TyG-ABSI指数作为慢性阻塞性肺疾病（COPD）新型预测因子的跨人群验证：基于逻辑回归和可解释机器学习的综合分析

《BMC Pulmonary Medicine》：Cross-population validation of the TyG-ABSI index as a novel predictor for chronic obstructive pulmonary disease: an integrated analysis using logistic regression and explainable machine learning

　　

摘要

背景

慢性阻塞性肺疾病（COPD）越来越被认为是一种与代谢功能障碍密切相关的系统性炎症性疾病。虽然传统的肥胖指标往往无法同时反映内脏脂肪和胰岛素抵抗的情况，但甘油三酯-葡萄糖体型指数（TyG-ABSI）已成为一种心血管代谢风险的综合标志物。本研究旨在评估TyG-ABSI与COPD风险之间的关联，并利用机器学习算法来评估其预测价值。

方法

数据来自两个大规模的不同队列：中国健康与退休纵向研究（CHARLS，N = 2,771）和全国健康与营养调查（NHANES，N = 1,925名糖尿病前期参与者）。通过多变量逻辑回归、亚组分析和受限三次样条（RCS）来评估TyG-ABSI与COPD之间的关系。此外，还开发了五种机器学习模型（XGBoost、LightGBM、CatBoost、随机森林和KNN）来预测COPD风险。使用SHapley加性解释（SHAP）方法提高了模型的可解释性。

结果

在两个队列中，TyG-ABSI水平升高均与COPD风险增加显著相关。经过完全调整的回归模型显示出一个线性剂量-反应关系，在CHARLS研究中，TyG-ABSI最高四分位的COPD风险增加了59%（OR：1.591），而在NHANES研究中增加了四倍（OR：4.017）。基于树的机器学习模型，特别是XGBoost和LightGBM，在CHARLS数据集中的AUC值超过了0.96，表现出优异的区分性能。SHAP分析一致地将TyG-ABSI确定为对疾病预测具有高优先级的特征，无论人口统计学特征如何变化。

结论

TyG-ABSI指数是中国和美国人群中COPD的一个稳健且独立的危险因素。将其纳入筛查方案，并结合可解释的机器学习技术，可以为早期识别高风险个体提供有价值的工具，突显了代谢健康与呼吸功能之间的关键交汇点。