Zusammenhang zwischen dem atherogenen Plasma-Index und kolorektalen Neoplasien bei Patienten mit Hypertonie

Zusammenhang zwischen dem atherogenen Plasma-Index und kolorektalen Neoplasien bei Patienten mit Hypertonie

Kolorektalkarzinome (KRK) stellen die dritthäufigste maligne Erkrankung und die zweithäufigste Krebstodesursache weltweit dar. Kolorektale Adenome (KRA), als Vorläuferläsionen des KRK, unterstreichen die Notwendigkeit früher Detektion und Intervention zur Verhinderung der Progression zum invasiven Karzinom. Trotz der klinischen Bedeutung der Koloskopie in der Diagnostik kolorektaler Neoplasien (KRN) erfordern deren Invasivität und hohe Kosten die Identifizierung nicht-invasiver Biomarker zur Risikostratifizierung. Der atherogene Plasma-Index (AIP), berechnet als logarithmiertes Verhältnis von Triglyzeriden (TG) zu High-Density-Lipoprotein-Cholesterin (HDL-C) in molarer Konzentration, hat sich als kosteneffektiver Marker für kardiovaskuläres Risiko und metabolische Dysregulation etabliert. Diese Fall-Kontroll-Studie untersucht den Zusammenhang zwischen AIP und KRN bei hypertensiven Patienten, einer Population mit gemeinsamen metabolischen Risikofaktoren, die in diesem Kontext bislang unzureichend erforscht ist.

Studiendesign und Population

In die Studie wurden 1.196 hypertensive Patienten eingeschlossen, die zwischen Januar 2016 und Dezember 2019 an der Beijing Friendship Hospital eine Koloskopie erhielten. Ausschlusskriterien umfassten unvollständige klinische Daten, andere Malignome (außer KRK) sowie genetische Fettstoffwechselstörungen wie Chylomikronämie oder familiäre Hypertriglyzeridämie. Nach Ausschlüssen verblieben 1.064 Teilnehmer (Durchschnittsalter: 62,2 ± 10,2 Jahre; 60,15 % männlich). Die Teilnehmer wurden in eine Neoplasie-Gruppe (histopathologisch bestätigtes KRA oder KRK) und eine Kontrollgruppe (normale Koloskopie oder nicht-adenomatöse Polypen) eingeteilt.

Datenerhebung und Messungen

Klinische Parameter umfassten Alter, Geschlecht, Body-Mass-Index (BMI), Raucherstatus, Alkoholkonsum, familiäre KRK-Belastung und Ergebnisse des fäkalen Okkultbluttests (FOBT). Nüchternblutproben wurden zur Bestimmung des Lipidprofils (TG, HDL-C, LDL-C, Gesamtcholesterin) und des Plasmaglukosespiegels analysiert. Der AIP wurde als log(TG/HDL-C) berechnet. Koloskopische und histopathologische Befunde wurden von erfahrenen Spezialisten erhoben.

Statistische Analyse

Normalverteilte kontinuierliche Variablen wurden mittels Student-t-Test oder ANOVA verglichen; kategorische Variablen mittels Chi-Quadrat- oder Fisher-Exakt-Test. Logistische Regressionsmodelle identifizierten unabhängige Prädiktoren für KRN, dargestellt als Odds Ratios (OR) mit 95 %-Konfidenzintervallen (KI). Nichtlineare Zusammenhänge zwischen AIP und KRN-Risiko wurden mittels restriktiver kubischer Splines analysiert. Die Modellperformance wurde anhand von ROC-Kurven (Receiver Operating Characteristic) evaluiert, wobei die Fläche unter der Kurve (AUC) die diagnostische Genauigkeit quantifizierte. Ein Nomogramm integrierte signifikante Prädiktoren zur klinischen Risikostratifizierung.

Hauptbefunde

Basischarakteristika

Die Neoplasie-Gruppe (n = 312) zeigte höhere AIP-Werte (0,42 ± 0,28 vs. 0,32 ± 0,27; p < 0,001) und niedrigere HDL-C-Spiegel (1,17 ± 0,33 vs. 1,25 ± 0,34 mmol/l; p < 0,001) gegenüber der Kontrollgruppe. KRN-positive Patienten waren häufiger älter, männlich, Raucher, FOBT-positiv oder hatten eine familiäre KRK-Belastung (p < 0,05). Die AIP-Quartilanalyse zeigte steigende Risiken: Verglichen mit dem niedrigsten Quartil (Q1) wiesen Teilnehmer in Q3 (OR: 1,57; 95 %-KI: 1,04–2,38) und Q4 (OR: 1,89; 95 %-KI: 1,24–2,89) nach Adjustierung für Störfaktoren ein signifikant erhöhtes KRN-Risiko auf.

Multivariate Analyse

Unabhängige Prädiktoren für KRN waren männliches Geschlecht (OR: 1,78; 95 %-KI: 1,24–2,49), höheres Alter (OR: 1,07 pro Jahr; 95 %-KI: 1,06–1,09), erhöhter AIP (OR: 3,09; 95 %-KI: 1,50–6,35), familiäre KRK-Belastung (OR: 2,29; 95 %-KI: 1,15–4,57) und FOBT-Positivität (OR: 2,20; 95 %-KI: 1,20–4,02). Eine lineare Dosis-Wirkungs-Beziehung zwischen AIP und KRN-Risiko zeigte sich bei Männern, während Frauen ein nichtlineares Muster aufwiesen.

Diagnostische Modellperformance

Das vollständige Prädiktionsmodell (AIP + Alter + Geschlecht + Rauchen + familiäre Belastung + FOBT) erreichte eine AUC von 0,706 (95 %-KI: 0,663–0,749) im Trainingskollektiv (zwei Drittel der Teilnehmer) und 0,698 (95 %-KI: 0,631–0,765) im Validierungskollektiv. Sensitivität und Spezifität lagen bei 67,6 % bzw. 64,7 %. Das Nomogramm wies gewichtete Scores für jeden Prädiktor zu, um individuelle Risikoschätzungen zu ermöglichen [Supplementäre Abbildung 2].

Mechanistische und klinische Implikationen

Die Studie postuliert, dass eine dyslipidämie-induzierte chronische Inflammation den AIP-KRN-Zusammenhang erklärt. Erhöhte TG und erniedrigtes HDL-C fördern endotheliale Dysfunktion, oxidativen Stress und die Freisetzung proinflammatorischer Zytokine, die karzinogene Mikroumgebungen begünstigen. Die Rolle des AIP als Surrogat für kleine, dichte LDL-Partikel – assoziiert mit oxidativer Modifikation und Zytokininduktion – unterstützt dessen Verbindung zur Neoplasieentstehung. Geschlechtsspezifische Risikounterschiede könnten auf die antiinflammatorischen und antiproliferativen Effekte von Östrogen bei prämenopausalen Frauen zurückzuführen sein.

Limitierungen und zukünftige Forschung

Das monozentrische Design und die retrospektive Datenerhebung limitieren die Generalisierbarkeit. Restverzerrungen durch nicht erfasste Variablen (z. B. Ernährungsgewohnheiten, körperliche Aktivität) können nicht ausgeschlossen werden. Prospektive multizentrische Studien sind notwendig, um die prädiktive Wertigkeit des AIP zu validieren und Risikoschwellen zu präzisieren.

Klinische Relevanz

Die Integration des AIP in routinemäßige metabolische Assessments könnte KRK-Screeningstrategien für hypertensive Populationen verbessern. Hochrisikopatienten, identifiziert durch nomogrammgestützte Stratifizierung, könnten von priorisierten Koloskopien profitieren, um Ressourcenallokation und Früherkennungsraten zu optimieren.

doi.org/10.1097/CM9.0000000000002507

Schreibe einen Kommentar 0

Your email address will not be published. Required fields are marked *