中老年人代谢综合征危险因素分析及列线图预测模型的构建

doi:10.12307/2022.1005

摘要/Abstract

摘要：

文题释义：
倾向性评分匹配法：是一种统计学方法，用于处理观察研究的数据。在观察研究中，由于种种原因，数据偏差和混杂变量较多，倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响，以便对实验组和对照组进行更合理的比较。
列线图：又称诺莫图(Nomogram图)，它是建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。

背景：随着国内人口老龄化的加剧及生活方式的改变，中老年人代谢综合征的患病率不断升高，筛选该病的危险因素及构建该病的预测模型很有必要。
目的：探讨国内中老年人代谢综合征的危险因素并构建代谢综合征列线图预测模型，为中老年代谢综合征的防控工作提供参考。
方法：研究数据来源于中国健康与养老追踪调查2015年随访数据，以是否患有代谢综合征为因变量，纳入左手肌力、右手肌力、站立时间、步行速度、从椅子上起立时间、性别、年龄、吸烟、饮酒共9个变量探讨中老年人代谢综合征的相关因素，在SPSS上进行倾向性评分与描述性分析，在Rstudio上将原始数据集分为训练集与验证集，训练集进行单因素、多因素回归分析、列线图模型构建及内部验证，验证集进行外部验证。
结果与结论：①共筛选中老年人7 384人，其中检出有代谢综合征518人(7%)，无代谢综合征6 865人(93%)；②倾向性评分以1∶1从无代谢综合征的6 865人中选出518人作为对照组，代谢综合征患者作为患病组，构建原始数据集，以7∶3将原始数据集随机分为训练集(728人)与验证集(308人)；③模型的构建：根据训练集(建模队列)的二元logistic回归分析结果，选取出右手肌力、步行速度、性别、饮酒、站立时间等5个变量构建模型；模型的评价：模型受试者工作特征曲线曲线下面积为0.877(95%CI：0.851-0.902)，表明模型具有较高的区分度，校准曲线拟合良好说明模型具有较高的校准度；④模型的内部验证：采用Bootstrop法，经过1 000次有放回的重复抽样生成新样本，生成的校准曲线拟合良好；⑤模型的外部验证：由验证集(验证队列)检验，所得的受试者工作特征曲线曲线下面积为0.89(95%CI：0.854-0.926)，表明模型具有较高的区分度，校准曲线拟合良好说明模型具有较高的校准度，提示模型在验证队列也具有良好的效能；⑥构建的中老年人代谢综合征预测模型具有较好的可信度，由此得出的列线图，可根据右手肌力、步行速度、性别、饮酒、年龄、站立时间情况预测中老年人患有代谢综合征的概率，有利于中老年人代谢综合征的早发现、早诊断、早治疗，可在临床上推广。
缩略语：中国健康与养老追踪调查：China Health and Retirement Longitudinal Study，CHARLS

https://orcid.org/0000-0002-7658-9152 (沈炼伟)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 中老年人, 代谢综合征, 列线图预测模型, 危险因素, 回归分析

Abstract: BACKGROUND: With population aging and life-style variation in China, the prevalence of metabolic syndrome in the middle-aged and elderly is increasing. Therefore, it is necessary to screen the risk factors of the disease and construct a prediction model of the disease.
OBJECTIVE: To investigate the risk factors of metabolic syndrome in middle-aged and elderly people in China and to construct the nomogram prediction model of metabolic syndrome, so as to provide reference for the prevention and control of metabolic syndrome in such populations.
METHODS: The data were from the 2015 follow-up data of the China Health and Retirement Longitudinal Study (CHARLS), with metabolic syndrome as a dependent variable. Nine variables including left hand muscle strength, right hand muscle strength, standing time, walking speed, time to get up from the chair, sex, age, smoking and drinking were involved to explore the related factors of metabolic syndrome in middle-aged and elderly people. Propensity score matching and descriptive analysis were performed on SPSS. The original data set was divided into training set and verification set with Rstudio. The training set was subject to univariate and multivariate regression analysis, nomogram model construction and internal verification, whereas the verification set was subject to external verification.
RESULTS AND CONCLUSION: (1) A total of 7 384 middle-aged and elderly people were screened, including 518 (7%) with metabolic syndrome and 6 865 (93%) without metabolic syndrome. (2) 6 865 subjects without metabolic syndrome was paired by 1:1 with propensity score matching to screen out 518 subjects as the control group and those with metabolic syndrome acted as the case group. The control group and the case group constituted the original data set. The original data set was randomly divided into the training set (728 subjects) and the validation set (308 subjects) at 7:3. (3) Construction of the model: according to the binary logistic regression analysis results of the training set (modeling cohort), five variables such as right hand muscle strength, walking speed, sex, drinking and standing time were selected to build the model. Evaluation of the model: the area under the receiver operator characteristic curve of the model was 0.877 (95% confidence interval: 0.851-0.902), indicating that the model has high discrimination and good fitting of the calibration curve, indicating that the model has a high calibration degree. (4) Internal verification of the model: the bootstrap method was used to generate new samples after 1000 repeated sampling with return, and the generated calibration curve fitted well. (5) External verification of the model: the model was tested by the verification set (verification queue), the area under the receiver operator characteristic curve was 0.89 (95% confidence interval: 0.854-0.926), indicating that the model has high discrimination and good fitting of the calibration curve, that is, the model has high calibration degree and good efficiency in the verification queue. (6) The prediction model of metabolic syndrome in the middle-aged and elderly constructed in this study has good reliability. The nomogram obtained from this can predict the probability of metabolic syndrome in the middle-aged and elderly according to the right hand muscle strength, walking speed, sex, drinking, age and standing time, which is conducive to the early detection, diagnosis and treatment of metabolic syndrome in the middle-aged and elderly and can be popularized in clinical practice.

Key words: middle-aged and elderly people, metabolic syndrome, nomogram prediction model, risk factor, regression analysis

中图分类号:

沈炼伟, 朱洪柳, 王维. 中老年人代谢综合征危险因素分析及列线图预测模型的构建[J]. 中国组织工程研究, 2023, 27(5): 657-662.

Shen Lianwei, Zhu Hongliu, Wang Wei. Risk factor analysis of metabolic syndrome and construction of a nomogram prediction model in middle-aged and elderly people[J]. Chinese Journal of Tissue Engineering Research, 2023, 27(5): 657-662.

图/表（结果） 9

2.1 中老年人代谢综合征检出状况共纳入7 383名体检者，按照中国内分泌协会关于代谢综合征的诊断标准，分为对照组(6 865例)和病例组(518例)，检出率为7%。
2.2 原始数据集统计描述研究不可避免存在混杂因素，会夸大或掩饰纳入变量与研究结局的真实关联性。倾向性评分法是解决此问题统计方法之一，在医学各领域的应用不断得到证实，因而在此次研究的原始数据集采用了此方法[27]。原始数据集中共有1 036例，其中代谢综合征患者518例，非代谢综合征患者518例，病例组与对照组在左手肌力、右手肌力、站立时间、步行速度、性别、年龄、吸烟、饮酒上分布不同，差异均有显著性学意义(P < 0.05)，见表1。

2.3 模型变量筛选
2.3.1 单因素分析使用SPSS对训练集进行独立样本t检验分析，将结果表明左手肌力、右手肌力、站立时间、步行速度、性别、年龄、吸烟、饮酒均具有统计学意义(P < 0.05)，见表2。

2.3.2 多因素分析使用SPSS将单因素分析得出的左手肌力、右手肌力、站立时间、步行速度、性别、年龄、吸烟、饮酒等变量纳入二元logistic回归，结果表明右手肌力、站立时间(< 20 s，20-40 s)、步行速度、性别、饮酒等5个变量为代谢综合征的独立影响因素(P < 0.05)，其中右手肌力、步行速度、站立时间(< 20 s，20-40 s)为保护因素，性别、饮酒为危险因素，见表3。

2.4 列线图预测模型的构建使用Rstudio中的“rms”包，根据多因素分析筛选出的变量构建代谢综合征的列线图预测模型，见图1。列线图的应用如下：根据列线图，得出个体每个预测指标对应的分数值(Points)，得出各分数和的总分(Total Points)后，与总分相对应的预测概率为中老年人患有代谢综合征的概率。

2.5 列线图预测模型的评价
2.5.1 预测模型的效能模型的评价包括区分度与校准度这两个最常用的指标，区分度的评价最常用的就是采用C指数，且C指数为模型的基础，若C指数表现不佳，则代表研究设计存在问题，而校准曲线可直观查看模型的校准度。代谢综合征预测模型的C指数为0.877(95%CI：0.851-0.902)，见图2；绘制的校准曲线见图3。

2.5.2 预测模型的内部验证采用Bootstrap方法对训练集进行内部验证，设置重抽样次数为1 000次，计算得出C_index为0.872，绘制的校准曲线见图4。

2.5.3 预测模型的外部验证由验证集计算得出预测模型的C_index为0.89(95%CI：0.854-0.926)，见图5；绘制的校准曲线见图6。

参考文献

[1] 中华医学会糖尿病学分会代谢综合征研究协作组.中华医学会糖尿病学分会关于代谢综合征的建议[J].中国糖尿病杂志,2004,12(3): 156-161.
[2] 曾洪利,黄鲁,王万淑.内脏脂肪面积与代谢综合征的相关性分析[J].中国疗养医学,2021,30(12):1255-1258.
[3] XU Y, WANG L, HE J, et al. Prevalence and Control of Diabetes in Chinese Adults. JAMA. 2013;310(9):948-959.
[4] GRUNDY SM. Metabolic syndrome pandemic. Arterioscler Thromb Vasc Biol. 2008;28(4):629-636.
[5] 刘鲁豫,刘爱霞,王露露,等.老年代谢综合征流行病学调查及预防措施[J].公共卫生与预防医学,2021,32(3):107-110.
[6] 杨剑,许雷,王绍坡,等. 老年代谢综合征患者中医体质辨识[J]. 中国老年学杂志,2021,41(13):2715-2718.
[7] 孙广山.代谢综合征[J].医学理论与实践,2009,22(1):1-3.
[8] 马丽,李红.粪菌移植在代谢综合征治疗中的研究现况[J].国际内分泌代谢杂志,2021,41(4):300-303.
[9] MCCRACKEN E, MONAGHAN M, SREENIVASAN S. Pathophysiology of the metabolic syndrome. Clin Dermatol. 2018;36(1):14-20.
[10] ECKEL RH, GRUNDY SM, ZIMMET PZ. The metabolic syndrome. Lancet. 2005;365(9468):1415-1428.
[11] 庞利娟,白荣莉,湛斌,等.基于数据挖掘技术对代谢综合征治疗方法的分析[J].重庆医学,2019,48(7):1168-1171.
[12] SHERLING DH, PERUMAREDDI P, HENNEKENS CH. Metabolic Syndrome. J Cardiovasc Pharmacol Ther. 2017;22(4):365-367.
[13] SAKLAYEN MG. The Global Epidemic of the Metabolic Syndrome. Curr Hypertens Rep. 2018;20(2):12.
[14] 杨蓉,王鹏,屈文静.脓毒症患者继发持续性炎症-免疫抑制-分解代谢综合征的影响因素及预测模型构建[J]. 海南医学,2021, 32(17):2182-2185.
[15] 王传海,王新江,田慧,等.老年人腹部脂肪(CT测量)分布与体质指数及代谢综合征的关系[J]. 中华医学杂志,2014,94(12):908-912.
[16] 闫小光,王宝,张亚强,等.老年代谢综合征影响因素及其中医证候特征的临床分析[J]. 世界中西医结合杂志,2021,16(5):957-960.
[17] ZHAO Y, STRAUSS J, YANG G, et al. China Health and Retirement Longitudinal Study, 2011-2012 National Baseline Users’ Guide, National School of Development, Peking University. 2013.
[18] 梁雪. 痰湿体质人群易发代谢综合征的危险因素筛选和诊断模型构建研究[D].北京:北京中医药大学,2017.
[19] 张雪,谭明英,陈华英.全程管理模式对门诊疑似乳腺癌患者诊疗依从性的影响研究[J]. 成都医学院学报,2021,16(2):157-160.
[20] 李潇骁,郝聪,贺新宁,等.中国中老年人群髋部骨折疾病负担及其影响因素分析[J]. 中华骨科杂志,2020,40(21):1461-1468.
[21] 涂永前,金旻禛,张晨,等.城镇低龄老年人力资源开发的影响因素及供需匹配研究——基于北京、天津和济南的调研[J]. 创新, 2021(1):9-23.
[22] 蔡伦. 基于G--formula模型的中国中老年人跌倒的模拟干预和中介效应分析[D]. 厦门:厦门大学,2019.
[23] JUTBERGER H, LORENTZON M, BARRETT CONNOR E, et al. Smoking predicts incident fractures in elderly men: Mr OS Sweden. J Bone Miner Res. 2010;25(5):1010-1016.
[24] 刘静,赵冬,刘军,等. 代谢综合征与自由脂肪酸的关系[J]. 中华心血管病杂志,2005,33(7):653-657.
[25] 陈晓梅. 105名健康体检者颈动脉病变及相关危险因素探讨[J]. 实用医学影像杂志,2013,14(4):298-299.
[26] MAARTEN VS,KAREL GM,DE AH, et al. Sample size for binary logistic prediction models: Beyond events per variable criteria. Statistical Methods Med Res. 2018:096228021878472.
[27] 张丽伟,江淑芳,狄佳,等. 基于倾向性评分匹配的髋关节术后肺炎危险因素[J]. 中国感染控制杂志,2021,20(7):607-613.
[28] 范建高, 朱军. 饮酒与代谢综合征[J]. 国际内分泌代谢杂志,2004, 24(6):370-372.
[29] 李亚茹,赵丽云,于冬梅,等.中国成人饮酒与代谢综合征的关系[J].卫生研究,2019,48(4):531-536.
[30] 冯磊,年士艳,山德生,等. 不同性别代谢综合征患病情况分析[J]. 实用医学杂志,2007,23(5):664-665.
[31] 徐旭,刘耘,梁国威.代谢综合征患病率随性别和年龄的变化趋势[J].医学研究杂志,2011,40(5):88-91.
[32] 刘颖,弓岩岩.代谢综合征危险因素与发病关系的前瞻性分析[J].解放军预防医学杂志,2020,38(7):53-56.
[33] 任重宇,杨光,白翠瑾,等.代谢综合征差异下区域老年人运动能力的比较[J].中国老年学杂志,2016,36(4):896-898.
[34] KIM TN, PARK MS, YANG SJ, et al. Prevalence and Determinant Factors of Sarcopenia in Patients With Type 2 Diabetes: The Korean Sarcopenic Obesity Study (KSOS). Diabetes Care. 2010;33(7):1497-1499.
[35] EVANS WJ, PAOLISSO G, AB BA TECOLA AM, et al. Frailty and muscle metabolism dysregulation in the elderly. Biogerontology. 2010;11(5): 527-536.
[36] 齐淑静,齐瑞霞,张午临,等.肌肉减少症与代谢综合征关系的研究进展[J].肿瘤代谢与营养电子杂志,2018,5(3):324-327.
[37] MOMMA H, NIU K, KOBAYASHI Y, et al. Skin advanced glycation end product accumulation and muscle strength among adult men. Eur J Appl Physiol. 2011;111(7):1545-1552.
[38] SEMBA RD, BANDINELLI S, KAI S, et al. Relationship of an advanced glycation end product,plasma carboxymethyl-lysine,with slow walking speed in older adults: the InCHIANTI study. Arbeitsphysiologie. 2010; 108(1):191-195.
[39] IASONOS A, SCHRAG D, RAJ GV, et al. How to build and interpret a nomogram for cancer prognosis. J Clin Oncol. 2008;26(8):1364-1370.
[40] 张君玲,覃健,许霞,等.广西长寿地区老年人代谢综合征的患病情况分析及预测模型建立[J].老年医学研究,2021,2(4):18-22.
[41] 杨兴华,陶秋山,孙凤,等.台湾地区35-74岁健康体检人群代谢综合征发病风险预测模型的建立[J].中华流行病学杂志,2013,34(9): 874-878.
[42] 孙苑潆,杨亚超,曲明苓,等.健康管理人群代谢综合征发病风险预测模型[J].山东大学学报：医学版,2017,55(6):87-92.
[43] 龙玉其.医疗服务体系的满意度评价——基于2557个城乡不同收入家庭的调查[J].社会保障研究,2011(1):92-96.
[44] 刘增超,袁建芬,胡磊.无锡市新区社区卫生医疗服务满意度综合评价[J].公共卫生与预防医学,2015,26(4):58-60.
[45] 夏天,郝林,蒋博,等.预测输尿管结石ESWL清石率列线图的建立与内部验证[J].徐州医科大学学报,2021,41(7):515-521.
[46] 谷鸿秋,王俊峰,章仲恒,等.临床预测模型:模型的建立[J].中国循证心血管医学杂志,2019,11(1):14-16+23.
[47] 谷鸿秋,周支瑞,章仲恒,等.临床预测模型:基本概念、应用场景及研究思路[J].中国循证心血管医学杂志,2018,10(12):1454-1456+1462.
[48] 文玲子,王俊峰,谷鸿秋. 临床预测模型:新预测因子的预测增量值[J]. 中国循证心血管医学杂志,2020,12(6):655-659.

引言

材料方法

1.1 设计配对设计对比试验，危险因素的分析采用单因素结合多因素回归分析，模型构建采用回归分析法。
1.2 时间及地点研究数据来自北京大学开放研究数据平台中中国健康与养老追踪调查2015年随访数据。
1.3 对象及问卷此次研究数据来源于CHARLS研究，是北京大学国家发展研究院牵头的全国性调查，自2011年项目启动后，在2013，2015，2018年共进行了3次随访，该研究采用的抽样方法为多阶段分层概率比例规模抽样，调查了国内共28个省、自治区、直辖区的45岁以上中老年居民的社会及医疗资料，资料具有全国代表性，随访使用家庭问卷与体检问卷调查相结合的方式，为中国人口老龄化问题提供研究所需的基础数据，协助政策方案的制定及提升国内老年人的生活质量[20-21]，采用了其他2个问卷：

(1)CHARLS 体检问卷：由中国养老与健康追踪调查工作小组制作，包括血压、握力、平衡能力、步行速度、重复从椅子站起所需时间、身高测量、手臂长度测量、膝高测量、体质量测量等9个体检指标，其中肌力测量为站立，抓住握力计，肘部呈直角，并用力握紧保持几秒钟。且在在过去的 6 个月里，一只手或双手没有做过手术或者发生任何肿胀、发炎、严重疼痛及受伤[22-23]。

(2)CHARLS 家庭问卷：由中国养老与健康追踪调查工作小组制作，其中的健康状况与功能一项中包含糖尿病、高血压、高血脂等疾病的患病情况及年龄、性别、吸烟、饮酒等一般情况数据。腹型肥胖、高胆固醇血症、高血压、高血压为代谢综合征的发病基础[24]，年龄、吸烟、吸烟、饮酒与代谢综合征的发生密切相关[25]。已按照相关规定使用数据。
1.4 入选标准

纳入标准：①年龄≥45岁；②诊断明确的样本。

排除标准：①因诊断数据缺失导致诊断不明的样本；②变量中含有缺失值的样本。

此次研究查阅了CHARLS 2015年的随访数据，根据中华医学会糖尿病学会建议代谢综合征诊断标准：①超重和(或)肥胖，体质量指数≥25 kg/m2；②糖耐量异常和(或)已确诊糖尿病并治疗者；③高血压和(或)已确诊高血压并治疗者；④血脂紊乱。具备以上4项组成成分中的3项或全部者可确诊为代谢综合征[1]，从16 406例中老年人中将符合纳入标准的7 383例根据是否患有代谢综合征，分为病例组(n=518)与对照组(n=6 802)。倾向性评分按1∶1从对照组筛选出518例与病例组构成原始数据集，原始数据集以7∶3比例分为训练集(n=728)用于模型构建及验证集(n=308)用于模型外部验证。
1.5 样本量计算临床预测模型的样本量计算采用10EPV法制，即每个变量应有10个样本，有序多分类变量需应用(N-1)×10个样本(N为分类数目)[26]，此次研究纳入9个变量，其中有序多分类变量为站立时间、饮酒共2个，故需7×10+(4-1)×10+(3-1)×10=120个样本，原始数据集满足要求。
1.6 主要观察指标

模型的评价：区分度评估采用C指数，一致性评估采用校准曲线。

模型的内部验证：Bootstrap重抽样法。

模型的外部验证：模型在验证集的C指数及校准曲线。
1.7 统计学分析此文统计学方法已经锦州医科大学统计学专业专家审核。

(1)倾向性评分后原始数据集的统计学描述：使用SPSS 26.0软件将站立时间、饮酒次数转换为有序分类变量，性别转换为无序分类变量。计量资料用x±s进行统计描述；计数资料用例数和构成比进行统计描述(n/%)；组间比较：左手肌力、右手肌力、步行速度、从椅子站起所用时间、吸烟、年龄采用独立样本t检验进行统计描述，性别采用卡方检验进行统计描述，站立时间、饮酒采用秩和检验进行统计描述。

(2)模型变量筛选：采用SPSS 26.0软件对训练集进行单因素分析，再筛选出单因素分析具有统计学意义的变量进行多因素分析，均以P < 0.05为有统计学意义的筛选变量。

(3)列线图模型构建：将二元logistic回归分析筛选出的独立影响变量导入Rstudio软件，使用“rms”包构建代谢综合征列线图预测模型。

(4)模型的评价：计算出代谢综合征列线图预测模型的C指数(C_index)以评估模型的区分度；制作代谢综合征列线图预测模型校准曲线以评估模型的校准度。代谢综合征列线图预测模型的内部验证采用Bootstrap重抽样法；外部验证由验证集对预测模型进行区分度及校准度检验[10]。

讨论

CHARLS数据库的数据是由全国28个省、自治区、直辖区抽样调查所得，具有一定全国代表性，由此得出的患病率较为可信地反映国内中老年人患代谢综合征的患病率。由于数据库中含有大量缺失数据，导致此次研究筛选出的7 383例样本中代谢综合征检出率为7%，与流行病学调查显示的代谢综合征患病率相差较远，此次研究为探讨代谢综合征的相关因素及预测模型，检出率并不会对此造成影响。结合多因素分析结果与列线图模型可知，饮酒为代谢综合征的危险因素，既往研究认为饮酒对代谢综合征的影响与饮酒量有关，适度饮酒有利于降低人体的胰岛素抵抗、提升血清高密度脂蛋白水平，延缓代谢综合征的发展，而过量饮酒则可促进超重、糖尿病、高血脂、高血压的发生，促进代谢综合征的发展[28]。一项全国范围内饮酒与代谢综合征相关性的调查研究表明，每日饮酒超过20 g则可增加代谢综合征的患病风险[29]。此次研究结果表明，饮酒为中老年人患代谢综合征的危险因素，与饮酒量无关。目前学界普遍认为，男性代谢综合征的患病率高于女性[30]，而中老年男性与绝经后女性的患病率均会明显上升[31]。此次的研究对象绝大部分为中老年男性与绝经后女性，女性代谢综合征检出率明显高于男性，可能与原始数据缺失有关，也可能提示在50岁以后，女性代谢综合征的患病率会高于男性，需要更多流行病学研究证据。此次研究虽未将年龄纳入模型，但既往研究中年龄为代谢综合征的危险因素[32]，而女性在45-64岁的代谢综合征患病率呈现下降趋势[31]，导致此次研究中年龄变量的OR值<1，提示其为保护因素。此次研究发现手臂肌力、步行速度、站立时间与代谢综合征负相关，与既往代谢综合征与综合运动能力的研究相一致：代谢综合征与老年人运能力负相关，通过体育锻炼提高运动能力可延缓代谢综合征的发生[33]；代谢综合征患者往往伴有肥胖，而肥胖会导致亚临床炎症，促进衰弱症的发生[34]，衰弱症可通过炎症机制、胰岛素抵抗及激素分泌紊乱途径造成肌肉蛋白合成能力下降或分解能力上升，进而造成人体运动能力下降[35]；代谢综合征与肌肉减少症的共同病理基础是代谢紊乱[36]，肌肉减少症除了可以促进高血脂、胰岛素抵抗、肥胖的发生，加速代谢综合征的进展外，还可促进不可逆的糖基化终产物在代谢综合征患者骨骼肌的沉淀，进而导致手臂力量、步行速度、腿部伸展能力的下降[37-38]。

临床列线图是统计模型的简易可视化，可根据患者的不同情况计算患者疾病的发病风险，有助于临床决策[39]。代谢综合征是中老年人的常见临床症候群，患病率高，结合国内老龄人口不断增加的社会现状，中老年代谢综合征患者数量巨大，因而很有必要去寻找一种简易高效的方法筛查中老年代谢综合征患者，进而做到代谢综合征的早发现、早诊断、早治疗。现有的代谢综合征预测多是基于生活习惯或实验室检查数据构建的[40-42]，代谢综合征的研究也多集中于腹型肥胖、脂毒性、胰岛素抵抗及肠道菌群改变[5-6]。目前关于代谢综合征与肌肉力量的研究，此次研究构建的代谢综合征预测模型，表明代谢综合征与肌肉力量有负相关性，其C指数为0.887(95%CI：0.851-0.902)，具有良好的区分度[43]，校准曲线拟合良好表明模型具有良好的校准度[44]，表明该代谢综合征列线图预测模型具有良好的可重复性与普遍性。模型的内部验证：采用Bootstrop法，经过1 000次有放回的重复抽样生成新样本，生成的校准曲线拟合良好。模型的外部验证：由验证集(验证队列)检验，所得的ROC曲线下面积为0.89(95%CI：0.854-0.926)，表明模型具有较高的区分度，校准曲线拟合良好说明模型具有较高的校准度，说明模型在验证队列也具有良好的效能[45]。同时，该模型的不足之处在于：①数据库变量缺失值过多，无法使用插补方法插补数据，16 381例经排除含有过多缺失值的样本后，仅剩7 384例，由此得出的中老年人代谢综合征检出率仅为7%，影响了该模型的可信度；②考虑到需要降低变量间的多次共线性，此次研究采用了单因素结合多因素分析的研究方法，在变量较少的研究中尚可应用，若是变量较多，应采用lasso分析等新颖的分析方法[46]；③模型的验证队列与训练队列来自同一时间段、同一数据库，使用该数据库2021年数据作为外部验证进行异时相验证，或采用多个医院数据进行多中心验证，模型的效能可以得到进一步提升[47]；④模型的预测因子是通过调查问卷得来的，过于表浅。随着医学技术的进步和基础研究的发展，大量新指标，如肌电图、与肌力相关的血清学指标，可被纳入模型以提升模型的准确性[48]。

结论：综上所述，戒酒、提升综合运动能力可降低中老年人代谢综合征的发生率。此次研究构建的代谢综合征预测模型具有良好效能，同时在内部验证及外部验证中表现良好，具有良好的可重复性及普遍性，可用于中老年人代谢综合征的筛选，有助于代谢综合征的早发现、早诊断、早治疗。
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程