源自风暴统计网：一键统计分析与绘图的AI网站
引言
多数据库＋多指标！今天这篇中国学者的文章的工作量真的让人惊叹！用多数据库数据进行检验，重复的操作，结果却足够权威！也是一种发文的好思路！
ps：文中涉及的所有指标在郑老师团队开发的CHARLS在线整理分析平台，均可一键提取和分析。感兴趣的小伙伴，欢迎联系试用~
心血管疾病（CVD）传统的风险因子虽具有一定预测价值，但未能充分反映衰老过程中炎症、胰岛素抵抗和脂质代谢紊乱等复杂交互作用。
C反应蛋白-甘油三酯-葡萄糖指数（CTI）整合了炎症（CRP）与代谢失调（甘油三酯和血糖）信息，可能提供更优的风险分层能力，但其在老年人群中对于死亡风险的预测价值尚不明确。
2026年1月7日，南京医科大学第一附属医院学者联合公共数据库NHANES和CHARLS数据库以及自有数据，在期刊《Clinical Research in Cardiology》（医学二区 IF=3.7)发表了一篇题为：“Association between C-reactive protein-triglyceride glucose index (CTI) and cardiovascular and all-cause mortality risk among the elderly population: insights from three datasets”的研究论文，旨在评估CTI与≥60岁老年人群的全因及心血管死亡风险之间的关联，并比较CTI与其他五种常用代谢指标（TyG、TyG-WC、TyG-BMI、TyG-WHtR、METS-IR）的预测性能，以验证其在跨人群（美国和中国）中的适用性与临床价值。研究表明，CTI升高是美国和中国老年人全因及心血管死亡风险的可靠且独立的预测因子。
本公众号回复“ 原文”即可获得文献PDF等资料，如需CHARLS数据库方法学习，请联系郑老师团队，微信号：aq566665
研究数据来源于三个队列：美国国家健康与营养调查（NHANES，1999–2010）、中国健康与养老追踪调查（CHARLS，2011）以及中国高邮地区数据集（Gaoyou）。
所有数据均包含≥60岁老年人的基线生化指标、人口学特征、生活方式及临床疾病信息，并具有长期随访记录，总样本量为11,619人。
图1 参与者的筛选流程
在NHANES数据中，研究采用Cox比例风险模型、Kaplan-Meier曲线和RCS曲线，评估了CTI四分位数与全因/心血管死亡率之间的关联。然后，通过时间依赖性ROC曲线和净重分类改善指数（NRI），将CTI的预测性能与其他代谢指标（如TyG、TyG-WC等）进行了比较。
并在CHARLS及高邮数据中，进行敏感性分析以验证结果的稳健性。
主要研究结果
研究结果显示，在调整了人口学、临床和生活方式因素后，较高的CTI水平与全因及心血管死亡风险显著增加相关，且该关联在三个数据集中均保持一致。
表1 NHANES数据中 CTI 四分位数与全因/心血管死亡风险的Cox模型
RCS曲线进一步表明，CTI与死亡风险呈J型非线性关系，拐点为8.31。
图2 NHANES数据中 RCS曲线
亚组分析显示该关联在多数亚组中一致，但在男性中更为显著。
此外，ROC曲线结果显示，CTI在预测死亡风险方面表现优于其他五种代谢指标，其AUC值在全因死亡和心血管死亡预测中分别为0.8445和0.8208，且风险重分类能力显著改善。
图3 NHANES数据中 在包含不同代谢指标因子的预后模型中，用于预测20年全因死亡率（A）和心血管死亡率（B）的ROC曲线
敏感性分析结果与上述结果一致，并通过CHARLS数据进一步证实，CTI的动态上升轨迹与死亡风险增加相关。
综上所述，CTI作为一种整合炎症与代谢信息的复合生物标志物，是老年人群全因死亡和心血管死亡的强预测因子，其预测性能优于传统代谢指标。将其整合到临床实践中可以增强早期风险分层，并可通过动态监测指导个体化干预，以降低老年人的死亡风险。
CHARLS整理分析平台
指标数据多？统计分析流程复杂？队列数据搞不清楚？
别担心！郑老师团队推出的CHARLS整理分析平台这些难题统统解决！不仅可以一键批量提取变量数据，生成纳排流程图和动态队列，还可以一键常见统计分析出图！
功能多多，欢迎试用：
https://zs2.medsta.cn/charls_encryption/CHALRS_data/charls_data_1.12_trial/
记得点个小小的关注👇
持续分享CHARLS数据库的高分发文思路
: 大量的工作沟通)
