Ein innovatives Modell zur Vorhersage koronarer Herzerkrankungen mithilfe von Triglyceriden

Kardiovaskuläre Diabetologie Band 22, Artikelnummer: 200 (2023) Diesen Artikel zitieren

179 Zugriffe

Details zu den Metriken

Zur Vorhersage des Auftretens einer koronaren Herzkrankheit (KHK) wurden verschiedene Vorhersagemodelle entwickelt, aber keines davon hatte einen optimalen Vorhersagewert. Obwohl diese Modelle Diabetes als wichtigen KHK-Risikofaktor betrachten, berücksichtigen sie weder Insulinresistenz noch Triglycerid (TG). Die unbefriedigende Leistung dieser Vorhersagemodelle kann darauf zurückgeführt werden, dass diese Faktoren trotz ihrer nachgewiesenen Auswirkungen auf die KHK ignoriert werden. Wir haben beschlossen, standardmäßige KHK-Vorhersagemodelle durch maschinelles Lernen zu modifizieren, um festzustellen, ob der Triglycerid-Glukose-Index (TyG-Index, eine logarithmierte Kombination aus Nüchternblutzucker (FBS) und TG, die eine Insulinresistenz anzeigt) als KHK-Prädiktor besser funktioniert als Diabetes.

Zweitausend Teilnehmer einer gemeindenahen iranischen Bevölkerung im Alter von 20–74 Jahren wurden mit einer durchschnittlichen Nachbeobachtungszeit von 9,9 Jahren (Bereich: 7,6–12,2) untersucht. Der Zusammenhang zwischen dem TyG-Index und KHK wurde mithilfe multivariater Cox-Proportional-Hazard-Modelle untersucht. Durch die Auswahl gemeinsamer Komponenten zuvor validierter KHK-Risikoscores haben wir Modelle für maschinelles Lernen zur Vorhersage von KHK entwickelt. In KHK-Vorhersagemodellen wurde Diabetes durch den TyG-Index ersetzt. Alle Komponenten maschineller Lernmodelle wurden im Hinblick darauf erläutert, wie sie sich auf die KHK-Vorhersage auswirken. Es wurden KHK-vorhersagende TyG-Index-Grenzwerte berechnet.

Die KHK-Inzidenz betrug 14,5 %. Im Vergleich zum untersten Quartil des TyG-Index hatte das vierte Quartil eine vollständig angepasste Hazard Ratio von 2,32 (Konfidenzintervall [CI] 1,16–4,68, p-Trend 0,04). Ein TyG-Index > 8,42 hatte den höchsten negativen Vorhersagewert für KHK. Die auf dem TyG-Index basierende Support Vector Machine (SVM) schnitt bei der Vorhersage von KHK deutlich besser ab als die auf Diabetes basierende SVM. Der TyG-Index war nicht nur für die Vorhersage einer KHK wichtiger als Diabetes; Es war nach dem Alter der wichtigste Faktor in Modellen des maschinellen Lernens.

Wir empfehlen die Verwendung des TyG-Index in der klinischen Praxis und in Vorhersagemodellen, um Personen mit einem Risiko für die Entwicklung einer koronaren Herzkrankheit zu identifizieren und bei deren Prävention zu helfen.

KHK ist eine große Herausforderung für die öffentliche Gesundheit und trägt zur globalen Krankheitslast bei. Trotz verbesserter Präventionsmethoden und Behandlungstechniken [1, 2] ist es immer noch die häufigste Morbiditäts- und Mortalitätsursache weltweit, macht 32 % aller Todesfälle aus [3] und stellt eine enorme Belastung für die nationalen Gesundheitsfinanzen dar [4, 5]. Daher ist die Bewertung des KHK-Risikos eine globale Priorität für die öffentliche Gesundheit.

Verschiedene KHK-Vorhersagemodelle wie Framingham [6], Systematic COronary Risk Evaluation (SCORE) [7], Reynolds [8], American College of Cardiology/American Heart Association (ACC/AHA) [9], Konsensempfehlungen der Joint British Societies zur Prävention von Herz-Kreislauf-Erkrankungen (JBS3) [10], Multi-Ethnic Study of Atherosclerosis (MESA) [11], QRISK [12] und zur Vorhersage des atherosklerotischen kardiovaskulären Risikos in China (China-PAR) [13] wurden entwickelt zur Vorhersage der KHK-Inzidenz, aber keines hat einen optimalen Vorhersagewert [14]. Alle diese Modelle betrachten Diabetes als einen wichtigen KHK-Risikofaktor, aber keines davon berücksichtigt weder Insulinresistenz noch TG [14,15,16,17].

Eine bessere Vorhersage der KHK könnte möglich sein, wenn man die Insulinresistenz berücksichtigt, die Jahre oder sogar Jahrzehnte vor Diabetes auftritt [18]. Frühere randomisierte Mendelsche Analysen, systematische Übersichtsarbeiten und Metaanalysen haben den Zusammenhang zwischen Insulinresistenz und KHK durch Veränderung der Gefäßwandreaktionen auf Insulin und Förderung von Atherosklerose befürwortet [19,20,21]. Der hyperinsulinämisch-euglykämische Clamp-Test ist der Goldstandard zur Messung der Insulinresistenz, ist jedoch aufgrund seines invasiven, komplizierten und teuren Protokolls in klinischen Studien nicht anwendbar [22, 23]. Ein weiterer validierter Index ist die Homöostasemodellbewertung der Insulinresistenz (HOMA-IR), die durch Division der Serumglukose durch die Insulinkonzentrationen berechnet wird. Die zirkulierende Insulinkonzentration wird in der Primärversorgung nicht routinemäßig gemessen. Darüber hinaus hat es bei Personen, die subkutan Insulin erhalten, nur einen begrenzten Wert. Daher ist HOMA-IR kein geeigneter Index für primäre Präventionsstrategien [23]. Der TyG-Index ist ein logarithmiertes Produkt von FBS und TG. Es wurde gezeigt, dass es stark mit der hyperinsulinämisch-euglykämischen Klemme und HOMA-IR korreliert [24]. Darüber hinaus handelt es sich um ein einfaches, kostengünstiges Protokoll, das bei allen Probanden unabhängig von ihrem Insulinbehandlungsstatus angewendet werden kann [23]. Darüber hinaus enthält es TG, einen weiteren Risikofaktor für KHK [25, 26], wie mehrere Studien zeigen; Dennoch wurde es in früheren Modellen nicht berücksichtigt [6,7,8,9,10,11,12,13]. Daher erscheint es sinnvoll, diese Modelle mit dem TyG-Index zu modifizieren und anschließend ihre Wirksamkeit zu bewerten.

Algorithmen für maschinelles Lernen haben sich als äußerst nützlich bei der Vorhersage von Herz-Kreislauf-Erkrankungen erwiesen [27]. Ihre Fähigkeit, komplexe Wechselwirkungen und nichtlineare Beziehungen zwischen Variablen und Ergebnissen zu erfassen, macht sie den standardmäßigen statistischen Modellen überlegen [28]. Mehrere Studien haben gezeigt, dass maschinelle Lernalgorithmen traditionelle Modelle übertreffen [29,30,31]. Dennoch hat keine Studie den Einfluss des TyG-Index auf die Vorhersage von KHK durch maschinelles Lernen untersucht. Aus diesen Gründen sollten Modelle des maschinellen Lernens ausgewählt werden, um vollständig zu beurteilen, wie sich TyG-Index und Diabetes auf andere Variablen bei der Vorhersage von KHK auswirken und mit ihnen interagieren.

Vor diesem Hintergrund bestand das Hauptziel der vorliegenden Studie darin, den Zusammenhang zwischen dem TyG-Index und der KHK in einer 10-jährigen prospektiven Kohortenstudie zu untersuchen. Das ultimative Ziel bestand darin, standardmäßige KHK-Vorhersagemodelle durch maschinelles Lernen zu modifizieren, um festzustellen, ob der TyG-Index als KHK-Prädiktor besser funktioniert als Diabetes.

Diese Kohortenstudie wurde unter Verwendung von Daten des Yazd Healthy Heart Project (YHHP) durchgeführt, einer bevölkerungsbasierten epidemiologischen Studie zur Bewertung von Herz-Kreislauf-Erkrankungen und Stoffwechselstörungen [32].

Im YHHP wurden 100 Cluster und 20 Familien aus jedem Cluster definiert und ein Erwachsener (im Alter von 20–74 Jahren) aus jeder Familie nach dem Zufallsprinzip für die Teilnahme und Bewertung in der ersten Phase ausgewählt, die 2005–2006 durchgeführt wurde (n = 2000, Männer =). 1000, Frauen = 1000) [32].

Nach 10 Jahren Nachbeobachtung (2015–2016) wurden die Teilnehmer zur Neubewertung erneut in das Yazd Cardiovaskuläre Forschungszentrum (YCRC) eingeladen [32].

Von den 2000 Teilnehmern wurden 17 aufgrund von Verlusten in der zweiten Phase aus der Studie ausgeschlossen; Von den 1983 an der Basisuntersuchung teilnehmenden Personen wurden 62 aufgrund der Diagnose einer KHK zu Studienbeginn, 78 aufgrund des Todes während der Studie und 308 aufgrund fehlender Daten ausgeschlossen. Die restlichen 1552 Teilnehmer (804 Männer, Durchschnittsalter 48,6 ± 14,7 Jahre) wurden in die vorliegende Studie einbezogen (Abb. 1).

Flussdiagramm der Teilnehmer der 10-Jahres-Folgestudie

Die vorliegende Studie wurde von der Ethikkommission der Shahid Sadoughi University of Medical Sciences (Ethikkodex: IR.SSU.REC.1401.069) genehmigt und auf der Grundlage der Deklaration von Helsinki zur medizinischen Forschung durchgeführt (33). Während der Anfangs- und Nachbeobachtungsphase wurde von den Studienteilnehmern eine Einverständniserklärung eingeholt. Die vorliegende Forschung basiert auf der Stärkung der Berichterstattung über Beobachtungsstudien in der Stellungnahme zur Epidemiologie (STROBE) [34].

Nach dem Fasten über Nacht wurden Blutproben für Labortests entnommen. Nach der Zentrifugation wurden Serumharnsäure (SUA), Glucose und TG mit Pars Azmoon-Kits (Pars Azmoon Inc., Teheran, Iran) bestimmt. Zur Analyse der Lipidprofile (Gesamtcholesterin, Low-Density-Lipoprotein [LDL] und High-Density-Lipoprotein [HDL]) wurden bionische Kits (Bionic Company, Teheran, Iran) verwendet. Alle Analysen wurden mit einem biochemischen Autoanalysegerät (BT 3000, Italien) durchgeführt [32].

Die Höhe wurde in beiden Phasen mit einem Stadiometer gemessen, das an einer Wand ohne Dellen oder Unebenheiten befestigt war. Während die Teilnehmer barfuß standen, berührten ihre Fersen, Hüften, Schultern und ihr Kopf die Wand und ihr Kopf war auf 0,5 cm genau horizontal fixiert. Die Teilnehmer wurden in der ersten Phase mit einer Digitalwaage (Seca, Deutschland) mit minimaler Kleidung auf 0,1 kg genau gewogen und in der zweiten Phase mit einer anderen Digitalwaage (Modell BF511, Omron Co. Karada Body Scan, Osaka, Japan). Zur Messung des Taillen- bzw. Hüftumfangs wurden der obere Rand des Beckenkamms und der breiteste Teil des Gesäßes mit einem nicht dehnbaren Maßband auf 0,1 cm genau gemessen.

Ein automatisches digitales Blutdruckmessgerät (Omron, M6 Comfort, Osaka, Japan) wurde verwendet, um den Blutdruck der rechten Arme der Teilnehmer im Sitzen zu messen. Die Blutdruckmessungen wurden von einer ausgebildeten Krankenschwester zweimal im Abstand von 5 Minuten durchgeführt [32].

Durch das Ausfüllen von Fragebögen wurden Daten zu demografischen Merkmalen, Bildung, körperlicher Aktivität, Rauchgewohnheiten, Familiengeschichte vorzeitiger KHK und Ernährungsgewohnheiten gesammelt.

In der ersten Phase der Studie füllten geschulte Interviewer Fragebögen aus, um körperliche Aktivität, Bildungsniveau, Ernährungsgewohnheiten und Raucherstatus zu bewerten. Hinsichtlich des Bildungsniveaus wurden die Teilnehmer in Kategorien eingeteilt, die über eine Grundschul-, Oberschul- oder akademische Ausbildung verfügten. Die körperliche Aktivität wurde anhand des International Physical Activity Questionnaire (IPAQ) bewertet [35]. Teilnehmer mit einer Aktivität von < 600, 600–1200 bzw. > 1200 Kilokalorien/Woche wurden in die Kategorien „gering“, „mäßig“ oder „starke Aktivität“ eingeteilt. Die Teilnehmer wurden anhand ihres aktuellen Raucherstatus in Gruppen von Rauchern und Nichtrauchern eingeteilt. Das Auftreten einer KHK bei Vater oder Bruder unter 45 Jahren oder Mutter oder Schwester unter 55 Jahren wurde als familiäre Vorgeschichte einer vorzeitigen KHK definiert [32]. Mithilfe eines Fragebogens wurde die Verwendung von frittierten Lebensmitteln, Salz, Entfernen von Geflügelhaut, Essen auswärts, Fleischkonsum und Entfernen von Fett aus Fleisch ermittelt.

KHK-Ereignisse wurden als Auftreten von tödlicher oder nicht tödlicher KHK, Myokardinfarkt (MI), perkutaner Koronarintervention (PCI), Koronararterien-Bypass-Transplantation (CABG) und neuer Angina pectoris definiert. Die Diagnose einer neuen Angina pectoris basierte auf positiven Ergebnissen des Rose-Angina-Fragebogens [36] sowie auf positiven Veränderungen im Elektrokardiogramm, erhöhten Herzenzymen und einem positiven Belastungstoleranztest oder einem Koronararterien-Angiogramm.

Der Zeitpunkt des Ergebnisses für tödliche oder nicht tödliche koronare Herzkrankheit, Myokardinfarkt, CABG, positiver Belastungstest, positive Herzenzyme und PCI wurde auf der Grundlage medizinischer Unterlagen bestimmt. Alle Rose-Angina-Fragebögen [36] und Elektrokardiogramme wurden von einem erfahrenen Arzt untersucht.

Statistische Analysen wurden mit SPSS Version 24.0 (IBM Corp., Armonk, NY, USA), Python 3 und R Version 4.2.2 (www.R-project.org) durchgeführt. Kontinuierliche Variablen wurden als Mittelwert ± Standardabweichung (SD) beschrieben und durch unabhängigen T-Test oder ANOVA verglichen. Kategoriale Variablen wurden als Zahlen (Prozentsatz) beschrieben und mithilfe von Chi-Quadrat-Tests verglichen.

Der TyG-Index, die wichtigste interessierende Expositionsvariable, wurde definiert als:

und als Quartile basierend auf geschlechtsspezifischen Verteilungen und als kontinuierliche Maße analysiert. Multivariable Cox-Proportional-Hazard-Modelle wurden verwendet, um das Risiko einer KHK-Entwicklung abzuschätzen. Es wurden vier Modelle bewertet: Modell I wurde hinsichtlich Alter und Geschlecht angepasst; Modell II wurde weiter an körperliche Aktivität, Bildung, Familiengeschichte vorzeitiger KHK und Rauchen angepasst; Modell III wurde weiter hinsichtlich Gesamtcholesterin, HDL, Body-Mass-Index (BMI), Taille-zu-Hüfte-Verhältnis, Blutdruck, SUA und LDL angepasst; und Modell IV wurde weiter angepasst für den Verzehr von frittierten Lebensmitteln, das Hinzufügen von Salz, das Entfernen von Geflügelhaut, die Verwendung von fettreichen Milchprodukten, das Essen auswärts, den Fleischkonsum und das Entfernen von Fett aus Fleisch. Schließlich wurde der Medikamentengebrauch in unseren Modellen angepasst, um zu untersuchen, ob er den Zusammenhang verändern könnte.

Das R-Paket „OptimalCutpoints“ [37] wurde verwendet, um die TyG-Index-Grenzwerte zu ermitteln, die KHK vorhersagen können. Wir haben diese Grenzwerte nach Geschlecht und Diabetesstatus geschichtet.

In Übereinstimmung mit früheren Studien [31, 38] haben wir mehrere Modelle für maschinelles Lernen ausgewählt, um CHD-Vorhersagemodelle zu erstellen (logistische Regression, Entscheidungsbaum, Zufallswald, K-nächster Nachbar (KNN) und SVM). Um frühere Standard-KHK-Prädiktormodelle zu simulieren, haben wir die Literatur untersucht und die gemeinsamen Komponenten zwischen Framingham-Risikoscore [6], SCORE CVD-Todesrisikoscore [7], QRISK-Risikorechner [12], Reynolds CVD-Risikoscore [8] und ACC ausgewählt /AHA gepoolter Kohorten-Hard-CVD-Risikorechner [9], JBS3-Risikoscore [10], MESA-Risikoscore [11] und China-PAR-Risikoprädiktor [13]. Als Ergebnis dieser Untersuchungen wurden Alter, Geschlecht, Blutdruck, Gesamtcholesterin, HDL, Verhältnis von Taille zu Hüfte, Diabetes, Raucherstatus und Familiengeschichte vorzeitiger Herzerkrankungen bei der Simulation eines Standard-KHK-Vorhersagemodells berücksichtigt. Im Rahmen der Vorverarbeitung der Daten wurden alle fehlenden Werte sowie ausgewertete Ausreißer und stark korrelierte Merkmale ausgeschlossen. Aufgrund unausgewogener Ergebnisdaten (Inzidenz von 14,5 %) verwendeten wir SMOTE (Over-Sampling-Methode) [39], das sich bei KHK als zuverlässig erwiesen hat [38]. Nachdem wir kontinuierliche Variablen standardisiert und die Daten zufällig in 70/30 aufgeteilt hatten, trainierten wir Modelle für den größeren Teil des Datensatzes und bewerteten ihre Leistung für den kleineren Teil. Anschließend haben wir unseren Datensatz geändert, indem wir Diabetes durch den TyG-Index ersetzt haben, und die vorherigen Schritte wiederholt. Um den Vergleich von wahr positiven, wahr negativen, falsch negativen und falsch positiven Werten von Modellen zu demonstrieren, verwendeten wir Verwirrungsmatrizen. Wir haben uns für die Verwendung verschiedener Farbspektren entschieden, um den Vergleich zu veranschaulichen und das Verständnis zu erleichtern. Um die Modellleistung zu melden, haben wir die Fläche unter den Kurven (AUC), die Sensitivität, die Spezifität, den Cohen-Kappa-Score, den Matthew-Korrelationskoeffizienten und den F1-Score berechnet. Wir haben den allgemein anerkannten AUC-Index [31] und den DeLong-Test [40] verwendet, um die Leistung dieser Modelle zu vergleichen. Um Modelle für maschinelles Lernen zu verstehen und dem Black-Box-Charakter von Modellen für maschinelles Lernen entgegenzuwirken, haben wir die „Dalex“-Bibliothek [41] verwendet, um zu bestimmen, wie stark sich die Leistung eines Modells ändert, wenn eine ausgewählte erklärende Variable entfernt wird.

Zusatzdatei 1: Tabelle S1 fasst die Basismerkmale der Studienteilnehmer gemäß dem Follow-up-Prozess zusammen. Teilnehmer, bei denen die Nachuntersuchung nicht möglich war, waren deutlich älter und seltener männlich als Teilnehmer, die die Nachuntersuchung abgeschlossen hatten.

Zusatzdatei 1: Tabelle S2 erläutert die Grundmerkmale der Studienteilnehmer basierend auf ihrem Geschlecht.

Die Ausgangsmerkmale der Teilnehmer nach TyG-Index-Quartilen sind in Tabelle 1 dargestellt. Teilnehmer im höchsten Quartil der Serum-TyG-Index-Spiegel (TyG-Index > 9,32) waren älter und hatten höhere Gesamtcholesterin-, TG-, SUA- und Nüchternblutwerte Glukosespiegel, höhere Diabetesraten, Blutdruck und anthropometrische Indizes, niedrigere HDL-Werte und weniger Bildung.

Die Gesamtinzidenz einer neu aufgetretenen koronaren Herzkrankheit betrug beim zweiten Besuch 14,5 %. Die Inzidenz von KHK betrug 6,4 %, 11,1 %, 14 % bzw. 26 % in den Quartilen 1 bis 4.

Im Vergleich zur Q1-Gruppe betrugen die Hazard Ratio (HR) und das 95 %-KI der KHK-Inzidenz in Modell I in Q2, Q3 und Q 1,51 (0,91–2,51), 1,68 (1,03–2,74) und 2,63 (1,67–4,15). Q4-Gruppen bzw. Nach der letzten Anpassung (Modell IV) war die HR im vierten Quartal leicht gesunken, aber immer noch signifikant. Die angepassten HR-Werte pro Anstieg des TyG-Index um eine Einheit betrugen 1,87 (1,59–2,21), 1,70 (1,35–2,14) und 2,16 (1,69–2,77) in der Gesamtstichprobe, bei Männern bzw. bei Frauen (Tabelle 2). .

Bei der Stratifizierung nach Geschlecht war der Zusammenhang zwischen TyG-Index und KHK-Risiko bei Männern nach Anpassung an Labormarker und Ernährungsgewohnheiten nicht mehr signifikant, bei Frauen war er jedoch immer noch signifikant mit KHK assoziiert: HR 4,65 (1,34–16,1) für Q4 im Vergleich zu Q1. Diabetesmedikamente verfälschten den Zusammenhang zwischen TyG-Index und KHK, die Behandlung von Dyslipidämie jedoch nicht. Ein TyG-Index von mehr als 9,07 bei Frauen und 8,92 bei Männern hatte gleichzeitig die höchste Sensitivität und Spezifität für die Vorhersage einer KHK (Tabelle 3).

Tabelle 4 zeigt die statistischen Funktionen sowie die Verwirrungsmatrizen zur Vorhersage von Modellen, die aus richtig positiven, falsch positiven, wahr negativen und falsch negativen Werten bestehen. Zufällige Waldmodelle hatten die höchste Sensitivität und Spezifität. Nach der Modifikation mit dem TyG-Index konnte im SVM-Modell eine deutliche Verbesserung festgestellt werden. Andere Modelle zeigten keine wesentlichen Änderungen. In Abb. 2 werden alle Komponenten dieser Modelle hinsichtlich ihrer Auswirkung auf die Vorhersage verglichen. Die Eliminierung von Diabetes verringerte die AUC im Entscheidungsbaum um etwa 2 %, während sie in anderen Modellen keinen Einfluss auf die AUC hatte. Je nach Modell verringerte die Entfernung des TyG-Index die AUC von 1 auf 22 %. Die aktuelle Studie zeigte, dass der TyG-Index bei der Vorhersage einer koronaren Herzkrankheit viel besser war als Diabetes; Insgesamt war es nach dem Alter der zweitwichtigste Faktor.

Einfluss verschiedener Komponenten maschineller Lernmodelle auf die Vorhersage von KHK

Die Ergebnisse dieser prospektiven Kohortenstudie an einer 9,9 Jahre lang beobachteten gemeindenahen iranischen Bevölkerung deuten darauf hin, dass ein höherer TyG-Index mit einem höheren KHK-Risiko verbunden ist. Dieser Zusammenhang war bei Frauen deutlicher. Darüber hinaus übertraf der TyG-Index Diabetes in KHK-Vorhersagemodellen.

Ein Zusammenhang zwischen dem TyG-Index und KHK wurde zuvor sowohl in Beobachtungsstudien (23, 42, 43, 44, 45, 46, 47, 48, 49) als auch in Metaanalysestudien (19, 50, 51) bestätigt, die jedoch widersprüchlich waren in prädiktiven Werten, die Unvollständigkeit von Störfaktoren (insbesondere Ernährung und Medikamente) und die Notwendigkeit, den Zusammenhang bei nicht-diabetischen Patienten in Beobachtungsstudien und Heterogenität in Metaanalysen zu untersuchen, waren Anlass für die aktuelle Studie [19].

Frühere Studien haben TyG-Index-Grenzwerte von 9 und 9,323 zur Prävention von KHK vorgeschlagen [52]. Die Ergebnisse der aktuellen Studie werden Gesundheitsdienstleistern in unserer Region dabei helfen, ihre Patienten auf einen TyG-Index von ≥ 8,42 zu untersuchen, der unseren Ergebnissen zufolge den höchsten negativen Vorhersagewert aufweist, und bei Werten von ≥ 9,28 eine pharmakologische Behandlung in Betracht zu ziehen hatte in der aktuellen Studie den höchsten positiven Vorhersagewert, und diejenigen unter 8,99 zu kontrollieren, die gleichzeitig die höchste Sensitivität und Spezifität aufwiesen.

FBS und TG spiegeln die Insulinresistenz in der Leber bzw. den Adipozyten wider [53]. Als Kombination dieser beiden Faktoren zeigte der TyG-Index eine Sensitivität von 96,5 % und eine Spezifität von 85 % für die Erkennung von Insulinresistenz, eine bessere Leistung als die von HOMA-IR [51]. Insulinresistenz kann entzündliche Prozesse, Störungen des Fettstoffwechsels, Überaktivierung des sympathischen Nervensystems, endotheliale Dysfunktion und schließlich Thrombose und KHK auslösen [43, 45, 46, 51, 54, 55, 56, 57]. Daher kann der TyG-Index als einfacher, praktischer, kostengünstiger, reproduzierbarer und zuverlässiger Ersatzmarker für die Messung der Insulinresistenz in KHK-Präventionsplänen dienen [54].

Studien haben gezeigt, dass der TyG-Index eine signifikante Rolle bei der KHK-Inzidenz bei Frauen spielt [42, 43, 45, 46, 54, 58, 59]. Dennoch berichtete eine Studie über eine größere Rolle bei Männern [60] und eine andere fand keine Unterschiede zwischen den Geschlechtern [55]. Die aktuelle Studie fand einen Zusammenhang bei beiden Geschlechtern, der nur bei Frauen nach multivariabler Anpassung bestehen blieb. Dieser Befund kann durch die Tatsache erklärt werden, dass fast die Hälfte der weiblichen Teilnehmer über 50 Jahre alt war und zu Studienbeginn anfällig für die Wechseljahre war. Aufgrund sinkender Östrogenspiegel kann es nach der Menopause zu einer Insulinresistenz und einem höheren KHK-Risiko kommen [45, 46, 54, 55, 59]. Darüber hinaus war der TyG-Index bis Modell II ein unabhängiger Risikofaktor für KHK bei nicht-diabetischen Teilnehmern. Der fehlende Zusammenhang bei Diabetikern könnte auf Änderungen des Lebensstils und den Medikamentenkonsum während der 10-jährigen Nachbeobachtung zurückzuführen sein [61]. Unsere Analyse zeigte, dass die Diabetesbehandlung den Zusammenhang nicht signifikant machte. Die erste Behandlungslinie bei Diabetes ist Metformin, das die Insulinresistenz verringern kann [62], was den unbedeutenden Zusammenhang zwischen dem TyG-Index und KHK bei Diabetikern bestätigt.

Frühere Studien haben gezeigt, dass der TyG-Index kardiovaskuläre Ereignisse genauer vorhersagt als Hämoglobin A1c [23]. Darüber hinaus deuten mehrere Studien darauf hin, dass das Hinzufügen des TyG-Index zum Framingham-Risikoscore dessen Vorhersagekraft erhöhen kann [48, 49]. Frühere Studien kamen zu dem Schluss, dass SVM und Random Forest das effektivste Modell zur Vorhersage von KHK waren [38, 63, 64 ] ergab die aktuelle Studie, dass Random Forest die höchste AUC erreichte. Sowohl im Random-Forest- als auch im SVM-Modell spielte Diabetes keine Rolle, während der TyG-Index die zweitgrößte Komponente war. Die aktuelle Studie ergab, dass die Verwendung des TyG-Index anstelle von Diabetes in Modellen des maschinellen Lernens die Vorhersagekraft von KHK-Vorhersagemodellen erheblich verbessern kann. Modelle des maschinellen Lernens zeigten, dass der TyG-Index nicht nur wichtiger als Diabetes bei der Vorhersage von KHK war, sondern auch der wichtigste Faktor nach dem Alter. Nach unserem besten Wissen wird der TyG-Index in keiner klinischen Leitlinie verwendet [19], aber die American Diabetes Association (ADA) schlug im Jahr 2022 vor, dass Patienten mit erhöhten TG-Werten (≥ 150 mg/dL [1,7 mmol/L ]) sollten verbesserte Lebensstilinterventionen und eine optimale Blutzuckerkontrolle umsetzen [65]. Unsere Ergebnisse befürworten die Aufnahme des TyG-Index in zukünftige Richtlinien zur KHK-Prävention.

Folgende Stärken der aktuellen Studie sind hervorzuheben. Diese Studie ist die erste, die die Vorhersagekraft des TyG-Index bei KHK mithilfe von Techniken des maschinellen Lernens bewertet. Nach unserem besten Wissen wurden die optimalen Grenzwerte in der iranischen Bevölkerung bisher nicht ermittelt. Der gemeinschaftsbasierte prospektive Charakter unserer Studie und die eindeutige Ergebnisbestimmung minimieren das Risiko einer umgekehrten Kausalität und eines Erinnerungsfehlers. Ein weiterer Vorteil der aktuellen Studie gegenüber anderen war die Einbeziehung alter und junger Bevölkerungsgruppen, da in den meisten früheren Studien Erwachsene mittleren und höheren Alters rekrutiert wurden. Darüber hinaus wurde in der aktuellen Studie versucht, die Anpassung von Störfaktoren zu verbessern, indem in unseren Modellen Familiengeschichte vorzeitiger KHK, Medikamenteneinnahme, Ernährungsgewohnheiten, vollständige Lipidprofilkomponenten und alle anthropometrischen Merkmale hinzugefügt wurden. Die lange Nachbeobachtungszeit in der vorliegenden Studie wirkt wie ein zweischneidiges Schwert; Tatsächlich kann es das lebenslange Risiko einer KHK widerspiegeln, aber andererseits könnte unsere Unfähigkeit, freiwillige Gesundheitsuntersuchungen oder Änderungen des Lebensstils während des zehnjährigen Studienzeitraums zu bewerten und zu kontrollieren, unsere Ergebnisse beeinflusst haben. Im Vergleich zu früheren Studien hatten wir eine identische Methode zur Definition von KHK, indem wir EKGs, Herzenzyme, den Rose-Angina-Fragebogen, einen Belastungstoleranztest und ein Koronararterien-Angiogramm untersuchten.

Diese Studie hatte mehrere Einschränkungen. Erstens war es in eine Beobachtungsumgebung eingebettet, und trotz einer Vielzahl von Anpassungen können wir die Möglichkeit nicht gemessener Störfaktoren nicht ausschließen. Die Untersuchung des TyG-Index bei einer einzelnen Basislinie kann dazu führen, dass unsere Ergebnisse zu intraindividuellen Schwankungen führen. Zweitens haben wir aufgrund fehlender Daten zum Menopausenstatus möglicherweise geschlechtsspezifische Ergebnisse beobachtet. Drittens wurden nur iranische Probanden einbezogen, sodass unsere Ergebnisse möglicherweise nicht auf andere Länder übertragbar sind.

Der TyG-Index kann in der klinischen Praxis und in Vorhersagemodellen als äußerst wertvoller Index zur Vorhersage und Prävention von KHK verwendet werden. Zur Validierung unserer Ergebnisse sind jedoch weitere Studien erforderlich.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Triglycerid-Glukose-Index

Koronare Herzerkrankung

Konfidenzintervall

Homöostatische Modellbewertung für Insulinresistenz

YAZD-Projekt für gesundes Herz

Triglycerid

Lipoprotein niedriger Dichte

Lipoprotein mit hoher Dichte

Nüchternblutzucker

Serumharnsäure

Internationaler Fragebogen zur körperlichen Aktivität

Standardabweichung

Body-Mass-Index

K nächster Nachbar

Support-Vektor-Maschine

Amerikanische Diabetes-Vereinigung

Elektrokardiogramm

Fläche unter den Kurven

Systematische Bewertung des koronaren Risikos

American College of Cardiology/American Heart Association

Vorhersage des atherosklerotischen kardiovaskulären Risikos in China

Multiethnische Studie zur Atherosklerose

Konsensempfehlungen der Gemeinsamen Britischen Gesellschaften zur Prävention von Herz-Kreislauf-Erkrankungen

Virani SS, Alonso A, Aparicio HJ, Benjamin EJ, Bittencourt MS, Callaway CW, Carson AP, Chamberlain AM, Cheng S, Delling FN. Statistiken zu Herzerkrankungen und Schlaganfällen – Aktualisierung 2021: ein Bericht der American Heart Association. Verkehr. 2021;143(8):e254–743.

Artikel PubMed Google Scholar

Lopez AD, Mathers CD, Ezzati M, Jamison DT, Murray CJ. Globale und regionale Krankheitslast und Risikofaktoren, 2001: Systematische Analyse von Gesundheitsdaten der Bevölkerung. Die Lanzette. 2006;367(9524):1747–57.

Artikel Google Scholar

Herz-Kreislauf-Erkrankungen (CVDs) [https://www.who.int/news-room/fact-sheets/detail/cardiovaskuläre-diseases-(cvds)]. Zugriff am 6. Januar 2023.

Cui H, Liu Q, Wu Y, Cao L. Der kumulative Triglycerid-Glucose-Index ist ein Risiko für CVD: eine prospektive Kohortenstudie. Herz-Kreislauf-Diabetol. 2022;21(1):22.

Artikel CAS PubMed PubMed Central Google Scholar

Zhao D, Liu J, Wang M, Zhang X, Zhou M. Epidemiologie von Herz-Kreislauf-Erkrankungen in China: aktuelle Merkmale und Auswirkungen. Nat Rev Cardiol. 2019;16(4):203–12.

Artikel PubMed Google Scholar

D'Agostino RB, Grundy S, Sullivan LM, Wilson P, Group CRP. Validierung der Framingham-Vorhersagewerte für koronare Herzkrankheiten: Ergebnisse einer Untersuchung mehrerer ethnischer Gruppen. Jama. 2001;286(2):180–7.

Artikel PubMed Google Scholar

Conroy RM, Pyörälä K, Ae Fitzgerald, Sans S, Menotti A, De Backer G, De Bacquer D, Ducimetiere P, Jousilahti P, Keil U. Schätzung des zehnjährigen Risikos tödlicher Herz-Kreislauf-Erkrankungen in Europa: das SCORE-Projekt. Eur Heart J. 2003;24(11):987–1003.

Artikel CAS PubMed Google Scholar

Ridker PM, Paynter NP, Rifai N, Gaziano JM, Cook NR. C-reaktives Protein und die Vorgeschichte der Eltern verbessern die Vorhersage des globalen kardiovaskulären Risikos: der Reynolds Risk Score für Männer. Verkehr. 2008;118(22):2243–51.

Artikel CAS PubMed PubMed Central Google Scholar

Goff DC Jr, Lloyd-Jones DM, Bennett G, Coady S, D'agostino RB, Gibbons R, Greenland P, Lackland DT, Levy D, O'donnell CJ. ACC/AHA-Leitlinie 2013 zur Bewertung des kardiovaskulären Risikos: ein Bericht der Task Force des American College of Cardiology/American Heart Association zu Praxisrichtlinien. Verkehr. 2014;129:S49–73.

Artikel PubMed Google Scholar

Vorstand JBS. Konsensempfehlungen der Joint British Societies zur Prävention von Herz-Kreislauf-Erkrankungen (JBS3). Herz. 2014;100:ii1–67.

Artikel Google Scholar

McClelland RL, Jorgensen NW, Budoff M, Blaha MJ, Post WS, Kronmal RA, Bild DE, Shea S, Liu K, Watson KE. 10-Jahres-Risikovorhersage für koronare Herzerkrankungen unter Verwendung von Kalzium in der Koronararterie und traditionellen Risikofaktoren: Ableitung in der MESA (Multi-Ethnic Study of Atherosclerosis) mit Validierung in der HNR-Studie (Heinz Nixdorf Recall) und der DHS (Dallas Heart Study). J Am Coll Cardiol. 2015;66(15):1643–53.

Artikel CAS PubMed PubMed Central Google Scholar

Hippisley-Cox J, Coupland C, Vinogradova Y, Robson J, Minhas R, Sheikh A, Brindle P. Vorhersage des kardiovaskulären Risikos in England und Wales: prospektive Ableitung und Validierung von QRISK2. BMJ. 2008;336(7659):1475–82.

Artikel PubMed PubMed Central Google Scholar

Yang X, Li J, Hu D, Chen J, Li Y, Huang J, Liu Prognose für das ASCVD-Risiko in China). Verkehr. 2016;134(19):1430–40.

Artikel PubMed Google Scholar

Sofogianni A, Stalikas N, Antza C, Tziomalos K. Modelle und Scores zur Vorhersage des kardiovaskulären Risikos im Zeitalter der personalisierten Medizin. J Pers Med. 2022;12(7):1180.

Artikel PubMed PubMed Central Google Scholar

Studziński K, Tomasik T, Krzysztoń J, Jóźwiak J, Windak A. Auswirkung der Verwendung der kardiovaskulären Risikobewertung bei der routinemäßigen Risikobewertung in der Primärprävention von Herz-Kreislauf-Erkrankungen: ein Überblick über systematische Übersichten. BMC Herz-Kreislauf-Störung. 2019;19(1):1–16.

Artikel Google Scholar

Karmali KN, Persell SD, Perel P, Lloyd-Jones DM, Berendsen MA, Huffman MD. Risikobewertung zur Primärprävention von Herz-Kreislauf-Erkrankungen. Cochrane Database Syst Rev. 2017. https://doi.org/10.1002/14651858.CD006887.pub4.

Artikel PubMed PubMed Central Google Scholar

Adeva-Andany MM, Martínez-Rodríguez J, González-Lucán M, Fernández-Fernández C, Castro-Quintela E. Insulinresistenz ist ein kardiovaskulärer Risikofaktor beim Menschen. Diabetes Metab Syndr. 2019;13(2):1449–55.

Artikel PubMed Google Scholar

Wu Z, Cui H, Li W, Zhang Y, Liu L, Liu Z, Zhang W, Zheng T, Yang J. Vergleich von drei nicht-insulinbasierten Insulinresistenzindizes bei der Vorhersage des Vorhandenseins und der Schwere einer koronaren Herzkrankheit. Front Cardiovasc Med. 2022;9:918359.

Artikel CAS PubMed PubMed Central Google Scholar

Liu systematische Überprüfung und Metaanalyse. Herz-Kreislauf-Diabetol. 2022;21(1):124.

Artikel CAS PubMed PubMed Central Google Scholar

Gast KB, Tjeerdema N, Stijnen T, Smit JW, Dekkers OM. Insulinresistenz und Risiko kardiovaskulärer Ereignisse bei Erwachsenen ohne Diabetes: Metaanalyse. Plus eins. 2012;7(12):e52036.

Artikel CAS PubMed PubMed Central Google Scholar

Chen W, Wang S, Lv W, Pan Y. Kausalzusammenhänge von Insulinresistenz mit koronarer Herzkrankheit und ischämischem Schlaganfall: eine Mendelsche Randomisierungsanalyse. BMJ Open Diabetes Res Care. 2020;8(1):e001217.

Artikel PubMed PubMed Central Google Scholar

Tao LC, Xu JN, Wang TT, Hua F, Li JJ. Triglycerid-Glukose-Index als Marker bei Herz-Kreislauf-Erkrankungen: Landschaft und Grenzen. Herz-Kreislauf-Diabetol. 2022;21(1):68.

Artikel CAS PubMed PubMed Central Google Scholar

Wang A, Tian X, Zuo Y, Chen S, Meng Herz-Kreislauf-Diabetol. 2021. https://doi.org/10.1186/s12933-021-01305-7.

Artikel PubMed PubMed Central Google Scholar

Won KB, Kim YS, Lee BK, Heo R, Han D, Lee JH, Lee SE, Sung JM, Cho I, Park HB, et al. Die Beziehung zwischen der Insulinresistenz, geschätzt anhand des Triglycerid-Glukose-Index und den koronaren Plaque-Eigenschaften. Medizin (Baltimore). 2018;97(21):e10726.

Artikel CAS PubMed Google Scholar

Hokanson JE, Austin MA. Der Plasmatriglyceridspiegel ist unabhängig vom High-Density-Lipoprotein-Cholesterinspiegel ein Risikofaktor für Herz-Kreislauf-Erkrankungen: eine Metaanalyse bevölkerungsbasierter prospektiver Studien. J Herz-Kreislauf-Risiko. 1996;3(2):213–9.

Artikel CAS PubMed Google Scholar

Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Kann maschinelles Lernen die Vorhersage kardiovaskulärer Risiken anhand routinemäßiger klinischer Daten verbessern? Plus eins. 2017;12(4):e0174944.

Artikel PubMed PubMed Central Google Scholar

Subramani S, Varshney N, Anand MV, Soudagar MEM, Al-Keridis LA, Upadhyay TK, Alshammari N, Saeed M, Subramanian K, Anbarasu K. Vorhersage von Herz-Kreislauf-Erkrankungen durch Integration von maschinellem Lernen mit Deep Learning. Front Med. 2023;10:1150933.

Artikel Google Scholar

Li Y, Sperrin M, Ashcroft DM, Van Staa TP. Konsistenz verschiedener maschineller Lern- und statistischer Modelle bei der Vorhersage klinischer Risiken einzelner Patienten: Längsschnitt-Kohortenstudie am Beispiel von Herz-Kreislauf-Erkrankungen. BMJ. 2020;371:m3919.

Artikel PubMed PubMed Central Google Scholar

Allan S, Olaiya R, Burhan R. Überprüfung des Einsatzes und der Qualität von maschinellem Lernen bei der Entwicklung klinischer Vorhersagemodelle für Herz-Kreislauf-Erkrankungen. Postgrad Med J. 2022;98(1161):551–8.

Artikel PubMed Google Scholar

Beaunza JJ, Doors E, Garcia-Shepherd E, Villalba G, Counts E, Koleva G, Hurtado C, Landecho MF. Vergleich von Algorithmen des maschinellen Lernens zur Vorhersage klinischer Ereignisse (Risiko einer koronaren Herzkrankheit). J Biomed Inform. 2019;97:103257.

Artikel PubMed Google Scholar

Sarebanhassanabadi M, Mirhosseini SJ, Mirzaei M, Namayandeh SM, Soltani MH, Salehi-Abargouei A. Der Zusammenhang zwischen einem Ernährungsgewohnheits-Score und dem Risiko eines metabolischen Syndroms: eine Kohortenstudie. Clin Nutr. 2020;39(1):282–90.

Artikel PubMed Google Scholar

Ashcroft RE. Die Erklärung von Helsinki. Das Oxford-Lehrbuch der klinischen Forschungsethik. Oxford: Oxford University Press; 2008. S. 141–8.

Google Scholar

Vandenbroucke JP, Ev Elm, Altman DG, Gøtzsche PC, Mulrow CD, Pocock SJ, Poole C, Schlesselman JJ, Egger M, Initiative S. Stärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie (STROBE): Erklärung und Ausarbeitung. Ann Intern Med. 2007;147(8):W163–94.

Artikel PubMed Google Scholar

Hallal PC, Victora CG. Zuverlässigkeit und Gültigkeit des internationalen Fragebogens zur körperlichen Aktivität (IPAQ). Med Sci Sportübung. 2004;36(3):556.

Artikel PubMed Google Scholar

Dg COOK, Shaper A, MacFarlane P. Verwendung des WHO-Angina-Fragebogens (Rose) in der kardiovaskulären Epidemiologie. Int J Epidemiol. 1989. https://doi.org/10.1093/ije/18.3.607.

Artikel Google Scholar

Berechnen optimaler Grenzwerte in Diagnosetests https://cran.r-project.org/web/packages/OptimalCutpoints/OptimalCutpoints.pdf. Zugriff am 16. Januar 2023.

Trigka M, Dritsas E. Langfristige Risikovorhersage für koronare Herzkrankheiten mit Modellen des maschinellen Lernens. Sensoren. 2023;23(3):1193.

Artikel PubMed PubMed Central Google Scholar

Fernández A, Garcia S, Herrera F, Chawla NV. SMOTE zum Lernen aus unausgeglichenen Daten: Fortschritte und Herausforderungen anlässlich des 15-jährigen Jubiläums. J Künstliche Intelligenz Res. 2018;61:863–905.

Artikel Google Scholar

DeLong ER, DeLong DM, Clarke-Pearson DL. Vergleich der Flächen unter zwei oder mehr korrelierten Betriebskennlinien des Empfängers: ein nichtparametrischer Ansatz. Biometrie. 1988;44:837–45.

Artikel CAS PubMed Google Scholar

Baniecki H, Kretowicz W, Piatyszek P, Wisniewski J, Biecek P. Dalex: Verantwortungsvolles maschinelles Lernen mit interaktiver Erklärbarkeit und Fairness in Python. J Mach Learn Res. 2021;22(1):9759–65.

Google Scholar

Cho YK, Han KD, Kim HS, Jung CH, Park JY, Lee WJ. Der Triglycerid-Glukose-Index ist ein nützlicher Marker zur Vorhersage zukünftiger Herz-Kreislauf-Erkrankungen und Mortalität bei jungen koreanischen Erwachsenen: eine landesweite bevölkerungsbasierte Kohortenstudie. J Lipid Atheroscler. 2022;11(2):178–86.

Artikel PubMed PubMed Central Google Scholar

Kim J, Shin SJ, Kang HT. Der Zusammenhang zwischen Triglycerid-Glukose-Index, Herz-Kreislauf-Erkrankungen und Tod bei koreanischen Erwachsenen: eine retrospektive Studie basierend auf der NHIS-HEALS-Kohorte. Plus eins. 2021;16(11):e0259212.

Artikel CAS PubMed PubMed Central Google Scholar

Li H, Zuo Y, Qian F, Chen S, Tian X, Wang P, Li X, Guo Herz-Kreislauf-Diabetol. 2022;21(1):105.

Artikel PubMed PubMed Central Google Scholar

Li S, Guo B, Chen H, Shi Z, Li Y, Tian Q, Shi S. Die Rolle des Triglycerid (Triacylglycerin)-Glukoseindex bei der Entwicklung kardiovaskulärer Ereignisse: eine retrospektive Kohortenanalyse. Sci Rep. 2019. https://doi.org/10.1038/s41598-019-43776-5.

Artikel PubMed PubMed Central Google Scholar

Tian Herz-Kreislauf-Diabetol. 2021. https://doi.org/10.1186/s12933-020-01210-5.

Artikel PubMed PubMed Central Google Scholar

Yu LZ, Ma RL, Zhang Retrospektive Kohortenanalyse. Zhonghua Yu Fang Yi Xue Za Zhi. 2022;56(6):800–5.

CAS PubMed Google Scholar

Barzegar N, Tohidi M, Hasheminia M, Azizi F, Hadaegh F. Der Einfluss des Triglycerid-Glukose-Index auf kardiovaskuläre Ereignisse während der 16-jährigen Nachbeobachtungszeit: Teheraner Lipid- und Glukosestudie. Herz-Kreislauf-Diabetol. 2020. https://doi.org/10.1186/s12933-020-01121-5.

Artikel PubMed PubMed Central Google Scholar

Sánchez-Íñigo L, Navarro-González D, Fernández-Montero A, Pastrana-Delgado J, Martínez JA. Der TyG-Index kann die Entwicklung kardiovaskulärer Ereignisse vorhersagen. Eur J Clin Invest. 2016;46(2):189–97.

Artikel PubMed Google Scholar

Sajdeya O, Beran A, Mhanna M, Alharbi A, Burmeister C, Abuhelwa Z, Malhas SE, Khader Y, Sayeh W, Assaly R, et al. Triglycerid-Glukose-Index zur Vorhersage von subklinischer Atherosklerose und arterieller Steifheit: eine Metaanalyse von 37.780 Personen. Aktuelles Probl. Cardiol. 2022;47(12):101390.

Artikel PubMed Google Scholar

Ding X, Wang X, Wu J, Zhang M, Cui M. Triglycerid-Glukose-Index und das Auftreten atherosklerotischer Herz-Kreislauf-Erkrankungen: eine Metaanalyse von Kohortenstudien. Herz-Kreislauf-Diabetol. 2021. https://doi.org/10.1186/s12933-021-01268-9.

Artikel PubMed PubMed Central Google Scholar

Araújo SP, Juvanhol LL, Bressan J, Hermsdorff HHM. Triglycerid-Glukose-Index: ein neuer Biomarker zur Vorhersage des kardiovaskulären Risikos. Vorheriger Med Rep. 2022;29:101941.

Artikel PubMed PubMed Central Google Scholar

Tian X, Chen S, Zhang Y, Zhang X, Herz-Kreislauf-Diabetol. 2022;21(1):183.

Artikel CAS PubMed PubMed Central Google Scholar

Liu J, Bu H, Ding Z, Zhang Y, Chen Y, Gao Y. Der Zusammenhang des Triglyceridglukoseindex für koronare Herzkrankheit bei postmenopausalen Frauen. Clin Appl Thromb Hemost. 2022;28:10760296221094030.

Artikel CAS PubMed PubMed Central Google Scholar

Yang K, Liu W. Triglycerid- und Glukoseindex und Geschlechtsunterschiede im Zusammenhang mit schwerwiegenden unerwünschten kardiovaskulären Ereignissen bei Bluthochdruckpatienten ohne Diabetes. Front Endocrinol (Lausanne). 2021;12:761397.

Artikel PubMed Google Scholar

Chen F, Pan Y, Liu Z, Huang R, Wang J, Shao J, Gong Y, Sun X, Jiang X, Wang W, et al. Einfluss der Variabilität des Triglycerid-Glukose-Index von Besuch zu Besuch auf das Risiko von Herz-Kreislauf-Erkrankungen bei älteren Menschen. Int J Endocrinol. 2022;2022:5125884.

Artikel PubMed PubMed Central Google Scholar

Liu Y, Wu M, Xu J, Sha D, Xu B, Kang L. Zusammenhang zwischen Triglycerid- und Glykose (TyG)-Index und subklinischer Myokardschädigung. Nutr Metab Cardiovasc Dis. 2020;30(11):2072–6.

Artikel CAS PubMed Google Scholar

Nakagomi A, Sunami Y, Kawasaki Y, Fujisawa T, Kobayashi Y. Geschlechtsunterschied im Zusammenhang zwischen Ersatzmarkern für Insulinresistenz und arterieller Steifheit. J Diabetes-Komplikationen. 2020;34(6):107442.

Artikel PubMed Google Scholar

Lu YW, Chang CC, Chou RH, Tsai YL, Liu LK, Chen LK, Huang PH, Lin SJ. Geschlechtsunterschiede im Zusammenhang zwischen TyG-Index und subklinischer Atherosklerose: Ergebnisse der I-Lan Longitudinal-Alterungsstudie. Herz-Kreislauf-Diabetol. 2021;20(1):206.

Artikel PubMed PubMed Central Google Scholar

Ye Z, Xie E, Gao Y, Li P, Tu Y, Guo Z, Li Q, Wu Y, Yu X, Li Y, et al. Der Triglycerid-Glukose-Index ist bei chinesischen Erwachsenen mittleren und älteren Alters nichtlinear mit zukünftigen Herz-Kreislauf-Erkrankungen verbunden. BMC Endocr-Störung. 2022;22(1):242.

Artikel CAS PubMed PubMed Central Google Scholar

Park B, Lee YJ, Lee HS, Jung DH. Der Triglycerid-Glucose-Index sagt das Risiko einer ischämischen Herzerkrankung bei Koreanern voraus: eine prospektive Studie unter Verwendung von Daten des National Health Insurance Service. Herz-Kreislauf-Diabetol. 2020. https://doi.org/10.1186/s12933-020-01186-2.

Artikel PubMed PubMed Central Google Scholar

Davies MJ, Aroda VR, Collins BS, Gabbay RA, Green J, Maruthur NM, Rosas SE, Del Prato S, Mathieu C, Mingrone G. Management von Hyperglykämie bei Typ-2-Diabetes, 2022. Ein Konsensbericht der American Diabetes Association ( ADA) und der European Association for the Study of Diabetes (EASD). Diabetes-Behandlung. 2022;45(11):2753–86.

Artikel CAS PubMed Google Scholar

Hassan CAU, Iqbal J, Irfan R, Hussain S, Algarni AD, Bukhari SSH, Alturki N, Ullah SS. Effektive Vorhersage des Vorliegens einer koronaren Herzkrankheit mithilfe von Klassifikatoren für maschinelles Lernen. Sensoren (Basel). 2022. https://doi.org/10.3390/s22197227.

Artikel PubMed PubMed Central Google Scholar

Garavand A, Salehnasab C, Behmanesh A, Aslani N, Zadeh AH, Ghaderzadeh M. Effizientes Modell für die Diagnose koronarer Herzkrankheit: eine vergleichende Studie mehrerer Algorithmen für maschinelles Lernen. J Healthc Eng. 2022;2022:5359540.

Artikel PubMed PubMed Central Google Scholar

Draznin B, Aroda VR, Bakris G, Benson G, Brown FM, Freeman R, Green J, Huang E, Isaacs D, Kahan S. 10. Herz-Kreislauf-Erkrankungen und Risikomanagement: Standards der medizinischen Versorgung bei Diabetes – 2022. Diabetes-Behandlung. 2022;45:S144–74.

Artikel Google Scholar

Referenzen herunterladen

Wir danken allen Studienteilnehmern, ihren Angehörigen, den Mitgliedern des Umfrageteams und dem Projektentwicklungs- und Managementteam des YHHP und des kardiovaskulären Forschungszentrums Yazd.

Für diese Studie gab es keine Finanzierung.

Herz-Kreislauf-Forschungszentrum Yazd, Forschungsinstitut für nicht übertragbare Krankheiten, Shahid Sadoughi University of Medical Sciences, Yazd, Iran

Seyed Reza Mirjalili, Sepideh Soltani, Zahra Heidari Meybodi und Mohammadtaghi Sarebanhassanabadi

Abteilung für Innere Medizin, BH10-642, 46 Rue du Bugnon, CH-1011, Lausanne, Schweiz

Pedro Marques-Vidal

Fachbereich Gesundheitswissenschaften, Universität Bielefeld, Bielefeld, Deutschland

Alexander Kraemer

Sie können diesen Autor auch in PubMed Google Scholar suchen

MSH war an der Konzeption, Gestaltung und Durchführung der Studie beteiligt. SRM und ZHM waren an der Konzeption, Gestaltung, Analyse und Interpretation der Ergebnisse beteiligt und verfassten den ersten Entwurf des Manuskripts. PMV, AK und SS überarbeiteten es kritisch hinsichtlich wichtiger intellektueller Inhalte. Alle Autoren haben die endgültige Fassung des Manuskripts bearbeitet, überprüft und genehmigt. MSH ist der Garant dieser Arbeit und hatte als solcher vollständigen Zugriff auf alle Daten der Studie und übernimmt die Verantwortung für die Integrität der Daten und die Genauigkeit der Datenanalyse.

Korrespondenz mit Mohammadtaghi Sarebanhassanabadi.

Die vorliegende Studie wurde von der Shahid Sadoughi University of Medical genehmigt. Die Ethikkommission der Wissenschaften (Ethikkodex: IR.SSU.REC.1401.069) wurde auf der Grundlage der Deklaration von Helsinki zur medizinischen Forschung durchgeführt [33]. Während der Anfangs- und Nachbeobachtungsphase wurde von den Studienteilnehmern eine Einverständniserklärung eingeholt. Die vorliegende Forschung basiert auf der Aussage „Stärkung der Berichterstattung über Beobachtungsstudien in der Epidemiologie“ (STROBE).

Unzutreffend.

Die Autoren erklären, dass sie keine konkurrierenden Interessen haben.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Grundlegende klinische Merkmale und biologische Variablen der Teilnehmer gemäß dem Einschlussprozess. Tabelle S2. Vergleich der klinischen Ausgangsmerkmale und biologischen Variablen zwischen den Geschlechtern.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Mirjalili, SR, Soltani, S., Heidari Meybodi, Z. et al. Ein innovatives Modell zur Vorhersage koronarer Herzkrankheiten mithilfe des Triglycerid-Glukose-Index: eine auf maschinellem Lernen basierende Kohortenstudie. Cardiovasc Diabetol 22, 200 (2023). https://doi.org/10.1186/s12933-023-01939-9

Zitat herunterladen

Eingegangen: 01. Juni 2023

Angenommen: 24. Juli 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1186/s12933-023-01939-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt