心血管代谢长期多重疾病（Multiple Long-Term Conditions，MLTC），定义为两种或两种以上的心血管代谢疾病共存。2026年6月27日，《Lancet》发表了心血管代谢MLTC的系列文章，本文介绍系列文章中的第一篇“流行病学“，这篇综述全面描述了流行病学现状、风险因素、对预后的影响、方法学挑战和研究空白。
本文只展示方法学挑战和研究空白。更完整的整理内容，请点击文末左下角的“阅读原文”进行查看。
原文链接：https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(26)00606-9
方法学挑战
心血管代谢MLTC此前主要使用非随机的横断面或纵向数据进行研究。MLTC患病率的差异，可能既反映了测量、方法和定义的差异，也真实反映了疾病本身的差异。一个关键的方法学步骤是定义所纳入的心血管代谢疾病范围，并对心血管代谢MLTC的定义进行标准化。
与主要不良心血管事件（MACE）类似，心血管代谢MLTC的定义也存在以下挑战：此类试验常采用复合终点来提高事件发生率，从而提升统计效力。但复合终点也存在局限性，如果将无效应或效应微弱的结局与更具临床意义、单独来看确有获益的结局合并，可能稀释总体治疗效果。鉴于此，已有指南在推动心脑血管疾病的标准化定义。
关于统计学方法：
将MLTC简单定义为两种或以上疾病的共存，可以使用传统方法进行分析，如广义线性模型、生存分析、竞争风险模型，但该策略未能充分利用当代丰富的流行病学数据。
多模态关联数据集提供了详细的纵向信息，包括多种疾病的发生时序、风险因素动态演变。
高级分析策略（如因子分析、聚类分析、主成分分析、潜类别增长分析和增长混合模型）能够识别心血管代谢疾病的聚类或模式。
多状态模型（multistate models）可动态模拟MLTC轨迹，但在分析超大数据集或复杂转化结构时，会面对极高的计算负荷。
基于图形的方法和机器学习技术（包括复杂深度神经网络架构）等其他统计方法可应用于纵向MLTC研究。
研究空白
定义与标准化
定义与标准化：如何对心血管代谢MLTC（包括其构成疾病）进行定义和标准化，使其既具有临床意义，又能跨研究场景比较，同时该定义也对疾病严重程度、活动度和病程敏感？
测量效度与偏倚：观察到的种族与社会经济差异，在多大程度上反映了危险因素暴露的差异、疾病检出率的差异，抑或是生存差异？
生命历程流行病学与疾病轨迹
发病年龄与早期决定因素：心血管代谢性MLTC发展轨迹通常在什么年龄开始出现？哪些早期生活暴露最能预测疾病加速累积？
年轻人群中的发展轨迹：儿童、青少年和年轻成人中心血管代谢MLTC的模式、发展轨迹和决定因素是什么？
累积的顺序与次序：心血管代谢性MLTC最常见的疾病累积顺序是什么？年龄、性别、种族和社会经济地位会对其产生怎样的影响？
高风险组合：哪些心脏代谢疾病的组合及其时间顺序会带来最大的不良结局风险（如死亡、残疾和住院）？
社会与结构性决定因素
不平等的结构性驱动因素：结构性决定因素（如住房、就业、教育和医疗可及性）如何与生物学风险相互作用，塑造不同的MLTC发展轨迹？
全球与情境差异：中低收入国家中心血管代谢性MLTC的负担和模式是什么？这些轨迹如何与传染病相互作用？
数据整合与方法学创新
数据链接与多模态整合：如何整合相关的电子健康记录、纵向队列数据和多组学平台，以更好地描述MLTC发展轨迹？
高级分析方法：新兴的机器学习和数据驱动聚类方法如何改进对异质性MLTC轨迹和风险表型的识别？
本文只展示方法学挑战和研究空白。更完整的整理内容，请点击文末左下角的“阅读原文”进行查看。
参考文献：Lancet. 2026 Jun 27;407(10548):2641-2654. doi: 10.1016/S0140-6736(26)00606-9.
热门跟贴