DOI: https://doi.org/10.3389/fphys.2026.1739374
PMID: https://pubmed.ncbi.nlm.nih.gov/41815786
تاريخ النشر: 2026-02-24
المؤلف: Qiong Xu وآخرون
الموضوع الرئيسي: أبحاث انقطاع النفس النومي الانسدادي
نظرة عامة
تبحث هذه الدراسة في المخاطر طويلة الأمد للأحداث القلبية الوعائية والسكتات الدماغية السلبية الكبرى (MACCEs) لدى المرضى الذين يعانون من ارتفاع ضغط الدم وانقطاع النفس النومي الانسدادي (OSA) من خلال استخدام تقنيات التعلم الآلي لتعزيز مؤشرات السمنة التنبؤية بما يتجاوز مؤشر كتلة الجسم التقليدي (BMI). قامت الدراسة بتحليل بيانات من 708 مرضى، مستخدمةً قياسات أنثروبومترية متنوعة، بما في ذلك محيط الرقبة (NC)، محيط الخصر (WC)، ونسبها إلى الطول، لتطوير مؤشرات جديدة مثل مؤشر الدهون الثلاثية-الجلوكوز (TyG)-BMI، TyG-NC، TyG-WC، TyG-NHtR، وTyG-WHtR.
شملت التحليلات مجموعة تدريب مكونة من 446 مريضًا ومجموعة تحقق مستقلة من 262 مريضًا. تم تحديد المتنبئات الرئيسية من خلال مخطط Boruta، بما في ذلك الجنس الذكري، العمر، TyG، TyG-BMI، HbA1c، جلوكوز البلازما الصائم (FPG)، الدهون الثلاثية، الكرياتينين، الفيبرينوجين، ومؤشر انقطاع النفس-الهبوط (AHI). تم بناء تسعة نماذج تعلم آلي، حيث أظهر نموذج XGBoost أداءً تنبؤيًا متفوقًا للأحداث القلبية الوعائية السلبية الكبرى. تستنتج الدراسة أن دمج خوارزميات التعلم الآلي المتنوعة مع مجموعات بيانات شاملة يسمح بفهم أكثر دقة للسمنة والمخاطر القلبية الوعائية المرتبطة بها، مما يسهل تصنيف المخاطر بشكل أفضل للأفراد المتأثرين.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على قضية الصحة العامة الملحة المتعلقة بالسمنة، والتي ترتبط ارتباطًا وثيقًا بمختلف الاضطرابات الأيضية، بما في ذلك مقاومة الأنسولين، السكري من النوع 2، وأمراض القلب والأوعية الدموية. يتم انتقاد طرق تقييم السمنة التقليدية، التي تعتمد أساسًا على مؤشر كتلة الجسم (BMI)، لعدم قدرتها على عكس الآثار الصحية لتوزيعات الأنسجة الدهنية المختلفة بدقة. وبالتالي، يدعو الباحثون إلى نهج متعدد الأبعاد يتضمن مؤشرات إضافية مثل محيط الرقبة (NC)، محيط الخصر (WC)، ونسبها إلى الطول، والتي توفر فهمًا أكثر شمولاً لآثار السمنة الصحية.
تناقش الورقة أيضًا الترافق بين انقطاع النفس النومي الانسدادي (OSA) وارتفاع ضغط الدم، مع التأكيد على تفاعلاتهما المعقدة التي تفاقم الاضطرابات الأيضية والمخاطر القلبية الوعائية. تقدم التطورات الحديثة في التعلم الآلي طرقًا واعدة لتوضيح العلاقات بين عوامل المرض المختلفة، وتعزيز تصنيف المخاطر، وتمكين استراتيجيات العلاج الشخصية. ومع ذلك، لا يزال هناك فجوة كبيرة في تطوير أطر تقييم المخاطر المتكاملة المصممة للسكان الذين يعانون من OSA وارتفاع ضغط الدم. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال اقتراح إطار شامل لتصنيف المخاطر يقيم المعلمات الأيضية، الأنثروبومترية، الديموغرافية، والسريرية بشكل جماعي، مما يحسن دقة التنبؤ واتخاذ القرارات السريرية للمرضى ذوي المخاطر العالية.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يتناول اختيار عينة السكان، بما في ذلك معايير الإدراج والاستبعاد، بالإضافة إلى حجم العينة. يتم تحديد المنهجيات المستخدمة لجمع البيانات، والتي قد تشمل الاستبيانات، التجارب، أو الدراسات الملاحظة، جنبًا إلى جنب مع أي أدوات أو أدوات مستخدمة لجمع البيانات.
بالإضافة إلى ذلك، يصف القسم التقنيات الإحصائية المطبقة لتحليل البيانات، مثل تحليل الانحدار، ANOVA، أو طرق أخرى ذات صلة. يؤكد على أهمية ضمان موثوقية وصدق النتائج من خلال الضوابط والتدابير المناسبة. تم تصميم الطرق لمعالجة أسئلة البحث بشكل فعال، مما يوفر إطارًا قويًا لتفسير النتائج المقدمة في الأقسام اللاحقة من الورقة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن الفرضية الرئيسية كانت مدعومة، حيث كشفت التحليلات الإحصائية عن ارتباط قوي بين المتغيرات قيد البحث. على وجه التحديد، تظهر النتائج أن التدخل أدى إلى تحسين قابل للقياس في النتائج المستهدفة، تم قياسها بواسطة مقاييس مثل حجم التأثير والقيم p.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، توضح الاتجاهات والأنماط التي تعزز الاستنتاجات المستخلصة. من الجدير بالذكر أن النتائج تشير إلى أن الآثار الملحوظة ليست فقط ذات دلالة إحصائية ولكن أيضًا ذات صلة عملية، مما يشير إلى تداعيات محتملة للبحث والتطبيقات المستقبلية في هذا المجال. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول الآليات والعلاقات الأساسية بين المتغيرات المدروسة.
المناقشة
تؤكد قسم المناقشة في هذه الدراسة متعددة المراكز على عدم كفاية مؤشر كتلة الجسم التقليدي (BMI) كقياس وحيد لتقييم المخاطر الصحية المرتبطة بالسمنة، خاصة لدى المرضى الذين يعانون من انقطاع النفس النومي الانسدادي (OSA) وارتفاع ضغط الدم. تقدم الدراسة مؤشرات الدهون الثلاثية-الجلوكوز (TyG) المعدلة—TyG-BMI، TyG-محيط الرقبة (NC)، TyG-محيط الخصر (WC)، TyG-نسبة محيط الرقبة إلى الطول (NHtR)، وTyG-نسبة محيط الخصر إلى الطول (WHtR)—لتوفير تقييم أكثر دقة لملفات المخاطر الأيضية. تأخذ هذه المؤشرات في الاعتبار توزيع الدهون في الجسم، وهو أمر حاسم لفهم مقاومة الأنسولين (IR) ومخاطر أمراض القلب والأوعية الدموية. تشير النتائج إلى أن الجمع بين TyG والقياسات الأنثروبومترية يخلق تأثير “مضخم أيضي”، حيث يزيد تفاعل مقاومة الأنسولين والدهون بشكل كبير من مخاطر القلب والأوعية الدموية، متجاوزًا قدرات التنبؤ لمؤشر كتلة الجسم وحده.
تؤكد الدراسة أيضًا على فائدة تقنيات التعلم الآلي في تحديد المتنبئات الرئيسية للأحداث القلبية الوعائية والسكتات الدماغية السلبية الكبرى (MACCEs) بين مجموعة المرضى. من خلال استخدام خوارزميات متقدمة، بما في ذلك eXtreme Gradient Boosting (XGBoost) وLight Gradient Boosting Machine (LightGBM)، تظهر الأبحاث أداءً تنبؤيًا متفوقًا مقارنة بالطرق الإحصائية التقليدية. يعزز دمج البيانات السريرية متعددة الأبعاد تصنيف المخاطر، مما يسمح باستراتيجيات علاج شخصية مصممة لتناسب الملفات الأيضية الفردية. لا يحسن هذا النهج الشامل فقط فهم التفاعل المعقد بين السمنة، والخلل الأيضي، ومخاطر القلب والأوعية الدموية، ولكنه يدعم أيضًا تطوير تدخلات مستهدفة للمرضى ذوي المخاطر العالية، بهدف تحسين نتائج المرضى في سياق OSA وارتفاع ضغط الدم.
القيود
تقدم الدراسة عدة قيود قد تؤثر على صحة نتائجها. أولاً، كونها تحليلًا استعاديًا، فإنها تقدم احتمال التحيز في الاختيار وإمكانية وجود عوامل مشوشة غير مقاسة، حيث تم الحصول على بيانات الأساس من السجلات الصحية الإلكترونية، التي قد تحتوي على معلومات مفقودة أو غير دقيقة. ثانيًا، يحد نقص الأساليب القائمة على التصوير المتقدم، مثل التصوير الشعاعي وعلم الجينوم التصويري، من القدرة على وصف التباين الظاهري للسمنة بشكل كامل. يمكن أن تعزز هذه التقنيات التصويرية الفهم من خلال تحليل توزيع الأنسجة الدهنية، والتركيب، والنشاط الأيضي بشكل كمي، مما يوفر رؤى تتجاوز القياسات الأنثروبومترية التقليدية.
أخيرًا، بينما تم اعتبار حجم العينة كافيًا للتحليل الرئيسي، قد لا يكون كافيًا لتحليلات المجموعات الفرعية، خاصة عند تقييم آثار مؤشرات TyG المعدلة المختلفة عبر مجموعات سكانية متنوعة. تشير هذه القيود إلى أن المزيد من الأبحاث مع مجموعات أكبر وأكثر تنوعًا قد تكون ضرورية لاستخلاص استنتاجات أكثر تحديدًا بشأن تداعيات النتائج.
DOI: https://doi.org/10.3389/fphys.2026.1739374
PMID: https://pubmed.ncbi.nlm.nih.gov/41815786
Publication Date: 2026-02-24
Author(s): Qiong Xu et al.
Primary Topic: Obstructive Sleep Apnea Research
Overview
This research investigates the long-term risk of major adverse cardiovascular and cerebrovascular events (MACCEs) in patients with hypertension and obstructive sleep apnea (OSA) by employing machine learning techniques to enhance predictive obesity indices beyond the traditional body mass index (BMI). The study analyzed data from 708 patients, utilizing various anthropometric measurements, including neck circumference (NC), waist circumference (WC), and their ratios to height, to develop novel indices such as triglyceride-glucose (TyG)-BMI, TyG-NC, TyG-WC, TyG-NHtR, and TyG-WHtR.
The analysis involved a training cohort of 446 patients and an independent validation cohort of 262 patients. Key predictors identified through the Boruta plot included male sex, age, TyG, TyG-BMI, HbA1c, fasting plasma glucose (FPG), triglycerides, creatinine, fibrinogen, and apnea-hypopnea index (AHI). Nine machine learning models were constructed, with the XGBoost model demonstrating superior predictive performance for MACCEs. The study concludes that the integration of diverse machine learning algorithms with comprehensive datasets allows for a refined understanding of obesity and its associated cardiovascular risks, thereby facilitating better risk stratification for affected individuals.
Introduction
The introduction of this research paper highlights the pressing public health issue of obesity, which is closely linked to various metabolic disorders, including insulin resistance, type 2 diabetes, and cardiovascular diseases. Traditional obesity assessment methods, primarily based on body mass index (BMI), are criticized for their inability to accurately reflect the health implications of different adipose tissue distributions. Consequently, researchers advocate for a multidimensional approach that incorporates additional indicators such as neck circumference (NC), waist circumference (WC), and their respective ratios to height, which provide a more comprehensive understanding of obesity’s health effects.
The paper also discusses the comorbidity of obstructive sleep apnea (OSA) and hypertension, emphasizing their complex interactions that exacerbate metabolic disorders and cardiovascular risks. Recent advancements in machine learning offer promising avenues for elucidating the relationships among various disease factors, enhancing risk stratification, and enabling personalized treatment strategies. However, there remains a significant gap in developing integrated risk assessment frameworks tailored for populations with OSA and hypertension. This study aims to address this gap by proposing a comprehensive risk stratification framework that evaluates metabolic, anthropometric, demographic, and clinical parameters collectively, thereby improving predictive accuracy and clinical decision-making for high-risk patients.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of the sample population, including criteria for inclusion and exclusion, as well as the size of the sample. The methodologies used for data collection are specified, which may include surveys, experiments, or observational studies, along with any instruments or tools utilized to gather data.
Additionally, the section describes the statistical techniques applied to analyze the data, such as regression analysis, ANOVA, or other relevant methods. It emphasizes the importance of ensuring the reliability and validity of the results through appropriate controls and measures. The methods are designed to address the research questions effectively, providing a robust framework for interpreting the findings presented in subsequent sections of the paper.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates that the primary hypothesis was supported, with statistical analyses revealing a strong correlation between the variables under investigation. Specifically, the results demonstrate that the intervention led to a measurable improvement in the target outcomes, quantified by metrics such as effect size and p-values.
Additionally, the section includes graphical representations of the data, illustrating trends and patterns that reinforce the conclusions drawn. Notably, the findings suggest that the observed effects are not only statistically significant but also practically relevant, indicating potential implications for future research and applications in the field. Overall, the results contribute valuable insights into the underlying mechanisms and relationships among the studied variables.
Discussion
The discussion section of this multicenter cohort study emphasizes the inadequacy of traditional Body Mass Index (BMI) as a sole measure for assessing obesity-related health risks, particularly in patients with obstructive sleep apnea (OSA) and hypertension. The study introduces modified triglyceride-glucose (TyG) indices—TyG-BMI, TyG-neck circumference (NC), TyG-waist circumference (WC), TyG-neck-to-height ratio (NHtR), and TyG-waist-to-height ratio (WHtR)—to provide a more nuanced evaluation of metabolic risk profiles. These indices account for the distribution of body fat, which is critical in understanding insulin resistance (IR) and cardiovascular disease risk. The findings suggest that the combination of TyG with anthropometric measures creates a “metabolic amplifier” effect, where the interaction of insulin resistance and adiposity significantly heightens cardiovascular risk, surpassing the predictive capabilities of BMI alone.
The study further validates the utility of machine learning techniques in identifying key predictors of major adverse cardiovascular and cerebrovascular events (MACCEs) among the patient cohort. By employing advanced algorithms, including eXtreme Gradient Boosting (XGBoost) and Light Gradient Boosting Machine (LightGBM), the research demonstrates superior predictive performance compared to traditional statistical methods. The integration of multidimensional clinical data enhances risk stratification, allowing for personalized treatment strategies tailored to individual metabolic profiles. This comprehensive approach not only improves understanding of the complex interplay between obesity, metabolic dysfunction, and cardiovascular risk but also supports the development of targeted interventions for high-risk patients, ultimately aiming to enhance patient outcomes in the context of OSA and hypertension.
Limitations
The study presents several limitations that may impact the validity of its findings. Firstly, being a retrospective analysis introduces potential selection bias and the possibility of unmeasured confounders, as baseline data were sourced from electronic health records, which may contain missing or inaccurate information. Secondly, the lack of advanced imaging-based omics approaches, such as radiomics and imaging genomics, limits the ability to fully characterize the phenotypic heterogeneity of obesity. These imaging omics techniques could enhance understanding by quantitatively analyzing adipose tissue distribution, composition, and metabolic activity, thereby providing insights that extend beyond traditional anthropometric measurements.
Lastly, while the sample size was deemed adequate for the primary analysis, it may not be sufficient for subgroup analyses, particularly when assessing the effects of different modified TyG indices across various populations. This limitation suggests that further research with larger and more diverse cohorts may be necessary to draw more definitive conclusions regarding the implications of the findings.