DOI:10.12289/j.issn.2097-4345.25070
中图分类号:R544.1
阿塔吾拉·艾力1,2,3， 李昊男1,2， 李瑞源4， 李谟然1,2， 张毅1,2， 徐亚伟1,2
| 【作者机构】 | 1同济大学医学院； 2同济大学附属第十人民医院心血管内科； 3新疆维吾尔自治区喀什地区第一人民医院心内科； 4首都医科大学附属北京潞河医院心内科 |
| 【分 类 号】 | R544.1 |
| 【基 金】 | 国家自然科学基金(82170388) |
·临床研究·
【摘要】 目的 比较5种不同方程计算的估算肾小球滤过率(estimated glomerular filtration rate, eGFR)对老年高血压患者心血管事件的预测能力。方法 本研究对前瞻性招募的1 714例居住在上海北部社区的老年高血压患者进行事后分析。eGFR通过以下方程计算: 肾脏疾病饮食调整方程(modification of diet in renal disease, MDRD)、中国改良的肾脏疾病饮食调整方程(Chinese-abbreviated MDRD, c-aMDRD)、慢性肾病流行病学合作组方程(chronic kidney disease epidemiology collaboration, CKD-EPI)、亚洲改良的慢性肾病流行病学合作组方程(Asian-modified CKD-EPI, aCKD-EPI)以及中国改良的慢性肾病流行病学合作组方程(Chinese-modified CKD-EPI, cCKD-EPI)。主要终点为主要不良心血管事件(major adverse cardiovascular events, MACE),次要终点为心血管死亡及全因死亡。结果 在5种eGFR方程中,eGFR<60 mL/(min·1.73 m2)的患病率7.9%(c-aMDRD)
20.7%(cCKD-EPI)。eGFR<60 mL/(min·1.73 m2)的患者MACE发生率及风险显著升高(P<0.05)。CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡及全因死亡方面的能力显著优于MDRD和c-aMDRD方程,差异有统计学意义(P<0.05)。其中,cCKD-EPI方程在预测MACE方面的能力显著优于其他4种方程,差异有统计学意义(P<0.05)。结论 在上海北部社区老年高血压患者中,cCKD-EPI方程在预测MACE方面优于CKD-EPI、aCKD-EPI、MDRD和c-aMDRD方程。建议中国老年高血压患者可考虑优先使用cCKD-EPI方程进行肾功能评估。
hypertension
心血管疾病(cardiovascular disease, CVD)是全球范围内主要的死亡原因之一,其发病率和死亡率均居高不下[1]。据世界卫生组织2024年统计数据显示,全球每年约有2 630万人死于CVD,占全球总死亡人数的32%[2]。在中国,2021年CVD导致的死亡人数约为400万,占疾病相关死亡总数的45%[3]。值得注意的是,CVD与慢性肾脏疾病(chronic kidney disease, CKD)之间存在密切的关联。CKD定义为估算肾小球滤过率(estimated glomerular filtration rate, eGFR)<60 mL/(min·1.73 m2),是CVD的独立危险因素[4-5],两者相互影响更易形成恶性循环,加重病情[6]。这种关联机制涉及水电解质紊乱、酸碱失衡、贫血、钙磷代谢异常、炎症反应及氧化应激等多重病理生理改变[7]。CVD也会导致肾血流不足、从而使肾功能恶化[8]。与此同时,由于高血压合并CKD患者更容易发生CVD,2024版中国高血压防治指南针对该人群提出了更为严格的管理建议[9]。
临床上广泛应用的eGFR计算公式包括肾脏疾病饮食调整方程(modification of diet in renal disease, MDRD)、慢性肾脏疾病流行病学合作组方程(chronic kidney disease epidemiology collaboration, CKD-EPI)和科克罗夫特-高尔特方程(Cockcroft-Gault, C-G),这些方程主要基于欧洲裔人群体验证[10-12]。在老年人中,Cockcroft-Gault方程的准确性低于MDRD方程[13-14]。CKD-EPI肌酐方程似乎比MDRD方程更准确[11]。近年来,针对亚洲人群特征改良的eGFR方程相继提出,包括中国改良的肾脏疾病饮食调整研究方程(Chinese-abbreviated MDRD, c-aMDRD)、亚洲改良的慢性肾病流行病学合作组方程(Asian-modified CKD-EPI, aCKD-EPI)及中国改良的慢性肾病流行病学合作组方程(Chinese-modified CKD-EPI, cCKD-EPI)等[15-17]。然而,关于这些方程在中国老年高血压人群中预测心血管风险的适用性,目前仍缺乏系统研究[18]。
基于此,本研究以上海北部社区老年高血压人群为研究对象,通过比较MDRD、c-aMDRD、CKD-EPI、aCKD-EPI及cCKD-EPI这5种eGFR方程与心血管事件的相关性,旨在确定最适合中国老年高血压人群的eGFR评估方程,为临床实践提供循证依据。
北上海研究(ClinicalTrials.gov注册,标识符: NCT02368938)是一项前瞻性、持续进行、多阶段的社区研究,已获得同济大学附属第十人民医院伦理委员会的批准。研究设计参照文献[19]。本研究的纳入标准如下。(1) 年龄≥65岁;(2) 研究对象自愿签署知情同意书;(3) 研究对象为上海北部社区的居民;(4) 符合高血压诊断标准,满足以下3个条件中任意一条: ① 诊室血压≥140/90 mmHg(1 mmHg=0.133 kPa);② 既往明确诊断为高血压;③ 正在服用降压药物;(5) 能够进行长期随访。排除标准为: (1) 缺失基线血清肌酐数据的患者;(2) 缺失协变量数据及失访的患者;(3) 纽约心功能Ⅳ级心力衰竭或终末期肾病的患者;(4) 恶性肿瘤或预期寿命<5年的患者;(5) 过去3个月内有中风史的患者;(6) 因其他疾病退出试验的患者;(7) 违反试验方案者。
1.2.1 数据收集与实验室检测 通过问卷收集一般资料,包括性别、年龄、体质量、身高、吸烟习惯,糖尿病、高血压、心血管疾病等患病情况,中风史及药物使用情况等。清晨采集空腹静脉血及收集尿液样本,使用酶法测量血清肌酐水平。
1.2.2 eGFR方程 使用MDRD、c-aMDRD、CKD-EPI、aCKD-EPI及cCKD-EPI这5个基于血清肌酐的方程获得eGFR。
1.2.3 随访和结局 本研究的主要终点为主要不良心血管事件(major adverse cardiovascular events, MACE)。MACE被定义为非致死性心肌梗死、非致死性中风、心血管死亡以及冠脉血运重建(如冠状动脉支架植入术或冠状动脉旁路移植术)的复合终点。次要终点为心血管死亡及全因死亡。全因死亡被定义为包括心血管死亡及其他原因死亡。心血管死亡被定义为因致命性心律失常、心搏骤停、心肌梗死或心力衰竭导致的死亡。截至2022年10月25日,研究对象的随访数据来自上海卫生统计中心,住院记录则来源于上海市医疗保险局。未能从上海卫生统计中心及上海市医疗保险局获得随访数据的参与者,通过电话进行随访。
数据分析使用SPSS 26.0和GraphPad Prism 8.0.1软件完成。连续变量以均值±标准差
表示,分类变量以频数(百分比)描述。不符合正态分布的数据用中位数和四分位数描述[M(P25,P75)]。连续变量经正态性检验后,采用t检验进行组间比较;分类变量则使用χ2检验。通过Kaplan-Meier生存曲线和Log-rank检验比较eGFR≥60 mL/(min·1.73 m2)与<60 mL/(min·1.73 m2)组的终点事件差异。采用Cox比例风险模型评估不同方程定义的CKD类别与MACE、心血管死亡及全因死亡的关系,以风险比(hazard ratio, HR)及其95%置信区间表示。模型校正了单因素分析中P<0.1的协变量,包括年龄、性别、吸烟史、冠心病、糖尿病、卒中史、体质量指数(body mass index, BMI)及血清白蛋白水平。通过受试者工作特征曲线(receiver operating characteristic, ROC)的曲线下面积(area under the curve, AUC)评估eGFR公式的区分度,并采用z检验比较不同公式的AUC差异。所有检验均为双侧,P<0.05为差异有统计学意义。
本研究在3 363例北上海参与者中进一步排除了1 598例非高血压参与者、17例缺乏基线肌酐值的高血压患者、30例因缺乏协变量数据的参与者、4例失访参与者。同时满足以下3个条件诊断为非高血压: (1) 诊室血压<140/90 mmHg(1 mmHg=0.133 kPa);(2) 既往无高血压病史;(3) 近1个月未服用降压药。最终纳入了1 714例高血压参与者,筛选流程见图1。
图1 北上海研究人群筛选流程示意图
Fig.1 Flow chart of the screening process for the study population from the Northern Shanghai study
1 714例高血压患者的平均年龄为(72.3±0.15)岁,其中男性占43.6%。根据MDRD、c-aMDRD、CKD-EPI、aCKD-EPI及cCKD-EPI方程计算,eGFR<60 mL/(min·1.73 m2)的患病率分别为10.8%、7.9%、13.9%、10.7%和20.7%。与eGFR≥60 mL/(min·1.73 m2)的亚组相比,eGFR<60 mL/(min·1.73 m2)的参与者年龄较大、血尿酸水平较高(P<0.05)。在c-aMDRD、CKD-EPI及cCKD-EPI方程中,eGFR<60 mL/(min·1.73 m2)组的男性比例较高、血白蛋白水平较低(P<0.05)。在CKD-EPI、aCKD-EPI及cCKD-EPI方程中,eGFR<60 mL/(min·1.73 m2)组的冠心病比例较高(P<0.05),但两组间的糖尿病比例及BMI水平差异无统计学意义。在中位随访5.4年(4.1,7.3)期间,共发生207例(12.1%)MACE,包括非致死性心肌梗死22例、非致死性卒中58例、冠脉血运重建78例和心血管死亡49例。次要终点事件包括49例心血管死亡和123例全因死亡。在5种eGFR方程中,eGFR<60 mL/(min·1.73 m2)的患者发生MACE、心血管相关死亡及全因死亡的风险均显著高于eGFR≥60 mL/(min·1.73 m2)的患者(Log-rank P<0.05),见表1、图2。
表1 基于不同公式计算的eGFR值的基线特征及其与临床结局之间的关系
Tab.1 Baseline characteristics of estimated glomerular filtration rate(eGFR) values estimated by different equations and their associationwith clinical outcomes
项目/变量总计MDRD<60mL/(min·1.73m2)c-aMDRD<60mL/(min·1.73m2)CKD-EPI<60mL/(min·1.73m2)aCKD-EPI<60mL/(min·1.73m2)cCKD-EPI<60mL/(min·1.73m2)基线特征 N1714185(10.8)136(7.9)238(13.9)183(10.7)355(20.7) 年龄/岁72.3±0.1576.9±0.53∗76.7±0.65∗77.7±0.47∗77.7±0.55∗77.5±0.38∗ 男性748(43.6)81(43.8)75(55.1)∗120(50.4)∗88(48.1)222(62.5)∗ 糖尿病418(24.4)54(29.2)40(29.4)68(28.6)55(18.7)94(26.5) 冠心病670(39.1)84(45.4)60(44.1)111(46.6)∗85(46.4)∗161(45.4)∗ 脑卒中329(19.2)44(23.8)37(27.2)∗54(22.7)43(23.5)79(22.3) 吸烟418(24.4)50(27.0)44(32.4)∗63(26.5)49(26.8)116(32.7)∗ BMI/(kg·m-2)25.2±0.0925.6±0.2625.6±0.3325.2±0.2325.5±0.2725.3±0.19 白细胞(×109)/(个·L-1)6.03±0.046.40±0.166.57±0.20∗6.32±0.136.37±0.166.33±0.10 白蛋白/(g·L-1)47.0±0.0845.7±0.2645.5±0.33∗46.2±0.30∗45.7±0.2646.3±0.21∗ 尿酸/(μmol·L-1)345.8±2.12423.6±7.73∗441.8±9.34∗417.4±6.81∗423.5±7.94∗404.5±5.22∗临床结局 MACE207(12.1)1.69(1.12～2.54)∗2.13(1.37～3.31)∗1.53(1.05～2.23)∗1.72(1.14～2.58)∗1.50(1.08～2.09)∗ 心血管死亡49(2.9)3.14(1.63～6.03)∗4.03(2.05～7.93)∗3.15(1.71～5.82)∗3.18(1.65～6.11)∗3.55(2.00～6.30)∗ 所有原因死亡123(7.2)4.20(2.75～6.39)∗4.77(3.03～7.50)∗4.18(2.81～6.21)∗4.46(2.93～6.78)∗3.75(2.57～5.46)∗
不同公式计算的eGFR<60 mL/(min·1.73 m2)亚组相对eGFR≥60 mL/(min·1.73 m2)组发生MACE、心血管死亡及所有原因死亡等终点事件的严重程度以OR(95%CI)表示;与eGFR≥60 mL/(min·1.73 m2)亚组比较,*P<0.05
图2 Kaplan-Meier曲线显示eGFR与MACE的关系
Fig.2 The relationship between estimated glomerular filtration rate(eGFR) and major adverse cardiovascular events(MACE) under Kaplan-Meier curves
eGFR单位: mL/(min·1.73 m2)
使用c-aMDRD方程时,与eGFR为6089 mL/(min·1.73 m2)的参与者相比,eGFR<60 mL/(min·1.73 m2)的参与者MACE风险显著增加(HR: 1.74,95%CI 1.122.70,P=0.013);而使用其他方程时,两组间MACE风险的差异无统计学意义。无论使用哪种方程,eGFR≥90 mL/(min·1.73 m2)的参与者与eGFR为6089 mL/(min·1.73 m2)的参与者之间的MACE风险差异均无统计学意义,见表2、图3。
表2 基于不同方程的eGFR对MACE的预测
Tab.2 The prediction of estimated glomerular filtration rate(eGFR) for major adverse cardiovascular events(MACE) based on different equation
方程CoxeGFR/[mL·(min·1.73m-2)-1]≥9060～89<60PMDRDMACE64/587110/94233/1850.035HR1.1011.3095%CI0.80～1.520.87～1.95c-aMDRDMACE94/88084/69829/1360.002HR1.1711.7495%CI0.86～1.591.12～2.70CKD-EPIMACE38/387130/108939/2380.049HR1.2911.0995%CI0.86～1.940.74～1.59aCKD-EPIMACE64/657110/87433/1830.008HR1.0511.2195%CI0.74～1.480.81～1.81cCKD-EPIMACE5/64146/129556/3550.040HR1.1210.8795%CI0.44～2.810.61～1.23
模型已调整年龄、性别、吸烟状态、冠心病、糖尿病、中风、BMI及血清白蛋白混杂因素
图3 eGFR对MACE的预测
Fig.3 The predication of estimated glomerular filtration rate(eGFR) for major adverse cardiovascular events(MACE)
eGFR单位: mL/(min·1.73 m2)
使用c-aMDRD方程时,与eGFR为6089 mL/(min·1.73 m2)的参与者相比,eGFR<60 mL/(min·1.73 m2)的参与者心血管相关死亡风险显著增加(HR: 2.30,95%CI 1.064.98,P=0.035);而使用其他方程时,两组间心血管相关死亡风险的差异无统计学意义。无论使用哪种方程,eGFR≥90 mL/(min·1.73 m2)的参与者与eGFR为6089 mL/(min·1.73 m2)的参与者之间的心血管相关死亡风险差异均无统计学意义,见表3、图4。
表3 基于不同方程的eGFR对心血管死亡的预测
Tab.3 The prediction of estimated glomerular filtration rate(eGFR) for cardiovascular mortality based on different equation
方程CoxeGFR/[mL·(min·1.73m-2)-1]≥9060～89<60PMDRD心血管死亡8/58728/94213/185<0.001HR0.8011.3895%CI0.35～1.800.69～2.75c-aMDRD心血管死亡18/88019/69812/136<0.001HR1.4812.3095%CI0.75～2.891.06～4.98CKD-EPI心血管死亡4/38729/108916/238<0.001HR1.7211.2295%CI0.52～5.670.64～2.32aCKD-EPI心血管死亡6/65730/87413/183<0.001HR0.6811.1195%CI0.27～1.750.56～2.20cCKD-EPI心血管死亡0/6426/129523/355<0.001HR—11.1595%CI—0.61～2.17
模型已调整年龄、性别、吸烟状态、冠心病、糖尿病、中风、BMI及血清白蛋白混杂因素
图4 eGFR对心血管相关死亡的影响
Fig.4 The predication of estimated glomerular filtration rate(eGFR) for cardiovascular mortality
eGFR单位: mL/(min·1.73 m2)
当使用MDRD、c-aMDRD、CKD-EPI、aCKD-EPI和cCKD-EPI方程时,eGFR<60 mL/(min·1.73 m2)组的全因死亡风险显著高于eGFR为6089 mL/(min·1.73 m2)组,HR值分别为2.09(95%CI: 1.353.21)、2.29(95%CI: 1.433.67)、1.95(95%CI: 1.302.94)、1.81(95%CI: 1.192.77)和1.56(95%CI: 1.042.34)。eGFR≥90 mL/(min·1.73 m2)组与eGFR为6089 mL/(min·1.73 m2)组比较,无论使用哪种方程,全因死亡风险差异均无统计学意义,见表4、图5。
表4 基于不同方程的eGFR对全因死亡的预测
Tab.4 The prediction of estimated glomerular filtration rate(eGFR) for all-cause mortality based on different equation
方程CoxeGFR/[mL·(min·1.73m-2)-1]≥9060～89<60PMDRD全因死亡27/58759/94237/185<0.001HR1.0512.0995%CI0.66～1.691.35～3.21c-aMDRD全因死亡41/88051/69831/136<0.001HR0.9812.2995%CI0.64～1.511.43～3.67CKD-EPI全因死亡15/38763/108945/238<0.001HR1.7711.9595%CI0.93～3.381.30～2.94aCKD-EPI全因死亡22/65763/87438/183<0.001HR0.8411.8195%CI0.49～1.431.19～2.77cCKD-EPI全因死亡3/6463/129557/355<0.001HR1.9611.5695%CI0.58～6.581.04～2.34
模型已调整年龄、性别、吸烟状态、冠心病、糖尿病、中风、BMI及血清白蛋白混杂因素
图5 eGFR对全因死亡的影响
Fig.5 The predication of estimated glomerular filtration rate(eGFR) for all-cause mortality
eGFR单位: mL/(min·1.73 m2)
与MDRD方程相比,CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡及全因死亡方面表现出显著更好的预测能力(AUC差异范围为0.024至0.060,P<0.05)。与c-aMDRD方程相比,CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡及全因死亡方面同样表现出显著更好的预测能力(AUC差异范围为0.0150.064,P<0.05)。MDRD方程与c-aMDRD方程在预测MACE、心血管死亡及全因死亡方面差异均无统计学意义。此外,cCKD-EPI方程在预测MACE方面的能力显著优于其余4个方程(P<0.05),见表5、图6。
表5 基于不同方程的eGFR对终点事件辨别能力的评估
Tab.5 Evaluation of the discriminative ability of estimated glomerular filtration rate(eGFR) based on different equations for endpoint events
方程MACE心血管死亡所有原因死亡ΔAUCPΔAUCPΔAUCPMDRD & c-aMDRD-0.0080.0530.0040.625-0.0040.423MDRD & CKD-EPI-0.024<0.001-0.046<0.001-0.036<0.001MDRD & aCKD-EPI-0.023<0.001-0.047<0.001-0.035<0.001MDRD & cCKD-EPI-0.039<0.001-0.060<0.001-0.049<0.001c-aMDRD & CKD-EPI-0.017<0.001-0.050<0.001-0.032<0.001c-aMDRD & aCKD-EPI-0.0150.015-0.050<0.001-0.031<0.001c-aMDRD & cCKD-EPI-0.031<0.001-0.064<0.001-0.045<0.001CKD-EPI & aCKD-EPI0.0010.1000.0000.8560.0010.235CKD-EPI & cCKD-EPI-0.0140.044-0.0140.3450.0120.121aCKD-EPI & cCKD-EPI-0.0150.037-0.0130.371-0.0130.111
ΔAUC: 曲线下面积差异
图6 不同eGFR方程预测终点事件的能力比较
Fig.6 Comparison of predictive abilities of estimated glomerular filtration rate(eGFR) on endpoint events with different equations
*P<0.05,***P<0.001
本研究探讨了肾功能损害对中国老年高血压患者心血管事件的影响,首先,不同eGFR方程估算的肾功能损害患病率存在差异(7.9%20.7%),提示方程选择对识别肾功能损害至关重要。其次,所有方程均显示eGFR<60 mL/(min·1.73 m2)的患者发生MACE、心血管死亡和全因死亡的风险显著升高。再次,CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡和全因死亡方面均优于MDRD和c-aMDRD方程,支持CKD-EPI方程及其改良方程在中国人群中的适用性。最后,cCKD-EPI方程在预测MACE方面表现最优。
血尿素氮肌酐比和尿酸水平均可以在一定程度上反映老年高血压患者早期肾功能损伤[20-21],而肾小球滤过率是评估肾功能的金标准[22],但关于不同eGFR公式对心血管事件的预测价值研究仍有限。既往研究表明,CKD-EPI方程较MDRD方程具有更高的准确性和预测效能[15,23-25],然而针对中国老年高血压人群,改良方程与传统方程的预后价值比较尚未见报道。本研究首次证实,cCKD-EPI方程在预测MACE方面表现最优,提示针对中国人群优化的eGFR方程更适合心血管风险评估。
本研究结果显示,基于不同eGFR方程,中国老年高血压人群的肾功能损害eGFR<60 mL/(min·1.73 m2)患病率为7.9%(c-aMDRD)至20.7%(cCKD-EPI),使用MDRD、c-aMDRD、CKD-EPI、aCKD-EPI及cCKD-EPI 5个方程平均eGFR分别为(84.7±0.47)、(91.0±0.56)、(77.2±0.37)、(81.2±0.39)、(70.0±0.30) mL/(min·1.73 m2)。这一结果与西方国家研究存在差异: van Pottelbergh等[26]在比利时老年人群(≥80岁)中发现,使用MDRD和CKD-EPI方程时,eGFR<60 mL/(min·1.73 m2)的患病率约为45%,平均eGFR分别为(64±22)和(61±19) mL/(min·1.73 m2)。Matsushita等[23]在ARIC研究中则发现,CKD-EPI方程估算的eGFR中位数97.6 mL/(min·1.73 m2)显著高于MDRD方程88.8 mL/(min·1.73 m2)。这种差异可能源于血清肌酐水平的影响因素多样性。肌酐作为磷酸肌酸的代谢产物,其生成受肌肉质量、种族、性别和年龄等因素影响[27-28]。此外,饮食中肉类摄入量也是导致血清肌酐水平变化的重要因素[29-30]。因此,在评估肾功能时,需充分考虑这些非肾性因素对血清肌酐水平的影响。
大量研究表明,eGFR下降与全因死亡率和心血管疾病风险密切相关[31-32],但具体关联程度在不同研究中存在差异。2023年JAMA发表的一项纳入2 800万参与者的Meta分析显示[33],eGFR降低与心血管事件风险增加显著相关,而eGFR>105 mL/(min·1.73 m2)可能增加不良事件风险。在本研究中,轻度肾功能不全组[eGFR 6089 mL/(min·1.73 m2)]的心血管风险低于eGFR≥90 mL/(min·1.73 m2)及eGFR<60 mL/(min·1.73 m2)组,因此采用该组作为参照对比,以更清晰地观察肾功能正常[eGFR≥90 mL/(min·1.73 m2)]及中重度肾功能不全[eGFR<60 mL/(min·1.73 m2)]的风险变化。NHANES Ⅱ研究显示,eGFR<70 mL/(min·1.73 m2)与全因死亡和心血管疾病相关死亡风险增加显著相关[31]。ARIC研究[32]进一步证实,eGFR 1559 mL/(min·1.73 m2)与心血管疾病风险增加相关。然而,NHANES I研究未发现eGFR 3060 mL/(min·1.73 m2)与全因死亡或心血管相关死亡风险之间存在显著关联[34]。值得注意的是,Go等[35]在加州北部多民族人群中的大规模社区研究发现,eGFR<60 mL/(min·1.73 m2)与全因死亡、心血管事件和住院风险独立相关。以上研究中eGFR计算公式均为MDRD。这一发现在其他人群研究中得到验证[36]。
本研究结果显示,所有eGFR方程均显示eGFR<60 mL/(min·1.73 m2)与全因死亡率显著相关,其中CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡和全因死亡方面均优于MDRD和c-aMDRD方程。值得注意的是,cCKD-EPI方程在预测MACE方面表现最优,这与先前北上海研究[17]发现aCKD-EPI和cCKD-EPI方程与高血压靶器官损伤相关性更好的结果一致。这种预测效能的差异可能源于方程的验证人群特征。CKD-EPI方程在亚洲人群(包括中国人群)中表现出较低的偏差[15],且已被证实对亚洲人群不良结局的检测具有优越性[37-39]。cCKD-EPI方程在预测中国老年高血压人群不良预后方面的优势,可能与其推导人群特征[平均年龄(61±12.7)岁,中国人]与本研究人群[平均年龄(72±6.0)岁,中国人]的相似性有关。这些发现提示,cCKD-EPI方程可能更适合用于中国老年高血压人群的心血管风险评估。
本研究首次系统比较了不同eGFR方程对中国老年高血压患者心血管预后的预测价值。主要优势在于采用基于人群的前瞻性队列研究数据的事后分析,相对提高了研究结果的可靠性和代表性。然而,本研究仍存在以下局限性。(1) 血清肌酐浓度采用酶法测定,且eGFR基于入院时的初始肌酐值,未能考虑个体肌酐浓度的动态变化。(2) 缺乏测量真实肾小球滤过率的金标准,且使用固定eGFR临界值[60 mL/(min·1.73 m2)]定义老年人CKD存在争议,可能无法区分生理性肾功能下降与病理性改变。(3) 研究对象均来自上海北部地区,研究结果的普适性可能受到限制。(4) 尽管本研究通过5种eGFR方程的对比显示cCKD-EPI在中国老年高血压人群中的优势,但仍需考虑潜在的统计学偶然性,即使校正了混杂因素,部分结果可能受限于单中心(上海北部地区)数据或较低终点事件发生率的影响。针对以上局限性在今后的研究中建议采用重复测量设计(如每12年检测血清肌酐),利用时间加权平均eGFR或斜率分析[如eGFR每年下降速率≥5 mL/(min·1.73 m2)]替代单次测量,更准确反映肾功能动态变化对心血管预后的影响。同时建议纳入基于“血清肌酐+胱抑素C”的联合方程,尤其适用于肌肉量减少的老年人群,可减少肌酐法对eGFR的高估。建议采用外源性标志物清除率(如碘海醇或菊粉清除率)作为金标准,验证不同eGFR方程在老年高血压人群中的偏差。建议未来进一步外部队列验证,通过多中心、大样本的前瞻性队列研究进一步验证,以排除潜在的统计学偶然性影响。
本研究表明,不同eGFR方程估算结果存在显著差异,肾功能损害的患病率为8%21%。所有方程计算的eGFR均与全因死亡率相关。在中国老年高血压人群中,CKD-EPI、aCKD-EPI和cCKD-EPI方程在预测MACE、心血管死亡和全因死亡方面均优于MDRD和c-aMDRD方程,其中cCKD-EPI方程对MACE的预测效能最优。基于以上发现,在评估中国老年高血压患者心血管风险时,尤其合并糖尿病肾病、慢性肾病等eGFR下降明显的合并症时,建议优先使用cCKD-EPI方程进行肾功能评估,以便更精准地分层心血管风险,辅助临床决策,如降压强度调整或肾脏保护干预等。
利益冲突声明 所有作者声明不存在利益冲突。
作者贡献说明 阿塔吾拉·艾力: 构思和设计研究方案、数据收集、分析和解释、撰写论文初稿、修改和完善论文内容;李昊男、李瑞源、李谟然: 为研究设计提供建议、协助数据解释、审阅并修改论文;张毅、徐亚伟: 指导研究方向和整体设计、提供关键的学术建议、审阅并修改论文、批准最终版本、对论文的学术内容负责。
[1] MOZAFFARIAN D, BENJAMIN E J, GO A S, et al.Heart disease and stroke statistics: 2015 update: a report from the American Heart Association[J]. Circulation, 2015,131(4): e29-322.
[2] VIRANI S S, ALONSO A, BENJAMIN E J, et al. Heart disease and stroke statistics-2020 update: a report from the American heart association[J]. Circulation, 2020,141(9): e139-e596.
[3] XI B, LIU F C, HAO Y C, et al. The growing burden of cardiovascular diseases in China[J]. Int J Cardiol, 2014,174(3): 736-737.
[4] CORESH J, SELVIN E, STEVENS L A, et al. Prevalence of chronic kidney disease in the United States[J]. JAMA, 2007,298(17): 2038-2047.
[5] VAN POTTELBERGH G, BARTHOLOMEEUSEN S, BUNTINX F, et al. The prevalence of chronic kidney disease in a Flemish primary care morbidity register[J]. Age Ageing, 2012,41(2): 231-233.
[6] MATSUSHITA K, VAN DER VELDE M, ASTOR B C, et al. Association of estimated glomerular filtration rate and albuminuria with all-cause and cardiovascular mortality in general population cohorts: a collaborative meta-analysis[J]. Lancet, 2010,375(9731): 2073-2081.
[7] MATSUSHITA K, BALLEW S H, WANG A Y, et al. Epidemiology and risk of cardiovascular disease in populations with chronic kidney disease[J]. Nat Rev Nephrol, 2022,18(11): 696-707.
[8] RAHMAN M, XIE D W, FELDMAN H I, et al. Association between chronic kidney disease progression and cardiovascular disease: results from the CRIC Study[J]. Am J Nephrol, 2014,40(5): 399-407.
[9] 李谟然,沙佳乐,翟亦佳,等.中国高血压防治指南(2024年修订版)的更新要点解读[J].同济大学学报(医学版),2024,45(6): 824-829.
[10] BECK G J, BERG R L, COGGINS C H, et al. Design and statistical issues of the modification of diet in renal disease trial. the modification of diet in renal disease study group[J]. Control Clin Trials, 1991,12(5): 566-586.
[11] LEVEY A S, STEVENS L A, SCHMID C H, et al. A new equation to estimate glomerular filtration rate[J]. Ann Intern Med, 2009,150(9): 604-612.
[12] COCKCROFT D W, GAULT M H. Prediction of creatinine clearance from serum creatinine[J]. Nephron, 1976,16(1): 31-41.
[13] STEVENS L A, CORESH J, GREENE T, et al. Assessing kidney function: measured and estimated glomerular filtration rate[J]. N Engl J Med, 2006,354(23): 2473-2483.
[14] FROISSART M, ROSSERT J, JACQUOT C, et al.Predictive performance of the modification of diet in renal disease and Cockcroft-Gault equations for estimating renal function[J]. J Am Soc Nephrol, 2005,16(3): 763-773.
[15] STEVENS L A, CLAYBON M A, SCHMID C H, et al. Evaluation of the chronic kidney disease epidemiology collaboration equation for estimating the glomerular filtration rate in multiple ethnicities[J]. Kidney Int, 2011,79(5): 555-562.
[16] LIU X, GAN X L, CHEN J X, et al. A new modified CKD-EPI equation for Chinese patients with type 2 diabetes[J]. PLoS One, 2014,9(10): e109743.
[17] JI H W, ZHANG H, XIONG J, et al. eGFRs from Asian-modified CKD-EPI and Chinese-modified CKD-EPI equations were associated better with hypertensive target organ damage in the community-dwelling elderly Chinese: the Northern Shanghai Study[J]. Clin Interv Aging, 2017,12: 1297-1308.
[18] LAMB E J, STEVENS P E. Estimating and measuring glomerular filtration rate: methods of measurement and markers for estimation[J].Curr Opin Nephrol Hypertens, 2014,23(3): 258-266.
[19] JI H W, XIONG J, YU S K, et al. Northern Shanghai Study: cardiovascular risk and its associated factors in the Chinese elderly-a study protocol of a prospective study design[J]. BMJ Open, 2017,7(3): e013880.
[20] 王骥,徐晓,沈玉芹,等.尿素氮肌酐比联合尿酸水平对老年高血压肾病的早期预测价值[J].同济大学学报(医学版),2024,45(4): 557-562.
[21] 潘思梦,姚瑶,林世龙,等.脓毒症急性肾损伤患者早期肾功能恢复的影响因素分析[J].中国临床医学,2024,31(3): 451-456.
[22] RIVERA-CARAVACA J M, RUIZ-NODAR J M, TELLO-MONTOLIU A, et al.Disparities in the estimation of glomerular filtration rate according to Cockcroft-gault, modification of diet in renal disease-4, and chronic kidney disease epidemiology collaboration equations and relation with outcomes in patients with acute coronary syndrome[J]. J Am Heart Assoc, 2018,7(9): e008725.
[23] MATSUSHITA K, SELVIN E, BASH L D, et al. Risk implications of the new CKD Epidemiology Collaboration(CKD-EPI) equation compared with the MDRD Study equation for estimated GFR: the Atherosclerosis Risk in Communities(ARIC) Study[J]. Am J Kidney Dis, 2010,55(4): 648-659.
[24] WHITE S L, POLKINGHORNE K R, ATKINS R C, et al. Comparison of the prevalence and mortality risk of CKD in Australia using the CKD Epidemiology Collaboration(CKD-EPI) and Modification of Diet in Renal Disease(MDRD) Study GFR estimating equations: the AusDiab(Australian Diabetes, Obesity and Lifestyle) Study[J]. Am J Kidney Dis, 2010,55(4): 660-670.
[25] BALLO P, CHECHI T, SPAZIANI G, et al. Prognostic comparison between creatinine-based glomerular filtration rate formulas for the prediction of 10-year outcome in patients with non-ST elevation acute coronary syndrome treated by percutaneous coronary intervention[J]. Eur Heart J Acute Cardiovasc Care, 2018,7(8): 689-702.
[26] VAN POTTELBERGH G, VAES B, ADRIAENSEN W, et al. The glomerular filtration rate estimated by new and old equations as a predictor of important outcomes in elderly patients[J]. BMC Med, 2014,12: 27.
[27] DELGADO C, POWE N R, CHERTOW G M, et al. Muscle mass and serum creatinine concentration by race and ethnicity among hemodialysis patients[J]. J Am Soc Nephrol, 2024,35(1): 66-73.
[28] DELGADO C, BAWEJA M, CREWS D C, et al.A unifying approach for GFR estimation: recommendations of the NKF-ASN task force on reassessing the inclusion of race in diagnosing kidney disease[J]. J Am Soc Nephrol, 2021,32(12): 2994-3015.
[29] SYAUQY A, HSU C Y, LEE H A, et al. Association between dietary patterns and kidney function parameters in adults with metabolic syndrome: a cross-sectional study[J]. Nutrients, 2020,13(1): 40.
[30] MA J T, JACQUES P F, HWANG S J, et al. Dietary guideline adherence index and kidney measures in the Framingham heart study[J]. Am J Kidney Dis, 2016,68(5): 703-715.
[31] MUNTNER P, HE J, HAMM L, et al. Renal insufficiency and subsequent death resulting from cardiovascular disease in the United States[J]. J Am Soc Nephrol, 2002,13(3): 745-753.
[32] MANJUNATH G, TIGHIOUART H, CORESH J, et al. Level of kidney function as a risk factor for cardiovascular outcomes in the elderly[J]. Kidney Int, 2003,63(3): 1121-1129.
[33] GRAMS M E, CORESH J, MATSUSHITA K, et al. Estimated glomerular filtration rate, albuminuria, and adverse outcomes: an individual-participant data meta-analysis[J]. JAMA, 2023,330(13): 1266-1277.
[34] GARG A X, CLARK W F, HAYNES R B, et al. Moderate renal insufficiency and the risk of cardiovascular mortality: results from the NHANES I[J]. Kidney Int, 2002,61(4): 1486-1494.
[35] GO A S, CHERTOW G M, FAN D J, et al. Chronic kidney disease and the risks of death, cardiovascular events, and hospitalization[J]. N Engl J Med, 2004,351(13): 1296-1305.
[36] DI ANGELANTONIO E, CHOWDHURY R, SARWAR N, et al.Chronic kidney disease and risk of major cardiovascular disease and non-vascular mortality: prospective population based cohort study[J]. BMJ, 2010,341: c4986.
[37] AIUMTRAKUL N, KITTITHAWORN A, SUPASYNDH O, et al. Prediction of cardiovascular outcome by estimated glomerular filtration rate among high-risk patients: a Thai nationwide cohort study[J]. Clin Exp Nephrol, 2022,26(12): 1180-1193.
[38] SUDCHADA P, LAEHN S. Comparisons of GFR estimation using the CKD Epidemiology Collaboration(CKD-EPI) equation and other creatinine-based equations in Asian population: a systematic review[J]. Int Urol Nephrol, 2016,48(9): 1511-1517.
[39] XIE P, HUANG J M, LIN H Y, et al.CDK-EPI equation may be the most proper formula based on creatinine in determining glomerular filtration rate in Chinese patients with chronic kidney disease[J]. Int Urol Nephrol, 2013,45(4): 1057-1064.
X