醫療新知

新研究揭示：預測職場成年人代謝相關脂肪肝風險的關鍵指標

Posted on by Wine-Font
03
8 月

本翻譯僅作學術交流用，無商業意圖，請勿轉載，如有疑議問請來信

這項在中國西南地區進行的橫斷面研究，針對7968名就業成年人進行了分析，發現甘油三酯葡萄糖-體重指數（TyG-BMI）、體重指數（BMI）和其他生化指標是預測代謝相關脂肪肝疾病（MAFLD）的關鍵。這些發現有助於早期識別和降低MAFLD風險。

在就業成年人中比較一套全面預測因子的預測價值，以確定代謝相關脂肪肝疾病風險。

Comparison of the prognostic value of a comprehensive set of predictors in identifying risk of metabolic-associated fatty liver disease among employed adults

Ze Yang, Bin Yu, Zihang Wang, Zhitao Li, Bo Yang, Honglian Zeng & Shujuan Yang BMC Public Health volume 23, Article number: 584 (2023) Cite this article

https://bmcpublichealth.biomedcentral.com/articles/10.1186/s12889-023-15365-9#Abs1

摘要

目標

代謝相關脂肪肝疾病（MAFLD）對就業成年人造成關注，但在這個人群中，預測MAFLD的關鍵指標尚未得到充分研究。我們旨在研究並比較就業成年人中一套指標對MAFLD的預測表現。

方法

在中國西南地區進行了一項橫斷面研究，招募了7968名就業成年人。通過腹部超聲波檢查和體格檢查來評估MAFLD。透過問卷調查或體格檢查收集了有關人口統計、人體測量、生活方式、心理和生化指標的全面資料。利用隨機森林評估了所有指標在預測MAFLD方面的重要性。構建基於多變量回歸模型的預測模型，得到預測指數。通過接受者操作特徵曲線（ROC曲線）、校準圖和決策曲線分析（DCA）來比較所有指標和預測指數在預測MAFLD方面的表現。

結果

甘油三酯葡萄糖-體重指數（TyG-BMI）、體重指數（BMI）、TyG指數、甘油三酯（TG）/高密度脂蛋白膽固醇（HDL-C）和甘油三酯（TG）是排名前五位的重要指標，其中TyG-BMI在ROC曲線、校準圖和決策曲線分析中表現出對MAFLD預測最準確。五個指標的ROC曲線下面積（AUC）均在0.7以上，其中TyG-BMI（截斷值：218.284，敏感性：81.7％，特異性：78.3％）表現出最敏感和最具特異性的指標。所有五個指標的預測表現和淨效益均高於預測模型。

結論

這項流行病學研究首次比較了一套指標，評估其在預測就業成年人中MAFLD風險方面的預測表現。針對強大的預測因子進行干預可能有助於降低就業成年人中的MAFLD風險。

Abstract

Objective

Metabolic-associated fatty liver disease (MAFLD) is of concern in employed adults, while the crucial indicators in predicting MAFLD are understudied in this population. We aimed to investigate and compare the prediction performance of a set of indicators for MAFLD in employed adults.

Methods

A cross-sectional study recruiting 7968 employed adults was conducted in southwest China. MAFLD was assessed by abdominal ultrasonography and physical examination. Comprehensive indicators of demographics, anthropometric, lifestyle, psychological, and biochemical indicators were collected by questionnaire or physical examination. All indicators were evaluated for importance in predicting MAFLD by random forest. A prognostic model based on multivariate regression model was constructed to obtain a prognostic index. All indicators and prognostic index were compared to evaluate their prediction performance in predicting MAFLD by the receiver operating characteristic (ROC) curve, calibration plot, and Decision curve analysis (DCA).

Results

Triglyceride Glucose-Body Mass Index (TyG-BMI), BMI, TyG, triglyceride (TG)/high-density lipoprotein-cholesterol (HDL-C), and TG ranked the top five important indicators, and TyG-BMI performed the most accurate prediction of MAFLD according to the ROC curve, calibration plot and DCA. The area under the ROC curves (AUCs) of the five indicators were all over 0.7, with TyG-BMI (cut-off value: 218.284, sensitivity: 81.7%, specificity: 78.3%) suggesting the most sensitive and specific indicator. All five indicators showed higher prediction performance and net benefit than the prognostic model.

Conclusion

This epidemiological study firstly compared a set of indicators to evaluate their prediction performance in predicting MAFLD risk among employed adults. Intervention targeting powerful predictors can be helpful to reduce the MAFLD risk among employed adults.

引言

代謝相關脂肪肝病（MAFLD），一種從非酒精性脂肪肝病（NAFLD）改名而來的疾病，目前是全球慢性肝病的最常見原因[1]。據報導，亞洲地區MAFLD的患病率在15％至40％之間，而且這一比率仍在持續增長，對社會造成了巨大的經濟負擔[2]。對於一些高風險人群，比如作息不規律和輪班工作的就業成年人[3,4]，MAFLD成為了一個關注的問題。據報導，中國就業成年人中MAFLD的患病率約為40％[5,6,7]。大量證據表明，MAFLD與肝硬化和肝細胞癌等嚴重的健康後果密切相關[8,9]。在不可逆的健康後果出現之前，早期發現就業成年人中MAFLD的預後有助於進行早期干預。

為了在萌芽階段遏制慢性肝病的發展，許多指標用於早期檢測和預防MAFLD的發生進行了研究。例如，人體測量特徵（例如，體重指數[BMI]，腰圍）被認為是MAFLD發展的重要因素[10]；生活方式（例如，吸煙[11]，飲酒[12]，飲食模式[13]），這些通常被認為是慢性疾病發展的可改變因素，也與MAFLD密切相關。除了上述因素，MAFLD特別受血液生化指標的影響。

根據MAFLD的“多擊”發病理論，胰島素抵抗（IR）[14]對於MAFLD的發展至關重要，然而IR的測量費時且昂貴。甘油三酯/高密度脂蛋白膽固醇（TG/HDL-C）和甘油三酯和葡萄糖指數（TyG）作為IR的預測因子和替代品，被認為是預測MAFLD有用、廉價且便捷的生物標誌物[ 15]。甘油三酯與體重指數（BMI）的結合（TyG-BMI）是TyG的可靠替代品，已於2016年由Ko等人提出，用於預測MAFLD[16]。在一項包括229名住院患者的先前研究中，TyG-BMI在診斷MAFLD方面表現出良好的預測性能[17]。其他生物標誌物，例如甘油三酯、血清丙氨酸轉氨酶（ALT），在預測MAFLD方面也起著重要作用[18]。心理因素，如感知壓力，可能會影響MAFLD[19]，儘管相關證據不足。迄今為止，有些研究評估了特定指標（例如，TyG-BMI）[20,21]或者比較了一組指標在普通人群中預測MAFLD的預測性能[22]。然而，很少有研究比較這些指標在預測就業成年人中MAFLD的預測性能。

本研究基於中國就業成年人的大樣本，旨在比較一組人口統計學、人體測量、生活方式、心理和血液生化指標在預測就業成年人中MAFLD方面的預測性能。我們的研究結果有助於了解這些指標預測MAFLD風險的能力，並製定針對強大預測因子的早期干預措施，以降低就業成年人中MAFLD的風險和惡化預後。

方法

研究設計與數據收集

本橫斷面研究於2021年1月至12月在中國西南地區進行。通過在中國鐵路成都局集團公司的企業人事管理網站上發布通知，從四川省、貴州省和重慶市50個火車站共徵募了8,520名參與者，這些參與者在2021年接受了體檢並自願參加了研究。

參與者通過腹部超聲檢查來檢查脂肪肝，超聲檢查報告由中國鐵路成都局集團公司社保管理部門獲取。參與者至少經過8小時的隔夜禁食後收集空腹血樣（例如，葡萄糖和脂質）。所有血樣被送往成都大學臨床醫學學院及附屬醫院的實驗室進行分析。參與者被要求穿著輕便服裝，赤腳測量體重、身高和腰圍。體重指數（BMI）計算為體重（公斤）/身高（米）^2。此外，每個參與者的血壓在靜息狀態下被測量三次。在收集體檢數據時，同時對每個參與者進行面對面問卷調查，以收集其人口統計學、生活方式和心理信息。所有體檢和問卷調查由成都大學附屬醫院的訓練有素的醫務人員進行。共有110名參與者的問卷或體檢數據存在任何不完整（不包括用於定義MAFLD的變量）而被排除。此外，我們排除了343名患有乙型肝炎或丙型肝炎的患者，47名酒精性肝病患者以及158名因這些肝病而使用藥物的人。最終，共有7,968名參與者被納入本研究。本研究獲得了成都大學附屬醫院倫理委員會的道德批准（PJ 2019–015-02）。

MAFLD的測量標準

MAFLD被定義為伴有超重（體重指數[BMI] ≥ 23 kg/m2）或2型糖尿病[23]的脂肪肝，或至少兩種代謝風險異常，如下所示：1）男性腰圍≥90cm，女性腰圍≥80cm；2）血壓≥130/85 mmHg；3）血漿甘油三酯≥1.70 mmol/L；4）男性血漿高密度脂蛋白膽固醇＜1.0 mmol/L，女性＜1.3 mmol/L；5）空腹血糖水平5.6至6.9 mmol/L，或2小時餐後血糖水平7.8至11.0 mmol/L，或糖化血紅蛋白（HbA1c）5.7%至6.4%；6）家庭ostasis評估IR得分≥2.5；以及7）血漿高敏C-反應蛋白水平＞2 mg/L [24]。在當前研究中，只考慮了這六個標準，因為缺乏血漿胰島素水平的信息。

MAFLD的候選預測因子

參考之前關於MAFLD預測生物標誌物的研究[17, 25]，我們包含了一系列生化指標作為候選預測因子，包括總膽紅素（TBIL）、直接膽紅素（DBIL）、間接膽紅素（ IBIL）、谷丙轉氨酶（ALT）、穀草轉氨酶（AST）、總蛋白（TP）、白蛋白（ALB）、球蛋白（GLB）、空腹血漿葡萄糖（FPG）、尿酸（UA）、尿素（UREA） 、肌酐（CREA）、甘油三酯（TG）、總膽固醇（TC）、高密度脂蛋白膽固醇（HDL）和低密度脂蛋白膽固醇（LDL）。此外，我們還計算了一系列複合指標，包括TyG指數、ALT/AST比值、LDL-C/HDL-C比值、TG/HDL-C比值、TC/HDL比值、TyG-BMI以及全身免疫炎症指數（ SII）。 TyG指數的計算公式為Ln[(空腹甘油三酯（mg/dl）空腹血糖（mg/dl）)/2] [26]。 TyG-BMI定義為TyG指數BMI [27]。 SII是一種基於淋巴細胞、中性粒細胞和血小板計數開發的新型指標，並且已被證明是肝細胞癌患者不良預後的強有力預測指標 [28]。 SII的計算公式為總外周血小板計數（P）中性粒細胞/淋巴細胞比（SII = PN/L比率） [28]。

此外，我們還包含了一系列人口統計學、體型測量、生活方式和心理因素作為MAFLD的候選預測因子，包括：1）人口統計學和體型測量，即性別（男性、女性）、年齡、民族（漢族、少數民族）、教育水平（高中及以下、本科及以上）、婚姻狀況（已婚/同居、未婚、離異/喪偶）、月收入（< 6,000 元、≥ 6,000 元）、居住狀況（與家人居住、與同事/朋友居住、與陌生人居住、或獨居）和體重指數（BMI）；2）生活方式和心理因素，即飲酒（無[不飲酒者]、有[戒酒者、偶爾飲酒者、目前飲酒者]）、吸煙（無[非吸煙者]、有[戒菸者、偶爾吸煙者、目前吸煙者]）；膳食模式由食物頻率問卷（FFQ）量表評估，可分為理想、中等和差的膳食模式[29, 30]；體力活動由代謝當量任務（MET）[31]測量，分為< 600 MET-min/週、600–2999 MET-min/周和≥ 3000 MET-min/週；睡眠質量由匹茲堡睡眠質量指數（PSQI）[32]評估，總分為0-21分，PSQI總分≤ 5分被定義為良好的睡眠質量；感知壓力通過壓力心態測量[33]進行評估，高分錶示高水平的壓力感知。

統計方法

进行了描述性分析，连续变量用均值±标准差（SD）表示，分类变量用百分比（%）表示。采用t检验（连续变量）或卡方检验（分类变量）对参与者中有无MAFLD的候选预测因子进行比较。在7,968名参与者中，有2,669名参与者的腰围数据缺失，另有5名参与者的其他用于定义MAFLD的变量数据缺失。因此，在数据分析之前，对缺失数据采用基于25组链式方程的多重插补进行填补[34]。

基于随机森林的变量重要性图被用于排名候选预测因子在解释因变量方差方面的重要性[35, 36]，我们选取了排名前五的重要指标来比较它们在预测MAFLD方面的表现。采用二元logistic回归模型进行多变量分析，以识别与MAFLD显著相关的指标，相关性通过几率比（OR）和95%置信区间（CI）进行估计。为了严格控制变量的共线性，我们使用方差膨胀因子（VIF）控制在2.5以下，以获得在预测模型中具有统计学意义的预测因子。使用图表法（Nomograms）来可视化预测模型的结果，并获得MAFLD的预测指数[37]。由于我们的目标是比较排名前五指标与预测指数的预测表现，因此我们将这五个指标排除在预测模型的候选预测因子之外。通过这种方式，我们可以了解这些个体预测因子是否比基于其余指标的综合复合指标更好，并避免这些预测因子之间的潜在共线性。

我们使用受试者工作特征（ROC）曲线以及ROC曲线下面积（AUC）来测试每个预测因子对MAFLD风险的预测表现[38]，其中AUC值介于0.5和1.0之间，分别表示没有和完全的预测能力，AUC > 0.7被认为是可接受的预测表现。优登指数（Youden index，即敏感性 + 特异性 – 1）的最大值被视为最佳截断值[39]。校准曲线用于通过比较预测和校正偏差后的观察到的MAFLD概率，展示图表法（Nomogram）的预测能力。还使用决策曲线分析（DCA）来确定并比较预测因子的净临床效益[40]。为了评估发现在预测表现方面的可重复性，我们将总样本中的参与者随机分配为训练集（70%）和验证集（30%），并重复上述过程[41]。此外，我们在没有缺失数据的参与者中进行了所有分析，即将有任何不完整的问卷或体检数据的参与者排除在样本之外，以测试结果的可复制性。

我们使用R软件（版本4.1.1）进行所有统计分析，统计显著性水平设置为0.05。

结果

基線特徵

參與者的人口統計學特徵、與生活方式相關的特徵、心理特徵以及生物標誌物在表1中呈現。共有7,968名參與者，平均年齡為39.6±11.0歲，其中93.1%（n=7,415/7,968）為男性。 MAFLD的患病率高達41.0%（n=3,268/7,968）。與無MAFLD的參與者相比，有MAFLD的參與者更多為男性，年齡較大，受教育程度較低，已婚，家庭收入較高，室內工作，與家人同住，BMI較高，目前飲酒者和吸煙者（表1）。

圖表1

表1 參與者的基本特徵

重要預測因子選擇

在所有指標中，通過使用隨機森林方法，我們發現生化指標通常比人口統計學、生活方式和心理學指標更重要，以解釋MAFLD的患病率。具體而言，TyG-BMI、BMI、TyG、TG/HDL-C和TG排名前五位重要的預測因子（圖1）。

圖1

候選預測因子的重要性評分。注意：變量重要性指示在隨機改變特徵值時，對預測誤差的影響差異，較高的差異對應較高的特徵重要性。縮寫：TyG：甘油三酯和葡萄糖指數；BMI：身體質量指數；TG：甘油三酯；HDL-C：高密度脂蛋白膽固醇；ALT：血清丙氨酸氨基轉移酶；AST：血清天門冬氨酸氨基轉移酶；LDL-C：低密度脂蛋白膽固醇；FPG：空腹血漿葡萄糖；UA：尿酸；TC：總膽固醇；GLB：球蛋白；DBIL：直接膽紅素；TP：總蛋白；TBIL：總膽紅素；SII：全身免疫-炎症指數；CREA：肌酐；IBIL：間接膽紅素；UREA：尿素；ALB：白蛋白。

为了了解基于其余指标的合成综合指标是否仍然比五个个体指标提供更好的预测性能，我们开发了一个包含与MAFLD显著相关且VIF低于2.5的指标的图表。最终，我们得到了一个基于十一个预测因子的图表（即年龄、性别、婚姻状况、工作类型、居住状态、饮酒、吸烟、空腹血浆葡萄糖、肌酐、全身免疫-炎症指数和尿酸）（图2）。得到了诊断MAFLD的概率，并通过1.778 *（年龄-20）+ 88.328 *性别+ 11.368 *婚姻状况+ 10.571 *工作类型+ 1.442 *居住状态+ 6.512 *饮酒+ 11.902 *吸烟+ 100.000 *空腹血浆葡萄糖+ 36.992 *肌酐+ 0.026 *全身免疫-炎症指数+ 78.731 *尿酸计算了预测指数。

圖2

候選預測因子的重要性評分。注意：變量重要性指示在隨機改變特徵值時，對預測誤差的影響差異，較高的差異對應較高的特徵重要性。縮寫：TyG：甘油三酯和葡萄糖指數；BMI：身體質量指數；TG：甘油三酯；HDL-C：高密度脂蛋白膽固醇；ALT：血清丙氨酸氨基轉移酶；AST：血清天門冬氨酸氨基轉移酶；LDL-C：低密度脂蛋白膽固醇；FPG：空腹血漿葡萄糖；UA：尿酸；TC：總膽固醇；GLB：球蛋白；DBIL：直接膽紅素；TP：總蛋白；TBIL：總膽紅素；SII：全身免疫-炎症指數；CREA：肌酐；IBIL：間接膽紅素；UREA：尿素；ALB：白蛋白。

預測性能的比較

開發了ROC曲線來比較五個指標和預後指數在MAFLD的預測性能中。如圖3所示，TyG-BMI顯示了最高的AUC（0.884），其次是BMI（0.848），然後是TyG（0.795）。五個選定指標的AUC均超過0.7，並高於基於其餘指標的預後指數，表明相對準確的診斷價值。對於TyG-BMI和BMI，敏感性和特異性指數的值超過0.7，而TyG-BMI則顯示為MAFLD（截止值：218.284，敏感性：81.7％，特異性：78.3％）的最準確預測因子。每個指標的AUC、敏感性和特異性的具體值可以在表2中找到。”

圖3

TyG-BMI、BMI、TyG、TyG/HDL-C、TG和MAFLD的模型的ROC曲線。注意：模型：預後模型。縮寫：MAFLD：代謝相關脂肪肝疾病；TyG：甘油三酯和葡萄糖指數；BMI：身體質量指數；HDL：高密度脂蛋白膽固醇；TG：甘油三酯。

圖表2

表2 TyG-BMI、BMI、TyG、TyG/HDL-C、TG和模型在預測MAFLD風險中的AUC

校準圖用於比較MAFLD事件的預測概率（橫坐標）與校正後的MAFLD事件的觀察概率（縱坐標）（圖4）。 TyG-BMI顯示了MAFLD的預測概率和觀察概率之間的最高一致性。雖然TG/HDL-C和TG顯示了高AUC，但在校準圖中它們偏離了基準線。此外，我們使用DCA來比較凈臨床效益的診斷價值（圖5）。結果顯示TyG-BMI仍然在預測MAFLD方面具有最高的凈臨床效益。訓練和驗證樣本中每個指標的AUC，敏感性，特異性和臨床效益與總樣本相似（圖3、4和5，表2）。

圖4

TyG-BMI、BMI、TyG、TyG/HDL-C、TG和MAFLD的模型的校準圖。注意：連接左下角到右上角的虛線段用作基準線。彩色實線是基於MAFLD的預測概率和觀察概率繪製的。模型：預後模型。縮寫：MAFLD：代謝相關脂肪肝疾病；TyG：甘油三酯和葡萄糖指數；BMI：身體質量指數；HDL：高密度脂蛋白膽固醇；TG：甘油三酯。

圖5

TyG-BMI、BMI、TyG、TyG/HDL-C、TG和MAFLD的模型的DCA曲線。注意：水平軸代表風險閾值，並且是個人是否會患MAFLD的參考概率。垂直軸代表凈效益率。 DCA中的“無”表示所有參與者均非MAFLD，“全部”表示所有參與者均為MAFLD。每個指數的線條顯示可以通過使用此指數獲得臨床效益。在相同的閾值概率下，更大的凈效益意味著個人可以通過診斷獲得更高的效益。模型：預後模型。縮寫：MAFLD：代謝相關脂肪肝疾病；TyG：甘油三酯和葡萄糖指數；BMI：身體質量指數；HDL：高密度脂蛋白膽固醇；TG：甘油三酯；DCA：決策曲線分析。

研究結果的可重複性

在排除至少有一個丟失數據的2,674名參與者後，其餘5,294名沒有丟失數據的參與者用於研究結果的可重複性，並且他們的特徵與所有參與者相似（表S1）。我們發現TyG-BMI、BMI、TyG、TG/HDL-C和TG仍然排名前五的重要預測因子（圖S1），其中TyG-BMI顯示最高的AUC（0.882）和MAFLD的最準確預測（截止值：218.70，敏感性：0.837，特異性：0.755）（表S2）。在沒有缺失數據的參與者中，五個重要預測因子和預後指數的預測性能比較的結果與所有參與者的結果相似（圖S2-S5）。

討論

這項橫斷面研究是基於大量在職成人樣本，估計了一組指標的預測性能，包括人口統計、人體測量、生活方式、心理和生化指標，以預測MAFLD。我們發現TyG-BMI、BMI、TyG、TG/HDL-C和TG排名前五的重要指標。這五個指標的AUC均超過0.7，其中TyG-BMI（截止值：218.284，敏感性：81.7％，特異性：78.3％）是預測MAFLD最敏感和特異的指標。所有五個變量的預測性能和凈效益均高於基於多變回歸模型選擇的其他指標的預後指數。

估計超過7％的MAFLD患者已發展肝纖維化[42]。在目前的研究中，超過40％的參與者患有MAFLD，這表明肝纖維化的發展風險將約為2.8％。使用簡單的診斷指數及時識別MAFLD將有助於早期干預和管理。我們通過隨機森林[17]觀察到五個MAFLD風險的重要預測因子，包括TyG-BMI、BMI、TyG、TG/HDL-C和TG。這一發現表明，生物標記對MAFLD的預測能力通常優於人口統計、人體測量、生活方式和心理指標。此外，由於先前有關MAFLD預測因子的研究是從醫院或一般人口中招募的參與者[17、20、21、22、43、44]，因此我們的研究可以為相對年輕但缺乏對其健康狀況的關注的在職成人中MAFLD的預測因子提供全面的畫像。

TyG-BMI是預測MAFLD的最有力預測因子，優於其他指標。有一些解釋。首先，TyG-BMI是一個包括TyG的綜合指數，它們可能對MAFLD有相似的發病機制。先前的研究表明，TyG和TyG-BMI均被提議為IR的有效替代品，IR在MAFLD的發展中起著關鍵作用[16，45]。 TyG-BMI也推薦用於調查IR風險[46]，肝纖維化風險[47]，糖尿病腎病[48]和心血管疾病[49]，並可能在預測其他預後方面起重要作用。其次，TyG和相關參數的預測能力可以通過兩個關鍵組件（即FPG和TG）來解釋，這些組件在MAFLD的發展中至關重要[50]。可能存在TyG/TyG-BMI和MAFLD[15,51]之間的葡萄糖毒性和脂肪毒性機制，其中產生了一些與胰島素抗性相關的代謝產物，並進一步解釋了MAFLD的發病機制[50]。第三，TyG-BMI可能介導其他指標和MAFLD之間的關聯。正如2型糖尿病（T2DM）患者的先前研究表明，TyG-BMI部分介導了γ-谷氨酰轉肽酶（GGT）/ HDL和MAFLD發病率之間的關聯[52]。我們的發現表明，TyG-BMI的預測效果優於BMI和TyG，具有最高的AUC（0.884）。先前的研究報告了類似的結果，即診斷MAFLD的TyG-BMI具有0.675–0.956的ROC範圍[17,47,53]。

TyG和BMI的預測性能緊隨TyG-BMI之後，並且有一些值得注意的優點。首先，TyG能有效篩選脂肪肝，並且優於MAFLD的其他指標[54]。此外，我們研究中參與者的平均TyG（8.86 mmol/L）高於用於識別中國一般人口中MAFLD的閾值（TyG≥8.5 mmol/L）[25]，也高於韓國[55]和日本[56]一般人口的平均水平。這種差異可能可以通過受僱成人與一般人口之間的代謝狀況的異質性來解釋。由於高甘油三酯血症增加了自由脂肪酸向肝輸送並進一步導致脂肪堆積、肝胰島素抗性和葡萄糖產出[44]，即使BMI的指數不存在[57]，也應關注TyG對MAFLD的影響。我們的受僱成年人的TyG的AUC是0.795，敏感性和特異性分別為0.779和0.677，略高於中國健康檢查人群中先前研究的結果（AUC = 0.761–0.782，敏感性為70.6％-72.2％，特異性為69.1％-70.5％）[25,58]。我們的發現表明，BMI的AUC在預測MAFLD方面緊隨TyG-BMI之後。作為MAFLD的一個組成部分，使用BMI作為診斷MAFLD風險的工具似乎是合理的。據估計，超過65％的BMI > 40 kg/m^2的個人患有MAFLD [59]。由於存在瘦型MAFLD [10]，因此在將BMI作為個人預測因子時應謹慎行事。

TG/HDL-C、TG和預後指數顯示出相對較高的AUC。 TG/HDL-C是IR的已證實預測因子[59]，並通過IR解釋了其與MAFLD的關聯。在IR-MAFLD途徑期間，TG過度富集的LDL顆粒也被促進以增加TG/HDL-C [60]。一些前瞻性證據表明TG/HDL-C與一般人口中的MAFLD強烈相關[61]。 TG/HDL-C還被報告為心血管疾病的關鍵預測因子[62]，突出了其預測不良預後的作用。此外，基於Nomogram的預後指數顯示了可接受的AUC 0.763，儘管它仍低於隨機森林選擇的五個重要指標。可能的原因是我們排除了合成複合指標中的五個強大預測因子。一項針對一般人口的最近研究表明，包含強大預測因子（例如TyG和BMI）的Nomogram對MAFLD的診斷準確性優於其他現有模型[22]。我們的研究進一步表明，強大的預測因子在預測MAFLD方面至關重要，不能被排除這些強大預測因子的合成複合指標所取代。

我們研究的優點是，我們專注於很少被研究的在職成年人，並在預測MAFLD方面考慮了包括人口統計學、人體測量學、生活方式、心理和生化指標在內的全面指標。然而，應謹慎處理一些限制。首先，在MAFLD的“多重打擊”發病機理理論下[14]，有一些我們未能考慮的MAFLD的關鍵決定因素，例如IR（胰島素抵抗）、激素和腸道微生物群。其次，MAFLD的診斷在某種程度上取決於檢查者。由於我們使用的是肝超聲而不是肝活檢的金標準，因此檢測可能具有有限的敏感性[63]。第三，作為健康檢查，沒有活檢數據來確認脂肪肝和肝纖維化的嚴重程度。因此，我們的模型無法提供有關疾病嚴重程度可能性的信息，也無法預測脂肪肝和纖維化的程度。第三，由於這是一項橫斷面研究，因果關係可能不完全成立，需要進行縱向研究以確定預測因子在預測MAFLD發病率方面的準確性。第四，由於本研究中沒有可用的血漿胰島素水平來定義MAFLD，我們可能錯過了具有不良胰島素敏感性但沒有其他代謝功能障礙的MAFLD患者。第五，由於我們的參與者並未隨機選擇，因此我們的發現可能無法不加謹慎地推廣到整體在職成年人。

結論

本研究比較了一組人口統計學、人體測量學、生活方式、心理和生化指標在預測中國大量在職成年人MAFLD風險方面的預測表現。我們發現TyG-BMI具有最高的預測表現，其次是BMI、TyG、TG/HDL-C和TG。這項研究可以提供全面預測因子的圖片，關於它們在預測MAFLD風險方面的能力，並有助於在職成年人的MAFLD管理中選擇合理的藥物和非藥物干預。

數據和材料的可用性

由於每位受訪者的要求，個人數據不能被披露，因此目前研究分析的數據集並未公開提供，但可以根據合理的請求從相應的作者那裡獲得。

參考文獻

  1. Shiha G, Korenjak M, Eskridge W, Casanovas T, Velez-Moller P, Högström S, Richardson B, Munoz C, Sigurðardóttir S, Coulibaly A, et al. Redefining fatty liver disease: an international patient perspective. Lancet Gastroenterol Hepatol. 2021;6(1):73–9.

    Article PubMed Google Scholar 

  2. Li J, Zou B, Yeo YH, Feng Y, Xie X, Lee DH, Fujii H, Wu Y, Kam LY, Ji F, et al. Prevalence, incidence, and outcome of non-alcoholic fatty liver disease in Asia, 1999–2019: a systematic review and meta-analysis. Lancet Gastroenterol Hepatol. 2019;4(5):389–98.

    Article PubMed Google Scholar 

  3. Wei H, Qu H, Wang H, Deng H. Associations between sitting time and non-alcoholic fatty liver diseases in Chinese male workers: a cross-sectional study. BMJ Open. 2016;6(9):e011939.

    Article PubMed PubMed Central Google Scholar 

  4. Haufe S, Hupa-Breier KL, Bayerle P, Boeck HT, Rolff S, Sundermeier T, Kerling A, Eigendorf J, Kuck M, Hanke AA, et al. Telemonitoring-Supported Exercise Training in Employees With Metabolic Syndrome Improves Liver Inflammation and Fibrosis. Clin Transl Gastroenterol. 2021;12(6):e00371.

    Article PubMed PubMed Central Google Scholar 

  5. Huang YP, Zhang S, Zhang M, Wang Y, Wang WH, Li J, Li C, Lin JN. Gender-specific prevalence of metabolic-associated fatty liver disease among government employees in Tianjin, China: a cross-sectional study. BMJ Open. 2021;11(12):e056260.

    Article PubMed PubMed Central Google Scholar 

  6. Hu X. Huang Y Fau – Bao Z, Bao Z Fau – Wang Y, Wang Y Fau – Shi D, Shi D Fau – Liu F, Liu F Fau – Gao Z, Gao Z Fau – Yu X, Yu X: Prevalence and factors associated with nonalcoholic fatty liver disease in Shanghai work-units. BMC Gastroenterol. 2012;12:123.

    Article PubMed PubMed Central Google Scholar 

  7. Dong C, Zeng H, Yang B, Zhang Y, Li Z. The association between long-term night shift work and metabolic syndrome: a cross-sectional study of male railway workers in southwest China. BMC Cardiovasc Disord. 2022;22(1):263.

    Article PubMed PubMed Central Google Scholar 

  8. Wong VW, Wong GL, Woo J, Abrigo JM, Chan CK, Shu SS, Leung JK, Chim AM, Kong AP, Lui GC, et al. Impact of the New Definition of Metabolic Associated Fatty Liver Disease on the Epidemiology of the Disease. Clin Gastroenterol Hepatol. 2021;19(10):2161-217 e12165.

    Article CAS PubMed Google Scholar 

  9. Bae SDW, George J, Qiao L. From MAFLD to hepatocellular carcinoma and everything in between. Chin Med J (Engl). 2022;135(5):547–56.

    Article CAS PubMed Google Scholar 

  10. Roeb E. Excess Body Weight and Metabolic (Dysfunction)-Associated Fatty Liver Disease (MAFLD). Visc Med. 2021;37(4):273–80.

    Article PubMed PubMed Central Google Scholar 

  11. Huang SJ, Chen SQ, Lin Y, Yang HY, Ran J, Yan FF, Huang M, Liu XL, Hong LC, Zhang XD, et al. Maternal nicotine exposure aggravates metabolic associated fatty liver disease via PI3K/Akt signaling in adult offspring mice. Liver Int. 2021;41(8):1867–78.

    Article CAS PubMed Google Scholar 

  12. Sun FR, Wang BY. Alcohol and Metabolic-associated Fatty Liver Disease. J Clin Transl Hepatol. 2021;9(5):719–30.

    PubMed PubMed Central Google Scholar 

  13. Taheri E, Bostick RA-O, Hatami B, Pourhoseingholi MA, Asadzadeh Aghdaei H, Moslem A, Mousavi Jarrahi A, Zali MR: Dietary and Lifestyle Inflammation Scores Are Inversely Associated with Metabolic-Associated Fatty Liver Disease among Iranian Adults: A Nested Case-Control Study. (1541–6100 (Electronic)).

  14. Buzzetti E, Pinzani M, Tsochatzis EA. The multiple-hit pathogenesis of non-alcoholic fatty liver disease (NAFLD). Metabolism. 2016;65(8):1038–48.

    Article CAS PubMed Google Scholar 

  15. Lee SB, Kim MK, Kang S, Park K, Kim JH, Baik SJ, Nam JS, Ahn CW, Park JS. Triglyceride Glucose Index Is Superior to the Homeostasis Model Assessment of Insulin Resistance for Predicting Nonalcoholic Fatty Liver Disease in Korean Adults. Endocrinol Metab (Seoul). 2019;34(2):179–86.

    Article PubMed Google Scholar 

  16. Er LK, Wu S, Chou HH, Hsu LA, Teng MS, Sun YC, Ko YL. Triglyceride Glucose-Body Mass Index Is a Simple and Clinically Useful Surrogate Marker for Insulin Resistance in Nondiabetic Individuals. PLoS ONE. 2016;11(3):e0149731.

    Article PubMed PubMed Central Google Scholar 

  17. Liu Z, He H, Dai Y, Yang L, Liao S, An Z, Li S. Comparison of the diagnostic value between triglyceride-glucose index and triglyceride to high-density lipoprotein cholesterol ratio in metabolic-associated fatty liver disease patients: a retrospective cross-sectional study. Lipids Health Dis. 2022;21(1):55.

    Article CAS PubMed PubMed Central Google Scholar 

  18. Chen YL, Li H, Li S, Xu Z, Tian S, Wu J, Liang XY, Li X, Liu ZL, Xiao J, et al. Prevalence of and risk factors for metabolic associated fatty liver disease in an urban population in China: a cross-sectional comparative study. BMC Gastroenterol. 2021;21(1):212.

    Article CAS PubMed PubMed Central Google Scholar 

  19. Hwang TI, Han AL. Quality of Life in Adults with Metabolic Dysfunction-Associated Fatty Liver Disease. Int J Environ Res Public Health. 2021;18(24):13145.

    Article CAS PubMed PubMed Central Google Scholar 

  20. Wang R, Dai L, Zhong Y, Xie G. Usefulness of the triglyceride glucose-body mass index in evaluating nonalcoholic fatty liver disease: insights from a general population. Lipids Health Dis. 2021;20(1):77.

    Article CAS PubMed PubMed Central Google Scholar 

  21. Hu H, Han Y, Cao C, He Y. The triglyceride glucose-body mass index: a non-invasive index that identifies non-alcoholic fatty liver disease in the general Japanese population. J Transl Med. 2022;20(1):398.

    Article CAS PubMed PubMed Central Google Scholar 

  22. Zou H, Zhao F, Lv X, Ma X, Xie Y. Development and validation of a new nomogram to screen for MAFLD. Lipids Health Dis. 2022;21(1):133.

    Article PubMed PubMed Central Google Scholar 

  23. Alberti KG, Zimmet PZ. Definition, diagnosis and classification of diabetes mellitus and its complications. Part 1: diagnosis and classification of diabetes mellitus provisional report of a WHO consultation. Diabetic Med. 1998;15(7):539–53.

    CAS PubMed Google Scholar 

  24. Eslam M, Newsome PN, Sarin SK, Anstee QM, Targher G, Romero-Gomez M, Zelber-Sagi S, Wai-Sun Wong V, Dufour JF, Schattenberg JM, et al. A new definition for metabolic dysfunction-associated fatty liver disease: An international expert consensus statement. J Hepatol. 2020;73(1):202–9.

    Article PubMed Google Scholar 

  25. Zhang S, Du T, Zhang J, Lu H, Lin X, Xie J, Yang Y, Yu X. The triglyceride and glucose index (TyG) is an effective biomarker to identify nonalcoholic fatty liver disease. Lipids Health Dis. 2017;16(1):15.

    Article PubMed PubMed Central Google Scholar 

  26. Li Z, He Y, Wang S, Li L, Yang R, Liu Y, Cheng Q, Yu L, Zheng Y, Zheng H, et al. Association between triglyceride glucose index and carotid artery plaque in different glucose metabolic states in patients with coronary heart disease: a RCSCD-TCM study in China. Cardiovasc Diabetol. 2022;21(1):38.

    Article CAS PubMed PubMed Central Google Scholar 

  27. Zheng S, Shi S, Ren X, Han T, Li Y, Chen Y, Liu W, Hou PC, Hu Y. Triglyceride glucose-waist circumference, a novel and effective predictor of diabetes in first-degree relatives of type 2 diabetes patients: cross-sectional and prospective cohort study. J Transl Med. 2016;14:260.

    Article PubMed PubMed Central Google Scholar 

  28. Hu B, Yang XR, Xu Y, Sun YF, Sun C, Guo W, Zhang X, Wang WM, Qiu SJ, Zhou J, et al. Systemic immune-inflammation index predicts prognosis of patients after curative resection for hepatocellular carcinoma. Clin Cancer Res. 2014;20(23):6212–22.

    Article CAS PubMed Google Scholar 

  29. Wang M, Zhou T, Song Q, Ma H, Hu Y, Heianza Y, Qi L. Ambient air pollution, healthy diet and vegetable intakes, and mortality: a prospective UK Biobank study. Int J Epidemiol. 2022;51(4):1243–53.

    Article PubMed PubMed Central Google Scholar 

  30. Lloyd-Jones Dm Fau – Hong Y, Hong Y Fau – Labarthe D, Labarthe D Fau – Mozaffarian D, Mozaffarian D Fau – Appel LJ, Appel Lj Fau – Van Horn L, Van Horn L Fau – Greenlund K, Greenlund K Fau – Daniels S, Daniels S Fau – Nichol G, Nichol G Fau – Tomaselli GF, Tomaselli Gf Fau – Arnett DK et al: Defining and setting national goals for cardiovascular health promotion and disease reduction: the American Heart Association’s strategic Impact Goal through 2020 and beyond. (1524–4539 (Electronic)).

  31. Ainsworth BE, Haskell WL, Herrmann SD, Meckes N, Bassett DR Jr, Tudor-Locke C, Greer JL, Vezina J, Whitt-Glover MC, Leon AS. 2011 Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. 2011;43(8):1575–81.

    Article PubMed Google Scholar 

  32. Buysse DJ. Reynolds Cf 3rd Fau – Monk TH, Monk Th Fau – Berman SR, Berman Sr Fau – Kupfer DJ, Kupfer DJ: The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research. Psychiatry Res. 1989;28(2):193–213.

    Article CAS PubMed Google Scholar 

  33. Crum AJ. Salovey P Fau – Achor S, Achor S: Rethinking stress: the role of mindsets in determining the stress response. J Pers Soc Psychol. 2013;104(4):716–33.

    Article PubMed Google Scholar 

  34. Pedersen AB, Mikkelsen EM, Cronin-Fenton D, Kristensen NR, Pham TM, Pedersen L, Petersen I. Missing data and multiple imputation in clinical epidemiological research. Clin Epidemiol. 2017;9:157–66.

    Article PubMed PubMed Central Google Scholar 

  35. Ishwaran H. The Effect of Splitting on Random Forests. Mach Learn. 2015;99(1):75–118.

    Article PubMed Google Scholar 

  36. Hadanny A, Shouval R, Wu J, Shlomo N, Unger R, Zahger D, Matetzky S, Goldenberg I, Beigel R, Gale C, et al. Predicting 30-day mortality after ST elevation myocardial infarction: Machine learning- based random forest and its external validation using two independent nationwide datasets. J Cardiol. 2021;78(5):439–46.

    Article PubMed Google Scholar 

  37. Balachandran VP, Gonen M, Smith JJ, DeMatteo RP. Nomograms in oncology: more than meets the eye. Lancet Oncol. 2015;16(4):e173–80.

    Article PubMed PubMed Central Google Scholar 

  38. Royston P, Sauerbrei W. A new measure of prognostic separation in survival data. Stat Med. 2004;23(5):723–48.

    Article PubMed Google Scholar 

  39. Fluss R. Faraggi D Fau – Reiser B, Reiser B: Estimation of the Youden Index and its associated cutoff point. Biom J. 2005;47(4):458–72.

    Article PubMed Google Scholar 

  40. Van Calster B, Wynants L, Verbeek JFM, Verbakel JY, Christodoulou E, Vickers AJ, Roobol MJ, Steyerberg EW. Reporting and Interpreting Decision Curve Analysis: A Guide for Investigators. Eur Urol. 2018;74(6):796–804.

    Article PubMed PubMed Central Google Scholar 

  41. Hou X, Wang D, Zuo J, Li J, Wang T, Guo C, Peng F, Su D, Zhao L, Ye Z, et al. Development and validation of a prognostic nomogram for HIV/AIDS patients who underwent antiretroviral therapy: Data from a China population-based cohort. EBioMedicine. 2019;48:414–24.

    Article CAS PubMed PubMed Central Google Scholar 

  42. Ciardullo S, Perseghin G. Prevalence of NAFLD, MAFLD and associated advanced fibrosis in the contemporary United States population. Liver Int. 2021;41(6):1290–3.

    Article PubMed Google Scholar 

  43. Fan N, Peng L, Xia Z, Zhang L, Song Z, Wang Y, Peng Y. Triglycerides to high-density lipoprotein cholesterol ratio as a surrogate for nonalcoholic fatty liver disease: a cross-sectional study. Lipids Health Dis. 2019;18(1):39.

    Article PubMed PubMed Central Google Scholar 

  44. Li N, Tan H, Xie A, Li C, Fu X, Xang W, Kirim A, Huang X. Value of the triglyceride glucose index combined with body mass index in identifying non-alcoholic fatty liver disease in patients with type 2 diabetes. BMC Endocr Disord. 2022;22(1):101.

    Article CAS PubMed PubMed Central Google Scholar 

  45. Zhang L, Cui H, Chen Q, Li Y, Yang C, Yang Y. A web-based dynamic Nomogram for predicting instrumental activities of daily living disability in older adults: a nationally representative survey in China. BMC Geriatr. 2021;21(1):311.

    Article PubMed PubMed Central Google Scholar 

  46. Lim J, Kim J, Koo SH, Kwon GC. Comparison of triglyceride glucose index, and related parameters to predict insulin resistance in Korean adults: An analysis of the 2007–2010 Korean National Health and Nutrition Examination Survey. PLoS ONE. 2019;14(3):e0212963.

    Article CAS PubMed PubMed Central Google Scholar 

  47. Khamseh ME, Malek M, Abbasi R, Taheri H, Lahouti M, Alaei-Shahmiri F. Triglyceride Glucose Index and Related Parameters (Triglyceride Glucose-Body Mass Index and Triglyceride Glucose-Waist Circumference) Identify Nonalcoholic Fatty Liver and Liver Fibrosis in Individuals with Overweight/Obesity. Metab Syndr Relat Disord. 2021;19(3):167–73.

    Article CAS PubMed Google Scholar 

  48. Lv L, Zhou Y, Chen X, Gong L, Wu J, Luo W, Shen Y, Han S, Hu J, Wang Y, et al. Relationship Between the TyG Index and Diabetic Kidney Disease in Patients with Type-2 Diabetes Mellitus. Diabetes Metab Syndr Obes. 2021;14:3299–306.

    Article PubMed PubMed Central Google Scholar 

  49. Sánchez-Íñigo L, Navarro-González D, Fernández-Montero A, Pastrana-Delgado J, Martínez JA. The TyG index may predict the development of cardiovascular events. Eur J Clin Invest. 2016;46(2):189-97.

  50. Guerrero-Romero F, Simental-Mendía LE, González-Ortiz M, Martínez-Abundis E, Ramos-Zavala MG, Hernández-González SO, Jacques-Camarena O, Rodríguez-Morán M. The product of triglycerides and glucose, a simple measure of insulin sensitivity. Comparison with the euglycemic-hyperinsulinemic clamp. J Clin Endocrinol Metab. 2010;95(7):3347-51.

  51. Mota M, Banini BA, Cazanave SC, Sanyal AJ. Molecular mechanisms of lipotoxicity and glucotoxicity in nonalcoholic fatty liver disease. Metabolism. 2016;65(8):1049–61.

    Article CAS PubMed PubMed Central Google Scholar 

  52. Xing Y, Chen J, Liu J, Ma H. Associations Between GGT/HDL and MAFLD: A Cross-Sectional Study. Diabetes Metab Syndr Obes. 2022;15:383–94.

    Article CAS PubMed PubMed Central Google Scholar 

  53. Sheng G, Lu S, Xie Q, Peng N, Kuang M, Zou Y. The usefulness of obesity and lipid-related indices to predict the presence of Non-alcoholic fatty liver disease. Lipids Health Dis. 2021;20(1):134.

    Article CAS PubMed PubMed Central Google Scholar 

  54. Simental-Mendía LE, Simental-Mendía E, Rodríguez-Hernández H, Rodríguez-Morán M, Guerrero-Romero F. The product of triglycerides and glucose as biomarker for screening simple steatosis and NASH in asymptomatic women. Ann Hepatol. 2016;15(5):715-20.

  55. Lee SH, Han K, Yang HK, Kim HS, Cho JH, Kwon HS, Park YM, Cha BY, Yoon KH. A novel criterion for identifying metabolically obese but normal weight individuals using the product of triglycerides and glucose. Nutr Diabetes. 2015;5:e149.

    Article CAS PubMed PubMed Central Google Scholar 

  56. Yang X, Gao Z, Huang X, Zhang M, Chen Z. The correlation of atherosclerosis and triglyceride glucose index: a secondary analysis of a national cross-sectional study of Japanese. BMC Cardiovasc Disord. 2022;22(1):250.

    Article CAS PubMed PubMed Central Google Scholar 

  57. Kitae A, Hashimoto Y, Hamaguchi M, Obora A, Kojima T, Fukui M. The Triglyceride and Glucose Index Is a Predictor of Incident Nonalcoholic Fatty Liver Disease: A Population-Based Cohort Study. Can J Gastroenterol Hepatol. 2019;2019:5121574.

    Article PubMed PubMed Central Google Scholar 

  58. Guo W, Lu J, Qin P, Li X, Zhu W, Wu J, Xu N, Zhang Q. The triglyceride-glucose index is associated with the severity of hepatic steatosis and the presence of liver fibrosis in non-alcoholic fatty liver disease: a cross-sectional study in Chinese adults. Lipids Health Dis. 2020;19(1):218.

    Article PubMed PubMed Central Google Scholar 

  59. Chiang JK, Lai NS, Chang JK, Koo M. Predicting insulin resistance using the triglyceride-to-high-density lipoprotein cholesterol ratio in Taiwanese adults. Cardiovasc Diabetol. 2011;10:93.

  60. Lucero D, Miksztowicz V, Macri V, López GH, Friedman S, Berg G, Zago V, Schreier L. Overproduction of altered VLDL in an insulin-resistance rat model: Influence of SREBP-1c and PPAR-α. Clin Investig Arterioscler. 2015;27(4):167-74.

    PubMed Google Scholar 

  61. Kim JS. Kang Ht Fau – Shim J-Y, Shim Jy Fau – Lee H-R, Lee HR: The association between the triglyceride to high-density lipoprotein cholesterol ratio with insulin resistance (HOMA-IR) in the general Korean population: based on the National Health and Nutrition Examination Survey in 2007–2009. Diabetes Res Clin Pract. 2012;97(1):132–8.

    Article CAS PubMed Google Scholar 

  62. Sung KC, Reaven G, Kim S. Ability of the plasma concentration ratio of triglyceride/high-density lipoprotein cholesterol to identify increased cardio-metabolic risk in an east Asian population. Cardiovasc Diabetol. 2011;10:93.

    Google Scholar 

  63. Schwenzer NF. Springer F Fau – Schraml C, Schraml C Fau – Stefan N, Stefan N Fau – Machann Jr, Machann J Fau – Schick F, Schick F: Non-invasive assessment and quantification of liver steatosis by ultrasound, computed tomography and magnetic resonance. J Hepatol. 2009;51(3):433–45.

    Article PubMed Google Scholar