记录。基于组的轨迹建模（GBTM）从绝对SBP和相对变化（ΔSBP）轨迹中提取了性别特异性的反应。使用序数逻辑回归和Cox生存分析分别评估了这些反应与临床因素和主要不良心血管事件（MACE）发生之间的关联。

**结果**
按性别划分，GBTM识别出四种SBP和四种ΔSBP轨迹，它们之间存在较弱的重叠。较高的SBP和较低的ΔSBP轨迹与不良临床特征相关，包括较高的年龄和较低的运动能力。在调整了静息SBP后，高SBP和低ΔSBP组的MACE发生率最高。然而，在静息时血压正常的患者中，高SBP反应（以及男性的低ΔSBP）独立地与MACE风险增加相关。同时具有高SBP和低ΔSBP特征的患者一致表现出最高的MACE风险。

**结论**
对分级运动过程中SBP测量的时间序列分析揭示了不同的反应模式，这对MACE预测具有价值，尤其是在血压正常的人群中。将此类分析整合到运动测试中可能有助于更精细地分层心血管风险。

**图形摘要**
从最大强度分级运动过程中记录的时间序列中识别和验证基于轨迹的收缩压（SBP）反应。该图像的替代文本可能是使用AI生成的。

**引言**
运动时的收缩压（SBP）反应反映了心血管健康状况，过度或减弱的地反应均与不良结局相关。以往的研究通常依赖峰值SBP或两点斜率来进行评估。我们的目标是识别在最大强度、分级运动过程中记录的完整时间序列中的不同SBP反应，并评估其临床决定因素和预后相关性。

**方法**
在这项队列研究中，我们分析了6107名患者（平均年龄55.4岁；45%为女性）在最大负荷自行车测力计测试中的SBP记录。基于组的轨迹建模（GBTM）从绝对SBP和相对变化（ΔSBP）轨迹中提取了性别特异性的反应。使用序数逻辑回归和Cox生存分析分别评估了这些反应与临床因素和主要不良心血管事件（MACE）发生之间的关联。

**结果**
按性别划分，GBTM识别出四种SBP和四种ΔSBP轨迹，它们之间存在较弱的重叠。较高的SBP和较低的ΔSBP轨迹与不良临床特征相关，包括较高的年龄和较低的运动能力。在调整了静息SBP后，高SBP和低ΔSBP组的MACE发生率最高。然而，在静息时血压正常的患者中，高SBP反应（以及男性的低ΔSBP）独立地与MACE风险增加相关。同时具有高SBP和低ΔSBP特征的患者一致表现出最高的MACE风险。

**数据分析与统计分析**
数据处理和分析使用Python 3.14和常见的数据科学库完成。图1展示了从一系列绝对SBP值或每个时间点SBP与静息SBP之间的百分比变化（即ΔSBP）中识别和验证运动SBP轨迹的三个分析步骤。为此，我们旨在根据平均SBP反应（主要由平均运动SBP决定）和基于SBP动态的反应轮廓（主要由SBP的斜率或相对上升幅度反映）进行区分。

**步骤1：SBP时间序列的预处理**
如其他研究所述（Cauwenberghs et al. 2026），我们应用了一种启发式的、基于规则的质量控制程序来识别SBP时间序列中的不合理数据点。首先，如果SBP记录未通过一般的技术和生理检查点，则将其省略（补充图1）。接下来，连续运动SBP测量之间的突变基于生理预期进行基准测试，如果变化超过20 mmHg的下降或60 mmHg的上升，则标记出来以供视觉审查。在36个被标记的时间序列中，我们省略了14个整体质量较差的时间序列，并移除了10个可能由测量错误或记录错误引起的不合理/干扰数据点。

**步骤2：基于组的轨迹建模SBP轨迹**
对于每个患者，SDP测量次数（包括静息SDP）的中位数被重新缩放到0-100%的范围内。然后使用min-max标准化对每个患者的运动持续时间进行标准化（图1）。由于工作负荷逐渐且线性增加，通过测试时间或工作负荷进行标准化是等效的，这体现在这些轴之间的近乎完美的患者内相关性（r = 0.99 ± 0.01）。接下来，将（Δ）SBP值线性插值，生成间距均匀的11个SBP轨迹点，每个测试持续时间的10%对应一个数据点（图1）。GBTM是一种统计方法，用于识别人群中随时间表现出不同变化模式的群体。它不依赖于单一测量值，而是将随时间在某个变量上呈现相似趋势的个体归为同一组（Nguena Nguefack等人，2020年）。在这项研究中，GBTM被用来根据完整的SBP时间序列来识别不同的锻炼相关（Δ）SBP变化轨迹，每个轨迹将具有不同（Δ）SBP反应的患者归为一组。GBTM分别对绝对SBP和ΔSBP数据进行建模，使用了R语言包‘gbmt’（版本0.1.3）（Magrini，2022年），并以标准化测试时长作为时间尺度。由于性别对锻炼时SBP反应的影响有明显差异（Gleim等人，1991年；Li等人，2025年），GBTM对男性和女性分别进行。评估了包含两到十个二次方程轨迹的模型，对于男性和女性以及SBP和ΔSBP，贝叶斯信息准则（BIC）表明四轨迹模型总体上提供了最佳拟合（补充图2）。因此，每个患者被分配到他们具有最高后验预测概率的四个轨迹组之一，无论是对于SBP还是ΔSBP。此外，这四个SBP轨迹被定性标记为“低SBP”、“低-中SBP”、“中-高SBP”和“高SBP”，以匹配它们的视觉表现。同样，四个ΔSBP轨迹也被定性标记为“低SBP上升”、“低-中SBP上升”、“中-高SBP上升”和“高SBP上升”。在探索性分析中，绝对SBP和相对ΔSBP的轨迹有很强的重叠。我们选择使用相对ΔSBP轨迹，因为它们对静息SBP进行了标准化处理。

第三步：验证锻炼（Δ）SBP轨迹。为了评估锻炼（Δ）SBP组的临床相关性，我们分析了它们与基线临床因素和MACE风险的关联。需要注意的是，提取的ΔSBP组应被视为SBP动态的标准化描述符，并不代表压力的直接生理测量或替代绝对SBP变化。

首先，我们使用基于核密度估计的重叠系数来量化不同轨迹组之间的峰值SBP分布重叠程度。然后通过交叉表进一步评估了基于轨迹的分类与峰值SBP分类之间的一致性（非夸大的与夸大的SBP反应）。接下来，使用成对Z检验比较了各组之间的临床特征。应用序数逻辑回归来估计分配到更高轨迹类别的多变量调整后的几率（例如，从“低SBP”转移到“低-中SBP”），同时考虑了年龄、BMI、高血压、降压药物使用、β阻滞剂使用、降脂药物、抗凝剂、糖尿病、心脏病、静息心率和ppWL等因素的调整。

在生存分析中，为每个（Δ）SBP轨迹类别生成了Kaplan–Meier曲线，并通过log-rank检验比较了各组之间的无事件生存期。我们拟合了Cox比例风险模型来计算相对于队列平均风险的MACE风险比（HR）。调整后的HR考虑了MACE的显著预测因素的差异：基线年龄、心脏病、慢性阻塞性肺疾病、糖尿病以及降压药物的使用（不包括β阻滞剂）、β阻滞剂使用、降脂药物、抗凝剂和ppWL（运动能力受损与正常）。此外，我们还测试了考虑静息SBP的影响。为了探索我们方法的临床价值，超出了传统的血压评估范围，我们根据静息时的高血压状态重复了Cox建模（即静息SBP≥140 mmHg、静息DBP≥90 mmHg或之前有高血压临床诊断的参与者与正常血压的参与者）。在Cox建模之前，我们通过评估协变量的方差膨胀因子（≤3.12）来验证是否存在问题性的多重共线性。

接下来，我们检查了SBP和ΔSBP轨迹是否能提供互补的信息。为此，我们首先使用Cramer’s V（衡量两个分类变量之间关联的指标）来评估SBP和ΔSBP轨迹分配之间的一致性。然后，我们对SBP/ΔSBP轨迹的十六种组合（例如低SBP/低SBP上升）重复了Cox建模。

### 锻炼（Δ）SBP组的特征

补充表1描述了6,107名患者（平均年龄55.4岁，45%为女性）的队列。在两性中，GBTM根据绝对SBP值或ΔSBP确定了四个不同的轨迹，分别对应于低、低-中、中-高和高反应（图2）。对于绝对SBP和ΔSBP，低-中和中-高组最为常见，而高组则最少见（图2）。补充图3和图4显示了分配给每个轨迹的个体ΔSBP时间序列。重要的是，组的分配不仅仅是由峰值（Δ）SBP决定的，而是由完整的（Δ）SBP时间序列决定的。例如，具有相似峰值个体的患者可以被归入不同的轨迹，这从SBP组之间的峰值SBP有很大重叠（补充图5A）和不同峰值ΔSBP反应组之间的峰值ΔSBP分布可以看出（补充图5B）。补充表2显示了（Δ）SBP反应组与夸大SBP反应（男性峰值SBP＞210 mmHg，女性＞190 mmHg）之间的一致性。

图2
这张图像的替代文本可能是由人工智能生成的。

### 基于组别轨迹建模（GBTM）得出的锻炼SBP轨迹。GBTM从男性和女性的SBP和ΔSBP时间序列中识别出四种不同的反应特征。每个面板展示了每个轨迹的回归线。这些特征被标记以匹配它们的生理表现。

### 按SBP和ΔSBP组的临床特征总结在补充表3和表4中。总体而言，从低SBP组到高SBP组以及从高ΔSBP组到低ΔSBP组，年龄、BMI、高血压的患病率以及降压药和降脂药物的使用显著增加。此外，低SBP和低ΔSBP反应者的ppWL最低。

### 锻炼（Δ）SBP组的临床决定因素

多变量序数逻辑回归确定了几个独立的轨迹分配预测因子（表1）。分配到较高SBP组与年龄较大、BMI较高、高血压、静息心率较高以及没有心脏病或抗凝剂使用有关（所有均为P≤0.047）。在男性中，没有使用β阻滞剂还预测了较高的SBP反应。相比之下，分配到较高ΔSBP组与年龄较小、使用降脂疗法以及没有β阻滞剂使用有关（所有均为P≤0.017）。另外，男性静息心率较高和女性正常血压以及糖尿病也是较高ΔSBP组的额外预测因子。值得注意的是，在两性中，分配到较高SBP和较高ΔSBP组与较高的ppWL独立相关（表1）。

### 锻炼（Δ）SBP组和MACE风险

在中位随访7.1年（5-95百分位数：1.6至12.9年）期间，男性和女性分别有1,167名患者（19.1%）经历了MACE。补充表5显示了按SBP和ΔSBP组的事件发生率。在男性中，无论是在未调整（PLOG-RANK<0.0001）还是多变量调整后的分析中（图3A-B），高SBP组的MACE发生率最高。然而，在调整静息SBP后，这种关联不再显著（图3C）。在女性中，中-高SBP组和高SBP组的MACE发生率较高（PLog-rank<0.0001），但只有中-高SBP组在调整后仍然显著（图3B-C）。

### 基于ΔSBP轨迹的生存分析显示，从高ΔSBP上升降至低ΔSBP上升，MACE发生率逐渐增加（补充图6A）。在基本调整后，低ΔSBP上升与男性MACE风险增加有关（补充图6B）。然而，在进一步调整静息SBP后，这种关联不再显著（补充图6C）。

### SBP/ΔSBP组合与MACE风险

在男性和女性中，SBP和ΔSBP轨迹分配之间的一致性都很弱（Cramer’s V=0.065和0.056）（补充表6和表7），这表明这两个指标捕捉了锻炼SBP反应的不同但互补的方面。在未调整和调整后的分析中，高SBP/低ΔSBP组合的男性一致表现出最高的MACE风险（图4A）。在女性中，标记为中-高SBP/低(-中) ΔSBP反应者的MACE风险也独立较高（图4B，右图）。进一步调整静息SBP后，这些关联在男性中的显著性减弱，但在女性中没有减弱（补充图7）。

### 根据高血压状态划分的锻炼（Δ）SBP组和MACE风险

在男性中，如果同时具有高SBP反应，静息时正常血压与最高调整后的MACE风险相关（调整后的HR：1.66 [1.06–2.61]），甚至超过了静息时高血压的风险（调整后的HRs在0.94到1.30之间）（补充图8）。在男性中，无论是否患有高血压，高SBP反应也与最高调整后的MACE风险相关（1.23 [1.05–1.43]，补充图8）。在具有静息时正常血压的男性组中，高SBP反应也独立关联到最高的MACE风险（调整后的HR：1.36 [1.01–1.85]；图5）。同样，在具有静息时正常血压的女性组中，从低SBP反应到高SBP反应，MACE风险也独立增加（调整后的HR：1.79 [1.16–2.76]，图5）。相比之下，在患有高血压的男性和女性组中，SBP反应组并没有独立预测MACE（图5）。

### 关于ΔSBP反应的讨论

我们应用轨迹建模来表征分级运动测试期间的性别特异性SBP反应（图形摘要）。主要发现包括：（1）每个指标（SBP和ΔSBP）都出现了四个不同的轨迹，它们之间的一致性较弱；（2）高平均SBP反应（高SBP）和SBP上升缓慢（低ΔSBP）都与不良的心血管风险特征相关；（3）高SBP组和低ΔSBP组的MACE发生率最高，但在调整静息SBP后，这些反应类别并不能独立预测MACE；（4）在两性中，高平均SBP反应和低SBP上升的组合带来了最大的MACE风险，尽管调整静息SBP后这些关联的显著性减弱；（5）高SBP反应（加上男性的低ΔSBP）独立预测了未来没有静息时高血压患者的MACE风险。这些发现共同强调了SBP轨迹分析在细化心血管风险分层方面的潜力，尤其是在没有先前高血压的个体中。

### 分析完整的锻炼SBP反应以进行无偏评估

以往关于锻炼SBP的研究主要集中在离散指标上，如峰值SBP（Hedman等人，2022年；Assaf等人，2021年）和两点SBP斜率（Hedman等人，2019年、2022年；Janssens等人，2025年），这些指标已被证明具有预测价值。然而，这些简化的指标只捕捉了部分生理反应，可能导致过度简化。离散指标还依赖于硬性的、任意设定的阈值来定义异常，这可能会引入偏差。相比之下，通过轨迹建模分析完整的SBP时间序列可以客观全面地评估运动期间的SBP动态。在当前的研究中，具有相似峰值个体的患者可能被分配到不同的轨迹组中，这表明基于轨迹的分类能够捕捉到单点测量方法无法反映的收缩压（SBP）动态的异质性。在这方面，Nene等人最近对13,945名接受Bruce协议跑步机测试的患者应用了潜在类别分析（Nene等人，2025年）。从三个初始Bruce阶段测量的绝对SBP值中，确定了三种SBP轨迹，这些轨迹反映了平均SBP反应（例如，高SBP反应者的特点是静息和峰值SBP均较高）（Nene等人，2025年）。然而，这些轨迹并不特定于性别，导致高SBP轨迹中男性占多数，并且仅限于对许多患者来说亚最大工作负荷范围内的绝对运动强度。尽管存在这些限制，他们的研究仍是朝向基于轨迹评估运动期间SBP动态的重要第一步。

与Nene等人（Nene等人，2025年）的研究相比，我们是从最大负荷、逐渐增加的运动测试中识别出SBP轨迹的，在这种测试中，负荷的逐渐增加确保了SBP的平稳和渐进上升，直到达到最大努力状态。这种协议产生了更具生理学意义的SBP时间序列，允许比较从静息到峰值努力的SBP反应（而不是在固定工作负荷水平下比较绝对运动强度）。此外，我们通过分别对男性和女性进行轨迹分析来消除潜在的性别偏差。在两种性别中，我们识别出的反应特征在平均SBP反应（即SBP轨迹）和SBP动态（即ΔSBP轨迹）方面存在差异。

平均绝对SBP与相对SBP反应：捕捉不同的生理信息
这两种指标似乎分别捕捉了SBP反应的不同生理信息。SBP轨迹主要根据患者的平均运动SBP进行分组，反映了运动期间的平均压力负荷，这与Nene等人（2025年）识别的SBP轨迹类似。而ΔSBP轨迹则根据患者的SBP增长速率（斜率）进行分组。值得注意的是，SBP和ΔSBP分类之间的重叠较低，每种SBP轨迹内的ΔSBP反应存在很大差异，反之亦然。因此，高平均SBP反应不一定伴随着陡峭（或平缓）的SBP上升。

这两种类型的轨迹特征都与基线心血管风险因素相关。与先前关于峰值SBP的研究一致（Hedman等人，2021年，2019年；Nayor等人，2023年），较高的平均SBP反应与衰老、肥胖、高血压和缺乏β受体阻滞剂相关。相反，衰老和β受体阻滞剂与SBP上升幅度减弱有关（ΔSBP），这支持了关于两点SBP斜率的先前发现（Hedman等人，2019年）。重要的是，较高的平均SBP反应和较强的SBP上升都与更大的运动能力相关。这表明应结合相对SBP反应和心肺健康状况来解释绝对SBP值，因为健康个体可能因为其能够承受高负荷而被归类为高平均SBP反应者，这需要较大的心输出量，从而导致较高的峰值SBP（Nayor等人，2023年；Janssens等人，2025年）。综上所述，（Δ）SBP轨迹反映了心血管风险和（亚）临床功能障碍，但它们在多大程度上受到已识别临床因素的调节、混淆或中介作用需要进一步研究。未来的研究还应探讨系统调节机制（如血管阻力、交感神经激活和体温调节）如何影响个体被分配到绝对和相对SBP轨迹中（Rowell 1993年）。

（Δ）SBP反应轨迹的预测价值
先前的研究观察到心血管结局与离散运动指标（如峰值SBP（Zafrir等人，2022年）和SBP斜率（Hedman等人，2019年；Hedman等人，2022年）之间存在独立关联。Nene等人报告称，在运动期间SBP升高的轨迹与较高的主要心血管事件（MACE）风险相关，尽管生存分析未经调整，且可能受到高SBP轨迹中男性占多数的影响（Nene等人，2025年）。在我们的研究中，即使考虑到包括静息SBP在内的传统风险因素，运动（Δ）SBP反应在没有高血压既往诊断且静息时血压正常的患者中仍具有预后信息价值。我们的发现支持这样一种观点：在血压正常的人群中，异常的运动SBP模式可能会揭示亚临床的血管僵硬、血管扩张储备受损或心脏输出量增强受限的情况，这些情况在静息时并不明显，但从长远来看具有不良预后[Carlén等人，2024年；Tzemos等人，2015年]。运动期间的过度绝对压力负荷和有限的SBP反应能力可能代表了适应不良的血流动力学表型。

相比之下，在静息时患有高血压的患者中，运动SBP轨迹并未显示出独立的预测价值。之前，Fagard等人观察到，在高血压患者群体中，运动SBP并不能显著预测MACE的发生率超过静息SBP（Fagard等人，1996年）。我们的发现进一步表明，在高血压群体中，运动SBP反应对于风险分层几乎没有额外的价值。未来的研究应该更深入地探讨为什么运动SBP轨迹主要在血压正常的人群中起到风险区分作用，以及它们如何改善血压正常人群的风险分层。

结合绝对和相对SBP反应的信息以增强风险预测
由于SBP轨迹反映了平均SBP反应，而ΔSBP轨迹反映了相对SBP反应能力，它们似乎捕捉了运动血流动力反应的不同信息，两者之间的重叠较少。结合这些信息可以更好地描述SBP反应，从而改进风险预测。在结合轨迹分类时，高SBP/低ΔSBP表型在两种性别中都一致地带来了最高的MACE风险。虽然这并非独立于静息SBP，但这种组合可能代表了最不适应的反应特征，表现为整个测试过程中压力负荷较高，且随着负荷增加SBP进一步增加的能力有限。整合绝对和相对SBP轨迹可能进一步改善风险分层，特别是在血压正常的人群中，但由于需要广泛的亚组划分，这样的分析需要的样本量比这里分析的样本量更大。

临床意义和前景
我们的分析方法能够对分级运动期间的平均和动态SBP反应进行定性分类，提供了一个标准化和客观的解释框架。这种方法减少了对任意阈值的依赖，并可能提供临床和研究环境中SBP反应的自动化和可重复的描述。值得注意的是，SBP轨迹可能比当前的二元分类提供更细致的表型划分，这一点通过观察不同SBP反应类别间MACE风险的差异得到了支持，尤其是在血压正常的女性中。如果经过前瞻性验证，SBP轨迹分析可以纳入运动测试软件中，自动将患者分类为不同的SBP反应表型，指导心血管风险分层和临床决策。未来的研究应确定基于轨迹的分析是否能够改进疾病预测、诊断和预后，超越传统的风险因素和峰值SBP指标，以及针对SBP动态的干预措施是否可以改变风险。

优势和局限性
我们分析了一个具有系统长期随访的大型、特征明确的队列，并应用了一个强大的轨迹建模框架。算法方法减少了主观性，能够实现对SBP反应模式的性别特异性识别。然而，必须承认几个局限性。首先，由于轨迹是从使用坡度协议的极限运动测试中得出的，因此这些发现可能不适用于亚最大或基于阶段的协议。其次，运动期间的SBP测量容易受到测量误差的影响。此外，临床运动数据库中SBP测量的时间和数量的变化可能影响了轨迹建模的准确性，尽管应用了彻底的质量控制、标准化和重采样程序。未来的工作应评估标准化SBP测量时间是否可以提高可重复性。第三，至少需要四次SBP测量的要求排除了SBP数据稀少的测试，可能会遗漏特定的患者群体。最后，回顾性研究设计排除了因果推断的可能性，临床队列可能低估了健康个体的比例。因此，需要在更广泛的人群中进行前瞻性验证，以确认这些发现的普遍性。

结论
我们开发了一种算法方法，用于客观评估最大分级运动期间的绝对和相对SBP轨迹。识别出了不同的、性别特异性的轨迹，其中高平均SBP和平缓的SBP上升与不利的心血管风险特征相关。特别是，高SBP反应（以及男性中的低ΔSBP）独立预测了静息时血压正常的患者的未来MACE风险。这些发现支持将SBP时间序列分析整合到运动测试中，作为一种新的、基于生理学的精细心血管风险分层工具。