图2 研究人群的TyG-BMI、TyG-WC和TyG-WHtR呈正态分布，平均值分别为204.44 kg/m²、743.20 cm和4.72
图2展示了TyG‑BMI、TyG‑WC、TyG‑WHtR三个指标在研究人群中的分布情况。一眼看去，三条曲线都规规矩矩地呈钟形正态分布，没有奇怪的偏峰或双峰。
表1 标准差、四分位距、甘油三酯葡萄糖指数及其复合变体
看这张表，第一感觉就是：中风的人，几乎每一项代谢指标都更差。血压、血糖、血脂、腰围、TyG指数……全线飘红。
尤其是高血压患者占比飙到65.76%，而没有中风的人只有45.67%。这不是巧合，是实打实的预警。腰粗、血糖高、血脂乱，果然不是小事。
每个四分位的TyG‒WHtR中风发病率如下：Q1：67.78/10,000人/年；Q2：98.29/10,000人/年；Q3：131.75/10,000人/年；Q4：164.48/10,000人/年（表 2）。
各TyG-BMI四分位数的患病率如下：Q1：5.81%；Q2：8.26%；Q3：10.33%；Q4：12.81%。各TyG-WC四分位数的患病率如下：Q1：5.35%；Q2：8.11%；Q3：10.24%；Q4：13.50%。各TyG-WHtR 四分位数的患病率如下：Q1：5.49%；Q2：7.98%；Q3：10.69%；Q4：13.05%（图3）。
图3 不同四分位数TyG-BMI、TyG-WC和TyG-WHtR的中风发生率
这两个图表放一起看，趋势清晰得不能再清晰。TyG-BMI最低的四分位数Q1，发病率只有5.81%；到了Q4，直接翻倍到12.81%。TyG-WC更夸张，从5.35%跳到13.50%。
TyG-BMI、TyG-WC和TyG-WHtR与中风风险的关联为了探索TyG-BMI、TyG-WC和TyG-WHtR与中风风险之间的关联，建立了三个Cox比例风险回归模型，详见表3。
表3 TyG-BMI、TyG-WC和TyG-WHtR与不同模型中中风风险的关联
这个表最直观：每增加10个单位TyG-BMI，中风风险就升高5.5%；TyG-WC涨2.0%；TyG-WHtR涨1个单位就飙升32.4%。而且Q4比Q1风险高出80%以上。简单来说就是：你的肚子越大、血糖血脂越乱，中风的“油门”就被踩得越狠。
图4把人群分成两类：一类始终低，一类始终高。表4告诉我们，始终高的那批人，中风风险比低的那批高出29%~45%。而且这种差异在调整了所有干扰因素后依然显著。意思是：你不是偶尔高一下，而是常年高？那中风真的更爱找你。
图4 K-means聚类算法根据2011年至2015年的TyG-BMI、TyG-WC和TyG-WHtR轨迹将参与者分类为两个不同的簇
多变量逻辑回归分析显示，在修正甘油三酯-葡萄糖指数下，与第1类相比，第2类参与者中中风风险显著升高：TyG-BMI增加29.9%，TyG-WC增加45.1%，TyG-WHtR增加29.1%（表4）。
表4 2011年至2015年TyG-BMI、TyG-WC和TyG-WHtR组变化与中风风险之间的关系
有人可能会杠：是不是因为有糖尿病、肾病、肥胖才这样？作者很聪明，剔除了糖尿病人、肾病患者、胖人再分析——结果照样显著。
表5 根据不同敏感性分析，TyG-BMI、TyG-WC和TyG-WHtR与中风风险的关联
比如非糖尿病人里，TyG-BMI每涨10单位，风险还是高5.3%。这说明什么？这个关系不是别的病“带偏”的，就是TyG指数自己的本事。
使用带有限立方样条（RCS）的Cox比例风险回归模型来解决非线性问题使用带三次样条函数的Cox比例风险回归模型，我们发现TyG-BMI与中风风险之间存在非线性关联，而TyG-WC、TyG-WHtR与中风风险则呈线性关联（图5）。
图5 显示了所有参与者中TyG-BMI与卒中风险之间的非线性关系，以及TyG-WC与TyG-WHtR与卒中风险之间的线性关系
随后，使用对数似然比检验确定了最合适的模型（表6），并使用递归算法确定TyG-BMI的拐点为179.279。
表6 对年龄、性别、CRP、eGFR、HDL-c、LDL-c、UA、CLD、PLT、胱抑素C、 高血压、HBA1C、DM、CKD、吸烟状况和饮酒状况进行了调整
图5的RCS曲线很有意思：TyG-BMI跟中风不是简单的直线关系，而是先陡后缓。表6算出拐点在179.28。低于这个值时，每涨一点，风险飙得飞快；过了拐点反而涨得慢了。
10个月宝宝每天需要喝多少奶粉？
