一项大型欧洲研究揭示了1型糖尿病中隐藏的心血管风险模式，表明更智能的风险分析可以帮助医生更早发现并发症并制定个性化预防措施。
心血管疾病(CVD)是1型糖尿病(T1D)的主要死因。由于慢性高血糖伴随脂质异常和高血压，风险评估变得复杂。为弥补这一差距，《自然通讯》上的一项研究将现有的表型驱动风险预测工具应用于T1D患者，基于体重指数(BMI)与心脏代谢生物标志物之间的不一致性来优化CVD风险分层。
现有研究表明，尽管血糖控制良好，1型糖尿病患者的心血管疾病风险仍然很高，这使得体重增加成为一个主要关注点。在作者之一参与的早期研究中，研究人员区分了普通人群中的五种不一致表型，以改进心血管疾病风险的检测。
T1D中的不一致表型分配
本研究旨在通过在T1D人群中复制这一框架来评估这些表型是否适用于T1D。作者将分析扩展到包括T1D患者。他们分析了来自欧洲多个中心三个队列(KUL、DPV和SIDIAP)中约44,000名T1D患者的横断面数据。分析了常规心血管疾病标志物，包括人口统计学、人体测量学、生活方式、血液生物标志物和血压数据。
他们根据生物标志物与BMI的匹配程度为每个人计算了不一致分数。然后为每个受试者分配每种表型的概率，强调了这一练习的连续性而非类别性。最后，他们使用均匀流形近似和投影(UMAP)方法绘制所有这些数据，并将结果与原始研究进行比较。
T1D中高血糖不一致表型占比过高
结果表明，三种表型在T1D中占主导地位：一致的、高血糖的和炎症的，尽管其他表型也以较低频率存在。
不一致高血糖表型在原始研究中占人群的2.5%，但在T1D人群中占55%-76%。与一致表型相比，高血糖组的糖化血红蛋白(HbA1c)更高，而较低的HbA1c水平与一致（低风险、更接近普通人群）表型相关。
当前模型在特定情况下优于传统评分
研究人员随后比较了两种性别特异性生存预测模型：一种基于欧洲心脏病学会推荐的心血管疾病风险分层工具SCORE2，该工具包含生物标志物和其他心血管疾病风险相关变量；另一种则添加了分配的表型概率。目的是确定哪种模型在预测主要不良心脏事件(MACE)方面表现更好。
结果表明，添加表型分配概率在特定模型、结果和队列中改善了预测，但并非普遍适用。
作为比较嵌套模型的常用金标准方法，显著的似然比检验表明，在KUL队列中，男性宏血管并发症的预测有所改善，尽管仅限于男性。
同样，SIDIAP队列中男性的MACE预测有所改善，而同一队列中女性的扩展MACE预测有所改善。此外，KUL队列中男性的视网膜病变预测得到增强，DPV队列中女性的视网膜病变预测也得到增强。
这些发现与原始研究作者报告的MACE预测改善一致，特别是在英国男性中。
与其他工具的比较
相比之下，为糖尿病设计的其他风险预测工具，如主要为2型糖尿病开发的英国前瞻性糖尿病研究(UKPDS)，以及T1D专用工具如STENO-T1D，已被证明会低估T1D中的CVD风险，或者不包括BMI，而较新的LIFE-T1D还考虑了肾脏和视网膜并发症。
净收益分析支持当前模型
当考虑使用这些工具对人群的益处而非仅改善预测性能时，原始研究表明，在高达15%的MACE概率范围内，使用任何模型（包括包含不一致表型数据的模型）都比不治疗任何人或治疗所有人（分别对应无干预或普遍干预）具有净收益。
在10年MACE风险为10%的情况下，该模型每检测10,000人，可额外正确治疗4人，同时避免37次不必要的干预。
如果仅对T1D患者使用此模型，在此阈值下（SIDIAP队列中的男性），每检测10,000人，可额外正确进行2次干预，同时避免5,746次不必要的干预，这是根据决策曲线分析估计得出的。
这些差异背后的特定机制似乎可以追溯到空腹葡萄糖的差异（男女均有）、女性的收缩压差异以及男性的低密度脂蛋白(LDL，"坏"胆固醇)。这些代表了降低该人群心血管疾病风险的潜在预防目标。
T1D中的慢性高血糖可能会掩盖其他相关的心血管风险因素和表型，使风险分层更加困难。此外，血糖控制良好的人群中的CVD通路可能与高血糖人群中的通路不同。
此方法的优势
值得注意的是，这种方法依赖于常规收集的临床生物标志物，除了腰臀比（一个容易获得的指标）外，不需要额外的专业检测，也不会给医疗系统增加额外负担。然而，如果将其整合到临床常规中，例如通过公开可用的数字工具（如
此外，即使在正确识别高风险和低风险患者方面取得微小进展，对于早期发现和预防并发症也非常重要。
潜在局限性
该研究使用了横断面数据，而现实世界的数据随时间变化，可能会将风险表型转向其他表型。需要纵向研究来追踪一般人群和T1D人群中这些表型的变化。
然而，新证据表明，横断面数据可以像甚至比纵向数据更好地预测结果，并且在日常临床实践中更容易获取。
该研究使用了欧洲数据，限制了其普遍适用性。
意义和未来方向
研究结果证实了原始模型在扩展到T1D患者时的有效性。它还说明了更好的血糖控制与较低风险表型之间的关联，而不是直接降低CVD风险的因果关系，这与早期报告认为仅血糖控制可能不影响CVD风险的观点相反。
未来的风险模型应在风险分配中包括血糖控制。纵向研究可以帮助验证基于BMI的风险类别并跟踪风险表型的演变。这将有助于为1型糖尿病开发量身定制的预防和治疗策略。
期刊参考：Pazmino, S., Schmid, S., Blanch, J., et al. (2026). Precision cardiovascular risk prediction in type 1 diabetes: An IMI2 SOPHIA analysis. Nature Communications. DOI:
【全文结束】
