高血压（HTN）是心血管疾病（CVD）和死亡的主要风险因素之一，胰岛素抵抗（IR）在其发病机制中发挥了重要作用。但传统评估IR的方法复杂且成本高，难以大规模应用。
因此，为了评估IR的替代标志物——甘油三酯-葡萄糖（TyG）指数及其肥胖相关指数（如TyG-BMI、TyG-WC、TyG-WHtR），对高血压患者死亡风险的预测能力，研究团队进行了本次研究。
2025年1月29日，温州医科大学学者用NHANES数据库，在期刊《Cardiovascular Diabetology》（医学top一区，IF=8.5）发表题为：“The triglyceride-glucose index and its obesity-related derivatives as predictors of all-cause and cardiovascular mortality in hypertensive patients: insights from NHANES data with machine learning analysis”的研究论文。
研究结果表明，TyG指数及其肥胖相关指数与高血压患者死亡率密切相关，其中与TyG-WHtR的关联最强。并且将这些指标纳入到现有的机器学习模型中，能够提高它们的预测能力。
（在公共数据库与孟德尔随机化微信公众号后台回复“ 原文”即可获得文献PDF等资料。）
研究团队基于美国国家健康与营养调查（NHANES）数据库1999-2018年的数据，经过纳排，最终纳入了9,432名年龄≥20岁的高血压患者。在平均随访110个月内，有2348名患者死亡，其中801名死于CVD。
图1 研究人群的筛选流程
主要结果显示，TyG指数及其肥胖相关指数是高血压患者全因以及CVD死亡率的独立预测因子。
其中，TyG-WHtR与死亡率的关联性最强。具体表现为，TyG-WHtR每增加一个单位，高血压患者全因及心血管死亡率分别增加41.7%和48.1%。
进一步研究发现，TyG指数及其肥胖相关指数与高血压患者全因及CVD死亡率之间均呈L形。这进一步证实了随着指标水平的升高，患者的死亡风险增加。
图2 RCS曲线
√加入TyG相关指标，对机器学习模型的影响
基于LASSO回归和Boruta算法筛选的10个关键变量（如年龄、BMI、C反应蛋白等），研究团队构建了六个机器学习模型。
其中，XGBoost对高血压患者死亡风险的预测性能最佳（全因死亡率：AUC=0.826；CVD死亡率：AUC=0.769）。
表1 以全因及CVD死亡率为结果变量构建的六个基本模型
研究团队进一步将TyG指数及其肥胖相关指数分别纳入到基本模型（XGBoost）中，在调整了关键变量后，比较基本模型与优化模型对高血压患者死亡风险的预测能力。
结果表明，加入TyG指数及其肥胖相关指数，能够增强现有模型的预测能力。 其中，纳入TyG-WC以及TyG-BMI时，模型预测高血压全因以及CVD死亡率的能力最佳。
图3 基本模型和四种优化模型的ROC曲线
综上所述，TyG指数及其肥胖相关指数是高血压患者死亡率的重要预测指标。同时，将它们纳入现有的预测模型可以提高预测能力。
