食事要因を 10 年間の CVD リスク評価に統合する
心血管疾患 (CVD) の予測モデルでは、食事中の主要栄養素が考慮されないことが多く、包括的なリスク評価にギャップが生じています。本研究では、食事データを組み込んで成人の心血管疾患リスクを予測する非侵襲的モデルを開発することで、そのギャップを埋めることを目指しました。研究者らは、2004年から2015年までの中国健康栄養調査（CHNS）のデータを基に、5,186人のデータを分析した。男性は48.1%（平均年齢46.39 ± 13.74歳）、女性は51.9%（平均年齢47.36 ± 13.29歳）を占めた。罹患密度は1,000人年あたり10.84件であった。データはトレーニングセット（70%）と検証セット（30%）に分けられた。変数は最小絶対収縮および選択演算子（LASSO）を使用して選択され、Cox比例ハザード回帰モデルを使用して10年間の心血管疾患リスク予測ツールが構築された。モデルのパフォーマンスは、一致指数（C指数）、受信者動作特性（ROC）曲線、較正プロット、決定曲線分析（DCA）などのいくつかの指標で評価され、判別、較正、臨床的有用性が評価された。最終モデルには、食生活パターン、人口統計学的特徴、生活習慣、病歴をカバーする 11 の非侵襲的予測因子が含まれていました。曲線下面積 (AUC) は 0.808 (95% CI: 0.778-0.837)、C 指数は 0.797 (95% CI: 0.765-0.829) と、堅牢なパフォーマンスを示しました。検証結果もこれらの調査結果と一致し、AUC は 0.799 (95% CI: 0.749-0.838)、C 指数は 0.788 (95% CI: 0.737-0.838) でした。較正プロットと DCA により、モデルの安定性と臨床的関連性がさらに確認されました。この研究は、食事情報を極めて重要な要素として強調し、中国人成人の 10 年間の心血管疾患リスクを予測する、簡単で迅速な非侵襲的モデルを提供します。
SuppBase コラムニストの Alice Winters による解説
この研究は、これまで臨床バイオマーカーと従来のリスク要因が主流だった心血管リスク予測に食事要因を統合する上で、注目すべき進歩を示しています。包括的かつ長期的なデータセットである CHNS のデータを活用することで、研究者らはモデルが現実世界の状況を反映するようにしました。ただし、いくつかの側面については、さらに詳しく調査して議論する価値があります。
モデルの強み
- 食事の組み込み: 食事中の主要栄養素を組み込むことで、従来の心血管疾患予測モデルの大きなギャップが解消されます。食事は変更可能なリスク要因であり、食事を取り入れることで、個人や公衆衛生イニシアチブが積極的に食事の調整を目標とできるようになります。
- 非侵襲的アプローチ: 非侵襲的データへの依存により、特に高度な診断ツールが利用できない可能性のあるリソースが限られた環境で、モデルのアクセシビリティと適用性が広がります。
- 堅牢な検証: モデルの内部検証メトリック (AUC と C インデックス) は、臨床および公衆衛生の実装に不可欠な信頼性と安定性を強調しています。
改善の余地がある領域
- 変数の透明性: 11 の予測因子が特定されましたが、この研究では使用された特定の食事指標については詳しく説明されていません。この詳細の欠如は、外部検証と複製の取り組みを妨げます。
- 人口固有の設計: このモデルは中国人成人向けに調整されていますが、異なる食生活パターンとリスク要因を持つ他の人口への一般化可能性は不明です。データセットを拡張して多様な人口統計を含めることで、世界的に有用性を高めることができます。
- 長期的な有用性: 10 年間のリスク範囲は貴重ですが、このモデルのパフォーマンスを Framingham Risk Score や QRISK などの確立された長期予測ツールと比較すると有益です。
影響と将来の方向性
このモデルが食事に重点を置いていることは、心血管疾患のリスク評価にパラダイムシフトをもたらし、他の健康予測フレームワークへの食事データの統合を促進する可能性があります。影響を最大化するために、今後の研究では次の点を目指す必要があります。
- 食事変数とモデル内のそれぞれの重みを指定します。
- より広範な適用性を確認するために、さまざまな集団で外部検証を実施します。
- スケーラビリティを向上させる可能性のある、スマートフォンベースの食事追跡などのデータ収集用デジタルヘルスツールの統合を検討します。
結論
この研究は、食事要因を心血管リスク予測に統合するための称賛に値する基盤を提供します。有望ではありますが、その可能性は透明性、集団間の検証、および技術的適応を通じてのみ完全に実現されます。食事データが健康リスクモデリングのますます不可欠な部分になるにつれて、消費者と医療提供者は同様にこの分野を注視する必要があります。
