1. 引言

高血压是全球心血管疾病的主要风险因素，2019年，全球约五分之一的死亡(约1100万人)是由高血压造成的[1]。从1990年到2019年，成人高血压患者总数翻了一番，每年高血压患者的比例也在增加[2]。高血压的发病过程通常比较隐匿，长期管理不当会导致各种心脑血管疾病，包括心力衰竭、心梗、脑卒中等疾病[3] [4]。因此，我们必须控制和避免高血压[5]。脂肪过多被称为肥胖，体重指数(BMI)是衡量肥胖的常用方法[6]。肥胖被认为是心血管疾病(CVD)一个独立风险因素[7]。脂肪细胞是有效的内分泌细胞，释放脂肪因子[8]，脂肪因子可以通过促进胰岛素抵抗从而导致高血压的发展[9]。另外肥胖也导致脂肪组织出现慢性低度炎症状态[10]，促进内皮功能障碍导致高血压[11]。人们发现，体重或体重指数相当的人，其健康风险和合并症的程度却相差悬殊[12]。研究表明，无论体重指数如何，多余的内脏脂肪通常都与身体瘦弱部位(包括肝脏、心脏和骨骼肌等器官)血脂异常的增加有关。我们将这种情况称为脂肪堆积[13]。总之关注内脏脂肪在高血压发生发展中的作用尤其重要。由于昂贵的影像学检查不适用于大规模的人口筛查和风险评估，我们用简便有实用价值的指标内脏脂肪指数(VAI)来评估脂肪分布和功能，该指数由体重指数(BMI)、腰围(WC)、甘油三酯(TG)和高密度脂蛋白胆固醇(HDL-C)计算得出[14] [15]。

有报告称，VAI评分提高了腰围和体重指数对高血压风险的预测能力，而且VAI与成熟和老年人患高血压的可能性呈正相关[16]。在东亚人群中研究了VAI与高血压患病率之间的关系。由于美国人与其他国家人口在种族、文化、饮食习惯、遗传学和生活方式等因素上的差异，美国人对两者之间的关系知之甚少。利用美国国家健康与营养调查(NHANES)的广泛调查样本信息，我们的目标是研究VAI与高血压患病率之间的关系。

2. 材料和方法

2.1. 研究人群

NHANES是由美国国家卫生统计中心(NCHS)开展的一项以人口为基础的全国性横断面研究，旨在调查和评估美国人口的健康和营养状况。为确保样本的准确代表性，NHANES采用先进的多阶段分层概率抽样方法，每两年进行一次。NCHS研究伦理审查委员会授权了NHANES的所有研究程序，并征得了所有调查参与者以及未满16岁的个人父母或法定监护人的知情同意。所有研究设计和数据均保存在NHANES数据库中，可通过官方网站http://www.cdc.gov/nchs/nhanes/访问。本研究包括从2007~2008年到2017~2018年连续六个为期两年的NHANES周期。VAI是通过完整的变量数据计算得出的，包括体重指数(BMI)、腹围(WC)、总胆固醇(TG)和高密度脂蛋白胆固醇(HDL-C)。本分析包括VAI和血压数据完整的参与者。最初，我们在六个周期内招募了59,842人，但未满20岁者、VAI数据缺失者和血压数据缺失者被排除在外。最后，我们将至少20岁的合格患者纳入分析(图1)。

Figure 1. Flowchart of the systematic selection process

图1. 选择流程图

2.2. 内脏脂肪指数和高血压的定义

在这里，我们使用WC、BMI、TG和HDL-C的性别特异性指数生成了一个新的性别特异性指数VAI，用于评估内脏脂肪功能。VAI分数越高，表明近似内脏脂肪越多。以下公式用于确定每位参与者的VAI [17]：

$\text{Males:VAI}=\left(\frac{\text{WC}}{39.68+\left(1.88\times \text{BMI}\right)}\right)\times \left(\frac{\text{TG}}{\text{1}\text{.03}}\right)\times \left(\frac{\text{1}\text{.31}}{\text{HDL-C}}\right)$

$\text{Females:VAI}=\left(\frac{\text{WC}}{\text{36}\text{.58}+\left(\text{1}\text{.89}\times \text{BMI}\right)}\right)\times \left(\frac{\text{TG}}{\text{0}\text{.81}}\right)\times \left(\frac{\text{1}\text{.52}}{\text{HDL-C}}\right)$

以mmol/L为单位的TG和HDL-C、以kg/m²为单位的BMI和以cm为单位的WC。在本研究中，VAI被视为一项持续性指标，并根据VAI四分位数对个体进行分类，以便进行更多分析。

专家检查员根据美国心脏协会的标准测量参与者的血压。我们连续三次测量了每位参与者的平均血压，当时他们正处于放松状态。高血压的定义如下 1) 自我报告有高血压的人；2) 服用降压处方药的人。3) 平均舒张压(DBP) ≥ 90 mmHg，或4) 平均收缩压(SBP) ≥ 140 mmHg；国际高血压学会建议以140/90 mmHg为标准[18]。以下网站提供了有关血压的信息：http://www.cdc.gov/nchs/nhanes.htm。本次调查的暴露变量是VAI，而结果变量是高血压。

2.3. 协变量

本研究的协变量包括种族(墨西哥裔美国人、非西班牙裔黑人、其他西班牙裔美国人、非西班牙裔白人和其他种族)、性别(男性和女性)、年龄(20~39岁、40~59岁和 ≥ 60岁)、收入与贫困比率和受教育程度(9年级以下、高中毕业、9~11年级、部分大学和大学毕业或以上)，均通过人口统计学调查问卷收集。身体测量数据库提供了腹围(cm)和体重指数(kg/m²)。对实验室数据进行了分析，以计算高密度脂蛋白胆固醇(mmol/L)和总胆固醇(mmol/L)。每位参与者的饮酒、吸烟、久坐活动和疾病状况都是从健康问卷中收集的；根据吸烟状况，他们被分为两类：根据吸烟情况，他们被分为两类：一生吸烟 < 100支和一生吸烟 ≥ 100支。根据饮酒情况，参与者被划分为每天饮酒量 ≤ 1杯或 > 1杯。该问卷还收集了久坐时间(分钟/天)、糖尿病(是与否)、关节炎(是与否)、冠状动脉疾病(CAD) (是与否)和中风(是与否)等变量的信息。公众可通过http://www.cdc.gov/nchs/nhanes/获取这些变量的所有的测量数据。

2.4. 统计分析

所有统计分析均遵循美国疾病预防控制中心提供的指南(https://wwwn.cdc.gov/nchs/nhanes/tutorials/default.aspx)。正态分布的连续变量表示为平均值和标准差(mean ± SD)，非正态分布的连续变量被描述为中位数和三分位距。频率或百分比用于表示分类变量。采用卡方检验(分类变量)或方差分析(连续变量)来计算各组之间的差异。通过多变量逻辑回归，研究了VAI与高血压之间的关系。在模型I的基础上，模型II进一步调整了教育水平、吸烟和饮酒状况、糖尿病、骨关节炎、CAD和既往中风，以及收入与贫困的比率。为了检验横断面调查中高血压患病率和VAI的变化，我们首先排除了VAI大于50的异常值，然后使用平滑曲线拟合来探讨两者是否相关。为了评估本研究的异质性，我们按照年龄、性别、糖尿病、饮酒和吸烟状况进行了分组分析。利用亚组间指标的交互项评估了亚组内效应调整。在我们的研究中，对连续变量采用中位数估算，对分类变量采用等比例估算，以确保数据的稳健性并保留原始数据的分布。所有分析均使用R版本(http://www.R-project.org，R基金会)和 Empower软件(http://www.empowerstats.com/; X&Y Solutions, Inc., Boston MA)。统计显著性的临界值为两边的P < 0.05。

3. 结果

3.1. 研究人群的特征

这项研究的参与者有28,743人，其中12,405人(41.86%)患有高血压，16,338人(56.8%)为非高血压(图1)。在纳入的参与者中，非高血压组主要为20至39岁，高血压组主要为 ≥ 60岁，性别分布相对平均，男性占49.01%，女性占50.99%。个人的平均VAI (mean ± SD)为2.57 ± 3.30，高血压组的VAI (2.91 vs. 2.31, P < 0.001)高于非高血压组(表1)。

Table 1. Baseline characteristics of participants based on the presence of hypertension: NHANES 2007~2018

表1. 参与者基线特征

Mean ± SD for continuous variables，P calculated by t-test；% for categorical variables，and P calculated by Chi-square test；n，the number. CAD，coronary artery disease冠状动脉疾病；TG，triglyceride甘油三酯；HDL-C，high-density lipoprotein cholesterol高密度脂蛋白胆固醇；WC，waist circumference腰围；BMI，body mass index体重指数；VAI，visceral adiposity index内脏脂肪指数。

3.2. 较高的VAI与较高的高血压患病率有关

这项调查采用了多变量逻辑回归法来研究VAI与高血压之间的关系。我们发现，在粗略模型和完全调整模型中，VAI水平越高，高血压患病率越高。在完全调整模型后，VAI分数每增加一个单位，高血压患病率就会上升7% [OR = 1.07, 95% CI = 1.06~1.08, P < 0.0001]。随后，VAI被作为分类变量(三等分)纳入分析。1~3级的VAI范围分别为0.07~1.22、1.22~2.48和2.48~174.6。与最低的第一分位数(T1)相比，第二分位数(T2)和第三分位数(T3)参与者在完全调整模型中的调整后的OR分别为1.39和1.94 (T2: OR = 1.39, 95% CI = 1.30~1.49; P < 0.0001; T3: OR = 1.94, 95% CI = 1.81~2.09; P < 0.0001; P for trend < 0.0001)。因此，分析结果表明，本研究得出的结论是可信和稳定的(表2)。在排除VAI大于50的异常值并对每个变量进行仔细校正后，我们拟合了一条平滑曲线，发现VAI与高血压患病率之间存在正相关(图2)。

Table 2. Association between VAI and hypertension prevalence

表2. VAI与高血压患病率之间的关系

注：非调整模型：未对协变量进行调整。模型I：调整了年龄、性别和种族。模型II：调整了年龄、性别、种族、教育水平、收入与贫困比率、久坐不动的生活方式、吸烟和饮酒状况、糖尿病、关节炎、CAD和中风。缩写：CI：置信区间；OR：比值比。VAI，内脏脂肪指数；T1-T3分别代表根据VAI的三等分。P ≤ 0.05为具有统计学意义。

Figure 2. Association between the VAI and prevalence of hypertension. Adjusted for covariates age, gender, race, education level, income-to-poverty ratio, sedentary lifestyle, smoking and drinking status, diabetes, arthritis, CAD, and strokes. The solid red line represents the smooth curve fit between variables. Blue bands represent the 95% confidence interval from the fit

图2. VAI与高血压患病率之间的关联。已对年龄、性别、种族、教育水平、收入与贫困比率、久坐不动的生活方式、吸烟和饮酒状况、糖尿病、关节炎、CAD和中风等协变量进行调整。红色实线代表变量之间的平滑曲线拟合。蓝色条带代表拟合结果的95%置信区间

3.3. 亚组分析

在对模型II中的所有混杂因素进行调整后(参见表2)，我们进行了分层分析，以验证在某些参与者亚群中VAI与高血压患病率之间的现有关联。我们发现，年龄、性别、吸烟和糖尿病改变了VAI与高血压患病率之间的关联(P for interaction < 0.05)。在男性和女性之间，女性的效应大小(OR = 1.09, 95% CI = 1.07~1.11; P < 0.0001)明显大于男性(OR = 1.05, 95% CI = 1.04~1.07; P < 0.0001)。在不同年龄组之间，20~39岁组(OR = 1.10, 95% CI = 1.08~1.12; P < 0.0001)的效应值明显高于40~59岁组(OR = 1.04, 95% CI = 1.03~1.05; P < 0.0001)。在吸烟状况之间，生活中吸烟 < 100支的受试者的效应值(OR = 1.08, 95% CI = 1.06~1.10; P < 0.0001)明显高于生活中吸烟 ≥ 100 支的受试者(OR = 1.05, 95% CI = 1.04~1.07; P < 0.0001)。非糖尿病组的效应值(OR = 1.08, 95% CI = 1.06~1.09; P < 0.0001)明显高于糖尿病组(OR = 1.02, 95% CI = 1.00~1.04; P < 0.0001) (表3)。

Table 3. Subgroup analyses for the association of VAI with the prevalence of hypertension

表3. VAI与高血压患病率相关性的分组分析

在对年龄、性别、种族、教育水平、收入与贫困比率、久坐不动的生活方式、吸烟和饮酒状况、糖尿病、关节炎、冠状动脉硬化疾病和中风进行调整后，对不同人群进行了多变量逻辑分析。

4. 讨论

我们的横断面研究涉及28,743人，结果显示，VAI与高血压患病率之间存在正相关。通过亚组分析发现，这种关联在无糖尿病、吸烟史少、年龄在20岁至39岁之间或女性的人组中相关性更大。

肥胖症给美国医疗系统造成了巨大压力[19]。以前，诊断和治疗肥胖症的标准是体重指数BMI ≥ 30 kg/m² [20]。然而，一些研究证实，体重指数并不能准确衡量腹部和中央脂肪的总量，也不能有效预测心脏代谢风险[21]。体脂分布是一个重要的考虑因素，可以解释与肥胖相关的高血压患病率的相关差异。虽然由于磁共振成像(MRI)和计算机断层扫描(CT)等成像方法的进步，异位脂肪组织与心血管疾病风险之间联系的研究取得了重大进展[22] [23]，但辐射、时间成本和高昂价格限制了它们在流行病学调查中的大规模应用[24]。因此，我们使用简便快捷的VAI评分来评估内脏肥胖[15]。尽管如此，一项针对6821名沙特成年人的研究证实，在预测评估特定心脏代谢疾病方面，某些腹部肥胖指数，如VAI、腰高比(WHtR)和腰臀比(WHR)，比BMI和体脂肪指数(BAI)更有临床意义[25]。但在对780名中国高血压前期患者进行的前瞻性研究中，Zhang等人发现VAI可以作为高危人群高血压前期的良好指标。此外，研究还表明，随着VAI的增加，BMI、WC、(总胆固醇) TC和TG也呈上升趋势。这表明，改变饮食习惯、减轻体重和增加体育锻炼都有助于降低VAI水平，降低罹患心血管疾病的风险[26]。Yang等人分析了一项大规模的横断面研究，其中对8394名成年参与者的调查显示，在中国人群中，VAI越高，血压水平越高，患高血压的可能性就越大[27]。与之前的研究一致，我们在对美国人口进行的一项大样本分析中，通过粗略模型和调整模型发现VAI与高血压患病率升高之间存在良好的相关性。将VAI视为三等分的分析也表明，VAI与高血压患病率之间存在剂量反应关系。根据目前的数据，更好地控制内脏脂肪分布可能是积极阻止高血压发生的有效策略。

目前，还没有明确的机制来解释VAI和高血压患病率之间的正相关关系。高血压是一种复杂的表型，可能有多种遗传、环境、行为甚至社会原因[28]。本研究的分组分析表明，糖尿病状态改变了VAI与高血压患病率之间的相关性，在非糖尿病人群中，VAI与高血压患病率之间的相关性更高。根据早期研究，胰岛素抵抗升高与内脏脂肪储存增加之间可能存在联系，这可能导致动脉粥样硬化和高血压的发生[29]。胰岛素抵抗在糖尿病人群中已经非常明显[30]，因此内脏肥胖导致的高血压风险增加可能没有非糖尿病人群那么明显。在亚组分析中，我们还观察到女性内脏肥胖指数与高血压患病率之间的相关性强于男性。雌激素水平可能是造成男女差异的一个合理原因。雌激素通过调节肾素-血管紧张素系统(RAS)的成分，使绝经前妇女免受高血压、肾脏疾病和心血管疾病的困扰[31]。然而，随着年龄的增长，女性体内的雌激素分泌会减少。与此同时，腹部脂肪组织趋于增加，而臀部–大腿区域的脂肪则相对减少，从而堆积成内脏脂肪[32]。有研究表明，许多激素、炎症和内皮变化都与肥胖有关，尤其是在内脏脂肪过多的部位。这些机制一旦被触发或激活，就会导致一连串事件，通过增加胰岛素抵抗、刺激交感神经系统和肾素–血管紧张素–醛固酮系统(RAAS)、损害由压力和化学反射介导的心血管控制、内皮功能障碍和钠潴留升高，使心血管发病率恶化[33]-[36]。女性内脏脂肪和雌激素缺乏的影响可能共同或协同导致高血压的发生。

我们的研究之所以能够选取具有代表性的样本，并拥有足够大的样本量，是因为它以全国性的人口抽样调查数据为基础。此外，为了保证我们的研究结果能够适用于广泛的人口统计，我们对与暴露和结果相关的因素进行了校正。我们还进行了分组分析，以研究不同人口群体中VAI与高血压患病率之间关联的稳健性。然而，这项研究仍存在一些缺陷。首先，考虑到所纳入的研究存在很大的异质性且数量有限，以及横断面研究的固有缺陷限制了对可能的因果关系的探索和分析，因此VAI评估内脏肥胖真实程度的能力值得进一步探讨。要证实这些结果，还需要进行更广泛的多中心调查；其次，即使对某些潜在影响结果的因素进行了调整，我们也无法排除任何其他潜在混杂因素的影响，例如遗传、环境、神经心理等因素；另外本研究尚未对其他腹部肥胖指数，如WHtR、WHR、WC和BMI进行比较，因此无法得知VAI评估在高血压患病率方面的优劣，这可能是导致结果不完整的原因之一。

5. 结论

根据我们的研究结果，美国的VAI与高血压患病率呈正相关。这些发现强调了控制内脏脂肪堆积对识别高血压高危人群的重要意义。还可将VAI指导基层临床预防高血压，制定个体化治疗。

NOTES

^*通讯作者。

参考文献