印度老年人群中新型临床和临床前肥胖估计：来自全国代表性数据集的见解

《Diabetes Therapy》：Novel Clinical and Pre-clinical Obesity Estimates in Older Indian Adults: Insights from a Nationally Representative Dataset

　　

引言
肥胖是一种多因素疾病，传统人体测量学不能很好地捕捉。新兴框架，包括柳叶刀委员会（Lancet Commission）方法，客观地对肥胖进行分层，并提供更具临床信息意义的疾病负担表征。本研究比较了基于传统身体质量指数（body mass index, BMI）标准的肥胖估计与使用修订框架得出的肥胖估计，并检查了印度老年人中临床前肥胖和临床肥胖（clinical obesity, CO）的分布和决定因素。

方法
研究人员使用了印度纵向老龄化研究（Longitudinal Aging Study in India, LASI）第一波（2017–2018）的数据，包括59,854名年龄≥45岁的成年人。高BMI（>25 kg/m²）被用于估计传统肥胖负担。临床前肥胖和CO是根据框架指导以及数据集中可用的变量定义的。使用Stata 16.0版本计算加权患病率和多变量逻辑回归（multivariable logistic regression）估计。

结果
高BMI的加权患病率为27.1%（95%置信区间（confidence interval, CI）：21.5–33.5），而临床前肥胖和CO的患病率分别为27.0%（21.4–33.4）和15.1%（10.9–20.6）。CO显示出显著的地理变异，中印度最低（7.77%），南印度最高（24.33%）；梅加拉亚邦的邦级患病率最低（4.52%），昌迪加尔最高（37.88%）。女性、城市居民以及受教育程度和财富更高的参与者患两种肥胖状态的几率更高。临床前肥胖的参与者更常报告极好的自评健康，而CO的参与者中自评健康差更为常见。

结论
修订框架将高BMI负担有意义地区分为临床前和CO，并识别了社会人口和空间差异。这种分类可能有助于将单纯脂肪过多与伴有发病率和功能受限的肥胖区分开来，尽管由于调查数据中可能存在的代理操作化（proxy operationalization），解释时应保持谨慎。

### 研究背景与问题
肥胖是由脂肪过多（excess adiposity）引起的一种多因素疾病，可影响器官和组织功能，是非传染性疾病（non-communicable diseases, NCDs）的重要风险因素，导致过早死亡和发病。传统上，肥胖评估依赖于身体质量指数（body mass index, BMI）等人体测量指标，但这些指标无法充分反映体脂分布、脂肪过多相关的功能紊乱或个体的临床后果。为应对这一局限，近期《柳叶刀》（Lancet）委员会提出了一种基于健康的分层框架，将肥胖分为临床前肥胖（pre-clinical obesity）和临床肥胖（clinical obesity, CO），前者指存在脂肪过多但器官功能保留，后者指脂肪过多已导致慢性系统性损伤及并发症。然而，在美国低收入和中等收入国家中，该框架在人群层面的应用证据有限，尤其缺乏基于印度全国代表性数据的研究。因此，研究人员开展了此项研究，旨在：①比较基于传统BMI标准与修订框架（pre-clinical and CO framework）的肥胖负担估计；②评估印度老年人中临床前肥胖和CO的全国及亚国家级患病率，并识别其社会人口学决定因素。该研究发表在《Diabetes Therapy》期刊上，为资源受限环境下的肥胖筛查、分层和干预优先序提供了新视角。

### 主要关键技术方法
研究人员使用了印度纵向老龄化研究（Longitudinal Aging Study in India, LASI）第一波（2017–2018）的全国代表性数据，样本包括59,854名年龄≥45岁的成年人。数据采用多阶段分层整群随机抽样设计，包含城乡独立抽样框架。主要分析方法为：①高BMI（>25 kg/m²）定义传统肥胖；②依据修订框架，临床前肥胖定义为高BMI且至少一项其他中心性肥胖指标（腰围≥90 cm/80 cm、腰臀比>0.90/0.80、腰高比≥0.5）且无临床妥协；③临床肥胖定义为脂肪过多并伴有多病共存（≥2种慢性病）或日常生活活动能力（activities of daily living, ADL）受限（≥1项困难）。应用加权患病率估计和多项变量逻辑回归（multivariable logistic regression）进行分析，使用Stata 16.0和ArcGIS制图。

### 研究结果
**样本特征与患病率比较**
在59,854名参与者中，高BMI的加权患病率为27.1%（95%置信区间（confidence interval, CI）：21.5–33.5），而临床前肥胖和CO的患病率分别为27.0%（21.4–33.4）和15.1%（10.9–20.6）。其他提示脂肪过多的指标（如高腰围48.3%、高腰臀比84.5%、高腰高比68.9%）患病率更高。在修订框架下，CO参与者中51.5%患有多病共存，15.1%存在ADL受限。

**地理及社会人口变异**
CO呈现显著区域差异：中印度最低（7.77%），南印度最高（24.33%）；邦级层面梅加拉亚邦最低（4.52%），昌迪加尔最高（37.88%）。城乡对比中，农村地区恰蒂斯加尔邦最低（3.03%），昌迪加尔最高（39.35%）；城市地区特伦甘纳邦最低（12.20%），阿鲁纳恰尔邦最高（49.0%）。性别差异方面，女性CO患病率在昌迪加尔达49.72%，男性在喀拉拉邦最高（24.75%）。年龄≥60岁者中，阿鲁纳恰尔邦和梅加拉亚邦患病率最低，昌迪加尔在45–59岁和≥60岁组均最高（36.94%和39.15%）。

**多变量逻辑回归结果**
调整混杂因素后，临床前肥胖的较高概率（adjusted odds ratio, aOR）与南印度（1.08）、女性（1.63）、城市居民（1.90）、穆斯林（1.23）、其他落后阶层（OBC）（1.12）、专业/半专业人士（1.16）、本科及以上学历（1.83）、最富MPCE五分位（1.79）相关；而年龄≥60岁、独居、每日体力活动、烟草使用与较低概率相关。CO的较高概率与女性（1.87）、城市居民（1.73）、穆斯林（1.20）、OBC（1.11）、专业/半专业人士（1.27）、本科及以上学历（1.67）、最富五分位（1.62）及媒体暴露（1.42）相关；年龄≥60岁、每日体力活动和烟草使用与较低概率相关。

**自评健康差异**
临床前肥胖参与者更常报告“极好”自评健康，而CO参与者中“差”自评健康更常见，提示脂肪过多在未伴随明显发病或功能受限时可能被低估。

### 讨论与结论总结
讨论部分指出，修订框架将高BMI负担区分为临床前和CO，有助于识别伴有发病率和功能受限的肥胖亚群，尤其适用于资源有限环境下的分诊和优先级设定。研究强调了民族特异性人体测量阈值的重要性（如亚洲印度人在较低BMI即出现中心性肥胖和代谢风险），并讨论了多病共存和ADL受限在CO操作定义中的实用性及局限性——由于LASI数据缺失睡眠呼吸暂停、心力衰竭、肾功能不全等疾病，CO定义仅基于自报慢性病和ADL，可能存在代理偏差。自我健康评估的对比表明，需加强公众对无症状肥胖健康风险的认识。区域和社会经济差异支持需要因地制宜的干预策略。研究局限性包括横断面设计、自报数据偏倚、缺乏饮食信息等，但整体上为人口层面的肥胖分层提供了新的实证依据。

**研究结论**：本研究提供了印度老年人中临床前和临床肥胖的全国代表性估计。尽管高BMI和临床前肥胖患病率相近，但CO患病率较低，表明修订框架有助于将单纯脂肪过多与伴有发病和功能受限的肥胖区分开来。显著的区域和社会人口差异，以及自评健康与肥胖状态的不匹配，凸显了定制化预防、早期风险沟通和情境化服务规划的必要性。然而，这些发现应结合调查数据中临床肥胖的代理操作化局限性进行解读。