李锡坡，陈渊青

(1.南华大学 公共卫生学院，湖南 衡阳，421001；2.深圳市福田区 慢性病防治院，广东 深圳，518029)

随着经济与科技的高速发展，人们的生活行为方式、膳食结构发生了巨大的改变，在全世界范围内无论是在发达国家还是在发展中国家，超重、肥胖的患病人数均在迅速增长，并呈现出逐年升高的趋势[1]。中心性肥胖又称腹性肥胖，是由过度的脂肪组织在腹部和腹腔异常聚集所致[2]。大量研究表明，相较于全身性肥胖，中心性肥胖与糖尿病、血脂异常、心血管疾病等慢性非传染疾病发生的关联更为密切[3-4]。了解并掌握中心性肥胖的流行现状及其相关影响因素对制定肥胖防控策略和措施意义重大。福田区作为深圳市的中心城区，经济发展迅速、人口众多，然而关于福田区成人中心性肥胖的研究尚缺乏。为了解该区成人中心性肥胖的流行情况及其影响因素，本研究采用2018年深圳市慢性病及其危险因素监测资料对该区成人中心性肥胖的流行情况进行分析，并采用决策树模型对其影响因素进行探讨，为今后制订成人中心性肥胖的防控策略和措施提供依据。

1 对象与方法

1.1 研究对象

深圳市福田区18岁及以上常住居民(居住时间≥6个月)。

1.2 抽样方法

多阶段随机抽样。先采用单纯随机的方法在深圳市福田区随机抽取22个社区，再在每个被抽中的社区按照人口比例随机抽取≤100户家庭户，最后在抽中的家庭户中采用KISH表法在每个家庭户中随机抽取1名18岁及以上常住居民作为调查对象。本次共调查研究对象2 025人，实际有效问卷为2 000份，问卷有效率为98.77%。

1.3 调查方法

1.3.1 问卷调查

采用《深圳市慢性病及其危险因素监测》问卷，由经过统一培训合格的调查员进行调查。问卷内容包括一般人口学特征、生活行为情况、饮食情况、身体活动情况及慢性病患病情况。

1.3.2 腰围测量

测量工具采用专用腰围测量尺，以腋中线肋弓下缘和髂嵴连线中点的水平位置作为测量点进行测量，测量误差不得超过±0.1cm。

1.3.3 中心性肥胖的判定标准

判定标准根据2002年中国肥胖问题工作小组的标准[5]，即男性腰围≥85cm、女性≥80cm为中心性肥胖。

1.4 统计分析

采用SPSS21.0对数据进行统计分析。检验水准α=0.05(双侧)。采用均数±标准差对研究对象的腰围情况进行描述，率的比较采用χ2检验，相关影响因素分析采用决策树(CHAID算法)进行分析。

2 结果

2.1 基本情况

共调查研究对象2 025人，有效问卷人数2 000人，其中男性826人，占41.30%；女性1 174人，占58.70%；平均年龄为46.06±13.66岁；文化程度以大专及以上为主，占48.60%；婚姻状况以已婚为主，占89.40%；职业以非脑力劳动职业人群为主，占68.60%。

2.2 调查对象的中心性肥胖情况

根据中心性肥胖的判定标准，本次调查共检出中心性肥胖者986人，中心性肥胖率为49.30%，男性的中心性肥胖率(59.32%)高于女性(42.25%)。男性腰围值高于女性，差异有统计学意义(P<0.05)，见表1。

表1 调查对象的腰围值

Table 1 The waist value of the subjects

性别调查人数/人最大值/cm最小值/cm均值/cmtP男性826120.058.086.36±8.5520.71<0.001女性1 174113.058.278.47±8.28合计2 000120.058.081.73±9.24

2.3 单因素分析

本研究纳入的因素主要为性别、年龄、文化程度、职业类型、婚姻状况、吸烟、饮酒、每日睡眠时间、每日静坐时间、每日食盐量、每日食油量、每周体力活动频率、患慢性病种类数。单因素分析结果表明：性别、年龄、婚姻状况、职业分类、吸烟、饮酒、睡眠时间、水果食用量、患慢性病种类数是中心性肥胖的影响因素。详见表2。

表2 调查对象中心性肥胖的单因素分析

Table 2 The univariate analysis of central obesity in the subjects

变量调查人数/人中心性肥胖人数/人中心性肥胖率/%χ2P性别男82649059.3256.55<0.001女1 17449642.25年龄(岁)18～<301344627.38149.84a<0.00130～<4049422636.1040～<5030823049.5750～<6019920062.3160～<7020820665.40≥70707873.58文化程度小学及以下21013865.7134.22a<0.001初中/高中81841951.22大专及以上97242944.14婚姻状况未婚1274333.8617.92<0.001已婚1 78889650.11分居/离婚411843.90丧偶442965.91职业分类脑力劳动62828044.598.14<0.05非脑力劳动1 37270651.46吸烟从不吸烟1 59072045.2850.67<0.001吸烟28017863.57已戒烟1308867.69饮酒否1 27961047.695.66<0.05是72137652.15睡眠时间(hr/d)<81 22459452.8012.60<0.001≥877639244.80水果食用量(g/d)<2001 41871750.567.99<0.05200～<40045222048.67≥4001304937.69慢性病类型数01 33855341.33116.32<0.0011-257936362.69≥3837084.34

注：a为趋势卡方检验值

2.4 决策树分析

以是否中心性肥胖作为因变量，将单因素分析有意义的因素作为自变量纳入决策树模型，采用预修剪方法将决策树生长层数设置为3层，父节点最小样本量为100，子节点最小样本量为50，构建模型。本研究成人中心性肥胖的影响因素决策树模型共有20个节点，12个终结点，进入模型的因素依次是年龄、性别、患慢性病种类数、每日睡眠时间和每日水果食用量。位于树的第一层的因素是年龄，说明年龄与成人中心性肥胖的发生关联性最强，中心性肥胖率随年龄的增长呈增长趋势，分别占该节点的27.5%、36.6%、50.3%、60.4%和72.5%。年龄在30～47岁的人群中，男性的中心性肥胖率高于女性；年龄大于47岁的人群中，患有慢性病人群的中心性肥胖率高于无慢性病人群。此外，年龄在30～39岁的女性，睡眠时间少于8小时较超过8小时发生中心性肥胖的可能性高；年龄在47～65岁患有慢性病者，每日水果食用量少于200g者较超过200g者发生中心性肥胖的可能性高。详见图1。

3 讨论

研究[6]发现，深圳市福田区18岁及以上成年人的中心性肥胖率为49.30%，与2015年上海市虹口区成人肥胖水平基本一致(49.65%)，高于2018年南京市成人居民中心性肥胖患病率(42.7%)[4]，但低于美国成人中心性肥胖数据(54.2%)[7]。深圳市福田区成人居民的中心性肥胖率虽低于发达国家，在国内已处于较高水平，形势严峻，已成为一项亟待解决的公共卫生问题。

本研究采用决策树模型分析出成人中心性肥胖的影响因素有年龄、性别、患慢性病种类数、每日睡眠时间和每日水果食用量，其中年龄与成人中心性肥胖的关联性最强，中心性肥胖率随着年龄的增长持续升高，与殷丽红等[8]在上海进行成人中心性肥胖的流行病学调查结果一致。调查对象随着年龄的增长，工作相对稳定、经济收入可观、生活压力小，锻炼减少，容易心宽体胖造成脂肪在体内过多蓄积，从而引发肥胖。

研究发现，男性的中心性肥胖率高于女性，与美国疾病控制中心的研究结果[9]一致，与国内多项流行病学调查结果一致[10-11]。女性中心性肥胖较低，可能与女性要承担大量的家务劳动，且注重保持身材，又注意饮食有关。而成年男性在工作之余交际应酬频繁，饮酒、吸烟、饮食过量等不良生活行为而容易导致中心性肥胖。此外，研究发现雌激素受体能够参与机体中脂肪氧化、葡萄糖转运和线粒体呼吸链的合成[12]，这对女性保持健康体重也起着重要作用。研究发现，成人患慢性病种类的数量越多，中心性肥胖率就越高，而现有研究表明，肥胖会引起机体的脂质和糖代谢紊乱，增加人群患高血压、高血脂、糖尿病等慢性疾病的风险[13]，由于本次调查属于横断面研究，不能直接判定中心性肥胖与患慢性病之间的时间顺序，二者之间的因果关系还有待进一步探讨。研究发现，每天睡眠时间小于8小时者的中心性肥胖率高于超过8小时者，Sasaki等[14-15]的研究发现，睡眠不足是机体肥胖的危险因素，睡眠时间低于7小时的人群肥胖患病风险会明显提高，原因有以下两个方面：一方面，长期睡眠不足会导致集体生物钟紊乱，影响机体正常代谢；另一方面，睡眠不足容易引发疲劳，使得身体活动减少。研究发现，水果摄入量较少者发生成人中心性肥胖的风险更大，原因可能与水果富含膳食纤维，而膳食纤维具有减缓食物由胃进入肠道的速度和吸收作用，容易使人产生饱胀感，从而减少能量摄入和肠壁对葡萄糖和脂肪的吸收有关。

决策树方法是数据挖掘中有效的分类规则之一，其结果用树型图展现，不仅可以显示因变量的影响因素，还能够深入分析变量在各亚层的影响方式。研究发现，年龄小于47岁的中心性肥胖率主要受性别影响，而年龄大于47岁的中心性肥胖情况主要与其是否患有慢性病有关；30～39岁女性中心性肥胖率受睡眠时间影响；47～65岁患有慢性病人群的中心性肥胖率受水果食用量影响。决策树方法提示中心性肥胖干预在小于47岁的成人中应把男性作为重点干预对象，大于47岁者则应注重采取措施预防慢性疾病的发生；30～39岁女性应保障充足的睡眠时间；47～65岁患有慢性病人群则应适当增加水果摄入量。

综上所述，决策树模型可充分挖掘成人中心性肥胖调查资料中隐藏的信息，并形成一系列的分类规则，将决策树算法应用于中心性肥胖研究不仅能够筛选出相关影响因素，还能细分出中心性肥胖发生率较高人群的群体特征，可以为成人中心性肥胖的防治提供参考依据。