Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC CQqWX6CscLndHsy7rbHzkCP S0066-782X2025000100307 00307 10.36660/abc.20240265 Artigo Original Associação entre Estimativa de Colesterol de Lipoproteína de Baixa Densidade (sdLDL-C) e Risco de Doença Cardiovascular Aterosclerótica Zhang Shutang Concepção e desenho da pesquisa Redação do manuscrito 1* Du Jinjie Concepção e desenho da pesquisa Redação do manuscrito 1* Wang Peng Obtenção de dados e Análise e interpretação dos dados 1 Lei Min Obtenção de dados e Análise e interpretação dos dados 1 Zhong Canye Obtenção de dados e Análise e interpretação dos dados 1 Ou Yang Obtenção de dados e Análise e interpretação dos dados 1 0009-0004-9382-0389 Sun Zhen Concepção e desenho da pesquisa Revisão crítica do manuscrito quanto ao conteúdo 1 Chongqing University Fuling Hospital Chongqing Clinical Research Center for Geriatric Diseases Chongqing China Chongqing University Fuling Hospital, Chongqing Clinical Research Center for Geriatric Diseases – Geriatrics, Chongqing – China : Zhen Sun • Chongqing University Fuling Hospital, Chongqing Clinical Research Center for Geriatric Diseases – Geriatrics - No.2, Gaosuntang Road, Fuling District Chongqing 408000 - China E-mail: sunzhenflh@outlook.com

Gláucia Maria Moraes de Oliveira

Não há conflito com o presente artigo

 03 02 2025 01 2025 122 1 e20240265 19 04 2024 18 09 2024 16 10 2024 This is an Open Access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

: Associação entre Estimativa de Colesterol de Lipoproteína de Baixa Densidade (sdLDL-C) e Risco de Doença Cardiovascular Aterosclerótica

Resumo Fundamento

Uma nova fórmula para estimar o colesterol de lipoproteínas pequenas, densas e de baixa densidade (sdLDL-C) com base nos resultados do painel lipídico padrão é proposto.

 Objetivos

Para avaliar a associação entreestimado sdLDL-C (EsdLDL-C) e o risco de doença cardiovascular arterosclerótica (DCVA).

 Métodos

Um total de 12.192 participantes do banco de dados do Korea National Health and Nutrition Examination Survey (KNHANES) entre 2010 e 2020 foram incluídos neste estudo transversal. EsdLDL-C foi calculada como EsdLDL-C = LDL-C- [1,43 × LDL-C - (0,14 × (ln (TG) × LDL-C)) - 8,99]. Análises de regressão logística foram utilizadas para avaliar a associação entre EsdLDL-C e risco de DCVA. As análises de subgrupos foram realizadas com base na idade, índice de massa corporal (IMC), hipertensão, e diabetes. Uma razão de possibilidades (OR) com um intervalo de confiança de 95% (IC) foi utilizado para avaliação. P<0,05 foi considerado estatisticamente significativo.

 Resultados

Entre 12.192 participantes, 1.239 (10,16%) tinham DCVA. A média de sdLDL-C dos participantes foi estimada em 42,43±14,75 mg/dL usando a fórmula. Níveis elevados de EsdLDL-C (OR=1,33; IC 95%, 1,06-1,66) foram associados a um aumento do risco de DCVA. As análises de subgrupos descobriram que pode haver uma interação entre EsdLDL-C (Pinteração=0,001) ou não-HDL-C (Pinteração=0,015) e hipertensão no risco de DCVA.

 Conclusões

Níveis elevados estimados de sdLDL-C foram associados ao risco de DCVA, e o sdLDL-C estimado pode ser uma alternativa à medição do sdLDL-C para avaliação do risco de DCVA.

 Lipoproteínas Aterosclerose Fatores de Risco Introdução

A doença cardiovascular aterosclerótica (DCVA) é uma doença insidiosa e crônica que geralmente progride para um estágio avançado quando os sintomas aparecem.1 As doenças mais frequentes da DCVA são a doença cardíaca coronária e o acidente vascular cerebral, que são a principal causa de morte.2 A Organização Mundial da Saúde relatou que a DCVA se tornou a principal causa de morte em todo o mundo, ceifando aproximadamente 17,9 milhões de vidas a cada ano.1 A identificação e o monitoramento de biomarcadores associados à DCVA desempenham um papel importante na sua prevenção primária e secundária.

O aumento do colesterol de lipoproteína de baixa densidade (LDL-C) é um fator causal fundamental no desenvolvimento e progressão da DCVA.3,4 Estudos anteriores demonstraram que indivíduos com baixos níveis de LDL-C têm menor incidência de DCVA do que aqueles com altos níveis de LDL-C.5-7 O LDL é composto por várias subclasses de partículas com diferentes tamanhos e densidades, incluindo LDLs grandes flutuantes (lb) e intermediárias e pequenas densas (sd).8 No entanto, o sdLDL pode ser um biomarcador melhor do que outros subtipos para risco de DCVA em diferentes subtipos de LDL.9,10 Foi relatado que o sdLDL está associado a uma variedade de doenças, incluindo distúrbios metabólicos, obesidade e diabetes tipo 2, e é considerado um fator de risco para doença cardíaca coronária.11-13 Portanto, a medição dos níveis de sdLDL-C é de grande importância no monitoramento do risco de DCVA. Os métodos tradicionais de medição de sdLDL-C dependiam de ultracentrifugação complexa ou eletroforese em gel de gradiente.14 O equipamento especial necessário para medição e longo tempo de ensaio limitou a aplicação clínica da medição de sdLDL. Sampson et al. desenvolveram uma nova equação para estimar sdLDL-C com base nos resultados do painel lipídico padrão com um coeficiente de determinação de 0,745.15 No entanto, sua fórmula só foi estabelecida na população estadunidense, e a adaptação e o efeito estimado em outras populações permanece pouco claro.

Aqui, levantamos a hipótese de que a fórmula de Sampson et al. para estimar sdLDL também era aplicável a outras populações e estava associada ao risco de DCVA. Dados do banco de dados do Korea National Health and Nutrition Examination Survey (KNHANES) foram usados para avaliar a associação entre sdLDL e risco de DCVA.

 Métodos Aquisição de dados e participantes

Os dados utilizados no estudo transversal foram extraídos do banco de dados KNHANES entre 2010 e 2020.16 O banco de dados KNHANES é um sistema nacional de vigilância para avaliar a saúde e o estado nutricional dos coreanos, coletando informações sobre status socioeconômico, comportamentos relacionados à saúde, qualidade de vida, utilização de serviços de saúde, medidas antropométricas e perfis bioquímicos e clínicos de doenças não transmissíveis.17 KNHANES é uma pesquisa transversal nacionalmente representativa conduzida anualmente, cada ano de pesquisa incluindo uma nova amostra de aproximadamente 10.000 pessoas com 1 ano ou mais. A pesquisa consiste em três partes: entrevista de saúde, exame de saúde e pesquisa nutricional. A entrevista de saúde e o exame de saúde são conduzidos em um centro de exames móvel por equipe médica treinada e entrevistadores. Uma semana após o exame de saúde, nutricionistas foram às casas dos participantes para uma pesquisa nutricional. Participantes com mais de 18 anos e com informações completas sobre colesterol foram incluídos. Participantes foram excluídos com base nos seguintes critérios: (1) com valores anormais de IMC (IMC >40kg/m2); (2) com falta de informação sobre hemoglobina glicada (HbA1c); (3) com informações faltantes sobre acidente vascular cerebral ou doença cardíaca isquêmica. Os protocolos do KNHANES foram aprovados pelos Centros de Controle e Prevenção de Doenças da Coreia (KCDC). Todos os dados usados neste estudo são anonimizados no banco de dados do KNHANES e não envolveram intervenções humanas. Portanto, este estudo não exigiu aprovação adicional do Conselho de Revisão Institucional.

 Coleta de dados

Indicadores demográficos e bioquímicos dos participantes incluem idade (≥18 anos), gênero (masculino e feminino), índice de massa corporal (IMC), nível de renda [quartis (Q1, Q2, Q3, Q4) e desconhecido], nível de escolaridade (seodang/hanhak, sem educação, ensino fundamental, ensino médio e desconhecido), consumo de álcool (sim, não e desconhecido), tabagismo (sim e não), medicamento hipolipemiante (sim, não e desconhecido), hipertensão (sim, não e desconhecido), diabetes (sim, não e desconhecido), creatinina, nitrogênio ureico no sangue (BUN), HbA1c, LDL-C, lipoproteína de alta densidade (HDL-C), não-HDL-C, triglicerídeos (TG), colesterol total

(CT) e sdLDL-C estimado (EsdLDL-C) foram coletados. O não-HDL-C foi calculado como não-HDL-C = CT - HDL-C. Todos os níveis de lipídios foram medidos por coleta direta de sangue por uma enfermeira, no contexto de participantes que jantaram no dia anterior.

 Definição e medição DCVA

Os eventos de DCVA incluem infarto do miocárdio, angina, intervenção coronária percutânea, enxerto de bypass da artéria coronária, insuficiência cardíaca congestiva, doença vascular periférica, acidente vascular cerebral e ataque isquêmico transitório. Devido às limitações do banco de dados KNHANES, os eventos de DCVA incluíram doença cardíaca isquêmica, infarto do miocárdio, angina de peito e acidente vascular cerebral. No banco de dados KNHANES, a doença cardíaca isquêmica foi determinada pela pergunta: “Você já foi diagnosticado com infarto do miocárdio ou angina pelo seu médico?”. Portanto, os eventos de DCVA neste estudo incluíram apenas doença cardíaca isquêmica e ACV.

 sdLDL-C

sdLDL-C foi calculado a partir de Sampson et al.15. As fórmulas relevantes foram as seguintes:

lbLDL-C = 1 , 43 × LDL-C − ( 0 , 14 × ( ln ⁡ ( T G ) × LDL-C) ) − 8 , 99 sdLDL-C = LDL-C - IbLDL-C Análise estatística

Variáveis contínuas foram testadas quanto à normalidade usando o método de assimetria e curtose, e o teste de Levene foi usado para testar a homogeneidade da variância. Variáveis contínuas distribuídas normalmente foram descritas por média e desvio padrão (DP). A comparação entre grupos de variáveis contínuas com variâncias homogêneas foi realizada usando o teste t de Student não pareado, e variáveis contínuas com heterocedasticidade foram realizadas usando o teste t de Satterthwaite. Variáveis contínuas distribuídas não normalmente foram descritas por mediana e quartil [M (Q1, Q3)], e o teste de soma de postos de Wilcoxon foi usado para comparações intergrupos. Variáveis categóricas foram apresentadas por números e a razão constituinte [n (%)], e a comparação entre grupos foi realizada usando o teste qui-quadrado ou teste exato de Fisher.

Foi realizada uma análise de diferença entre as características dos participantes com e sem DCVA. Variáveis com p < 0,05 na análise de diferença foram rastreadas por regressão bidirecional por etapas, e as variáveis finais rastreadas foram ajustadas em análise de regressão logística multivariável. Análises de regressão logística univariável e multivariável foram usadas para avaliar a associação de EsdLDL-C, não-HDL-C, HDL-C, LDL-C, TG e CT com o risco de DCVA, acidente vascular cerebral e doença cardíaca isquêmica. As associações foram expressas como razão de chances (OR) com intervalo de confiança (IC) de 95%. A área sob a curva ROC (AUC) foi usada para avaliar a capacidade de EsdLDL-C, não-HDL-C, HDL-C, LDL-C, TG e CT de prever o risco de DCVA, e o teste DeLong foi usado para comparar as diferenças na AUC entre esses indicadores. A análise de subgrupos foi conduzida com base na idade (<65 e ≥65), IMC (<24,44 e ≥24,44 kg/m2), hipertensão (não e sim) e diabetes (não e sim). As análises estatísticas foram realizadas pelo software SAS 9.4 (SAS Institute Inc., Cary, NC, EUA) e pelo software R 4.0.3 (Institute for Statistics and Mathematics, Viena, Áustria). P<0,05 foi considerado estatisticamente significativo.

 Resultados Características dos participantes

Um total de 80.086 participantes foram extraídos do banco de dados KNHANES entre 2010 e 2020. Foram excluídos 72.268 participantes, incluindo 16.843 participantes com menos de 18 anos, 47.968 participantes com dados ausentes de CT, TG, HDL, LDL, 69 participantes com IMC anormal (IMC ≥ 40 kg/m2), 1.391 participantes com informações ausentes sobre acidente vascular cerebral ou doença cardíaca isquêmica e 1.623 participantes com dados ausentes de HbA1c (Figura 1). Um total de 12.192 participantes com dados completos foram incluídos neste estudo, dos quais 1.239 (10,16%) tinham DCVA (Tabela 1). As características detalhadas dos participantes são mostradas na Tabela 1. Diferenças estatísticas entre participantes com e sem DCVA foram observadas em idade, sexo, IMC, nível de educação, medicamento hipolipemiante, hipertensão, diabetes, creatinina, HbA1c, não-HDL-C, LDL-C, HDL-C, TG, CT e EsdLDL-C (Tabela 1).

– Fluxograma de sujeitos incluídos. KNHANES, Korea National Health and Nutrition Examination Survey. CT: colesterol total; TG: triglicerídeo; HDL: lipoproteína de alta densidade; LDL: lipoproteína de baixa densidade; IMC: índice de massa corporal; HbA1c: hemoglobina glicada; DCVA: doença cardiovascular aterosclerótica.

– Características de todos os participantes
Variáveis Total (N=12192) Não-DCVA (N=10953) DCVA (N=1239) p
Idade, anos, média (±DP) 50,02 (±15,28) 49,87 (±15,57) 51,39 (±12,34) <0,001
Sexo, n (%) 0,015
Masc. 6504 (53,35) 5802 (52,97) 702 (56,66)
Fem. 5688 (46,65) 5151 (47,03) 537 (43,34)
IMC, Média (±DP) 24,64 (±3,47) 24,61 (±3,48) 24,94 (±3,41) 0,001
Renda, n (%) 0,485
Q1 3043 (24,96) 2754 (25,14) 289 (23,33)
Q2 3084 (25h30) 2767 (25,26) 317 (25,59)
Q3 3012 (24,70) 2705 (24,70) 307 (24,78)
Q4 2971 (24,37) 2651 (24.20) 320 (25,83)
Desconhecido 82 (0,67) 76 (0,69) 6 (0,48)
Educação, n (%) <0,001
Seodang/Hanhak 2180 (17,88) 1998 (18.24) 182 (14,69)
Sem educação 1246 (10.22) 1124 (10.26) 122 (9,85)
Escola primária 4004 (32,84) 3588 (32,76) 416 (33,58)
Escola secundária 3965 (32,52) 3508 (32,03) 457 (36,88)
Desconhecido 797 (6,54) 735 (6,71) 62 (5,00)
Bebida, n (%) 0,191
Não 1199 (9,83) 1088 (9,93) 111 (8,96)
Sim 10630 (87,19) 9531 (87,02) 1099 (88,70)
Desconhecido 363 (2,98) 334 (3,05) 29 (2,34)
Tabagismo, n (%) 0,088
Não 8819 (72,33) 7945 (72,54) 874 (70,54)
Sim 2994 (24,56) 2661 (24,29) 333 (26,88)
Desconhecido 379 (3.11) 347 (3,17) 32 (2,58)
Medicamentos hipolipemiantes, n (%) <0,001
Não 8627 (70,76) 7807 (71,28) 820 (66,18)
Sim 2668 (21,88) 2324 (21,22) 344 (27,76)
Desconhecido 897 (7,36) 822 (7,50) 75 (6,05)
Hipertensão, n (%) <0,001
Não 9267 (76,01) 8620 (78,70) 647 (52,22)
Sim 2381 (19,53) 1832 (16,73) 549 (44,31)
Desconhecido 544 (4,46) 501 (4,57) 43 (3,47)
Diabetes, n (%) <0,001
Não 10424 (85,50) 9408 (85,89) 1016 (82,00)
Sim 1148 (9,42) 979 (8,94) 169 (13,64)
Desconhecido 620 (5,09) 566 (5,17) 54 (4,36)
Creatinina, mg/dL,M (Q1, Q3) 0,83 (0,70, 0,96) 0,83 (0,70, 0,96) 0,85 (0,72, 0,98) 0,001
BUN, mg/dL,M (Q1, Q3) 14h00 (12h00, 17h00) 14h00 (12h00, 17h00) 14h00 (12h00, 17h00) 0,203
HbA1c, %,M (Q1, Q3) 5,60 (5,40, 6,00) 5,60 (5,30, 6,00) 5,70 (5,40, 6,10) <0,001
Não-HDL-C, mg/dL, Média (±DP) 150,83 (±39,38) 150,46 (±39,14) 154,05 (±41,26) 0,002
Esb-LDL-C, mg/dL, Média (±DP) 42,43 (±14,75) 42,27 (±14,71) 43,88 (±15,02) <0,001
LDL-C, mg/dL, Média (± DP) 115,12 (±33,43) 114,91 (±33,32) 116,97 (±34,35) 0,040
TG, mg/dL,M (Q1, Q3) 205,00 (101,00, 267,00) 204,00 (101,00, 267,00) 211,00 (110,50, 272,00) 0,003
CT, mg/dL, Média (± DP) 197,93 (±38,83) 197,66 (±38,56) 200,33 (±41,07) 0,021
HDL-C, mg/dL, Média (±DP) 47,10 (±12,29) 47,19 (±12,35) 46,29 (±11,71) 0,010

DCVA: doença cardiovascular aterosclerótica; IMC: índice de massa corporal; quartis, Q1, Q2, Q3, Q4; BUN: nitrogênio ureico no sangue; HbA1c: hemoglobina glicada; HDL-C: lipoproteína de alta densidade; LDL-C: colesterol de lipoproteína de baixa densidade; TG: triglicerídeo; CT: colesterol total; Esd-LDL-C: lipoproteína de baixa densidade pequena estimada.

 Relação entre EsdLDL-C e risco de DCVA

A Tabela 2 mostra a associação de EsdLDL-C, não-HDL-C, HDL-C, LDL-C, TG e CT com o risco de DCVA, acidente vascular cerebral e doença cardíaca isquêmica. Níveis elevados de EsdLDL-C, não-HDL-C e TG foram associados a um risco aumentado de DCVA, enquanto níveis elevados de HDL-C reduziram o risco de DCVA. Além disso, níveis elevados de EsdLDL-C, não-HDL-C e TG foram relacionados a um risco maior de doença cardíaca isquêmica, mas nenhuma relação foi observada entre EsdLDL-C, não-HDL-C, HDL-C, LDL-C, TG e CT e risco de acidente vascular cerebral. Além disso, o teste DeLong indicou que a capacidade do EsdLDL-C de prever o risco de DCVA foi ligeiramente melhor do que a do CT (AUC: 0,527 vs. 0,515; P=0,039), mas nenhuma diferença significativa foi encontrada quando comparado a outros indicadores. Análises de subgrupos foram realizadas para avaliar a relação entre EsdLDL-C e não-HDL-C e risco de DCVA em diferentes populações com base na idade, IMC, hipertensão e diabetes (Figura 2). Níveis elevados de EsdLDL-C foram relacionados a um risco aumentado de DCVA em participantes com idade <65, com IMC <24,44 kg/m2 e sem hipertensão ou diabetes. Da mesma forma, níveis elevados de não-HDL-C aumentaram o risco de DCVA em participantes com idade <65, com IMC <24,44 kg/m2 e sem hipertensão ou diabetes. Pode haver uma interação entre EsdLDL-C ou não-HDL-C e hipertensão no risco de DCVA.

– Relação entre lipídios e risco de doença cardiovascular aterosclerótica
Resultados Variáveis Modelo 1 Modelo 2
OR (IC 95%) p OR (IC 95%) p
DCVA Não-HDL-C 1,63 (1,23-2,18) 0,001 1,46 (1,08-1,98) 0,014
Esb-LDL-C 1,43 (1,16-1,77) 0,001 1,33 (1,06-1,66) 0,012
LDL-C 1,15 (0,89-1,49) 0,284 1,13 (0,88-1,46) 0,348
TG 1,17 (1,05-1,30) 0,004 1,14 (1,01-1,28) 0,030
CT 1,62 (1,10-2,39) 0,015 1,47 (0,98-2,19) 0,060
HDL-C 0,62 (0,47-0,81) <0,001 0,72 (0,55-0,95) 0,019
AVC Não-HDL-C 1,49 (1,06-2,10) 0,021 1,23 (0,85-1,78) 0,264
Esb-LDL-C 1,35 (1,05-1,74) 0,019 1,19 (0,90-1,56) 0,213
LDL-C 1,11 (0,82-1,51) 0,492 1,09 (0,81-1,47) 0,569
TG 1,08 (0,97-1,21) 0,160 1,02 (0,90-1,15) 0,733
CT 1,41 (0,89-2,26) 0,147 1,20 (0,74-1,95) 0,459
HDL-C 0,59 (0,43-0,82) 0,001 0,77 (0,56-1,07) 0,120
Doença cardíaca isquêmica Não-HDL-C 1,79 (1,15-2,81) 0,011 1,77 (1,09-2,87) 0,021
Esb-LDL-C 1,56 (1,14-2,13) 0,005 1,51 (1,08-2,11) 0,017
LDL-C 1,23 (0,81-1,86) 0,333 1,16 (0,76-1,77) 0,506
TG 1,26 (1,07-1,49) 0,005 1,25 (1,05-1,49) 0,012
CT 1,91 (1,04-3,51) 0,038 1,86 (0,99-3,49) 0,054
HDL-C 0,67 (0,45-1,01) 0,057 0,71 (0,45-1,12) 0,143

OR: razão de chances; IC: intervalo de confiança; DCVA: doença cardiovascular aterosclerótica HDL-C: lipoproteína de alta densidade; LDL-C: colesterol de lipoproteína de baixa densidade; TG: triglicerídeos; CT: colesterol total; Esd-LDL-C: lipoproteína de baixa densidade pequena estimada; Modelo 1, modelo de regressão logística univariável; Modelo 2, modelo de regressão logística multivariável que ajusta para (1) idade, creatinina e HbA1c (análise para DCVA); (2) idade, BUN e HbA1c (análise para acidente vascular cerebral); (3) idade e IMC (análise para doença cardíaca isquêmica).

– Relação entre EsdLDL-C e não-HDL e risco de DCVA em diferentes populações. Esd-LDL-C: lipoproteína de baixa densidade pequena estimada; HDL: lipoproteína de alta densidade; DCVA: doença cardiovascular aterosclerótica; IMC: índice de massa corporal.

Discussão

Neste estudo, usamos dados do banco de dados KNHANES para avaliar a relação entre os níveis estimados de sdLDL-C e o risco de DCVA. Os resultados descobriram que níveis elevados de EsdLDL-C estavam associados a um risco aumentado de DCVA. Análises de subgrupos mostraram que pode haver uma interação entre EsdLDL-C ou não-HDL-C e hipertensão no risco de DCVA. Vários estudos documentaram que o nível elevado de sdLDL-C estava associado ao risco de doença cardiovascular.18-20 A aterosclerose causada por sdLDL está relacionada a propriedades bioquímicas e biofísicas específicas das partículas de sdLDL.9 O pequeno tamanho do sdLDL permite sua penetração na parede arterial e serve como fonte de armazenamento de colesterol e lipídios. O sdLDL circula por mais tempo do que aquelas partículas grandes de LDL que são eliminadas da corrente sanguínea pela interação com receptores de LDL, o que aumenta o potencial aterogênico do sdLDL no plasma.21 Um estudo recente indicou que o nível de sdLDL-C foi um biomarcador melhor para a avaliação de doença cardíaca coronária do que o nível de LDL-C.22 A medição do sdLDL-C recebeu atenção devido ao seu papel na previsão de DCVA. Os métodos tradicionais de medição do sdLDL-C dependem de testes laboratoriais adicionais, como ultracentrifugação ou eletroforese em gel de gradiente, que são específicos do equipamento ou demorados.14 Ito et al. desenvolveram uma nova técnica de detecção laboratorial para níveis de sdLDL-C, que usa um analisador automático para detecção e economiza tempo de detecção.23 Alguns estudos propuseram usar indicadores bioquímicos relacionados ao sdLDL-C, como LDL-C e TG, para desenvolver uma fórmula para estimar o sdLDL-C para reduzir testes laboratoriais adicionais.15,24 Sampson et al. forneceram uma nova fórmula para estimar os níveis séricos de sdLDL-C.15 Sua fórmula de estimativa de sdLDL-C usou níveis de LDL-C e TG para calcular os níveis de sdLDL-C e não exigiu nenhum teste laboratorial adicional além do painel lipídico padrão. Os dois termos principais na fórmula são (1,43× LDL-C ) e (0,14×(ln⁡(TG)×LDL−C)). O termo ×(1,43 × LDL-C) ilustra que indivíduos com altos níveis de LDL-C podem ter mais lbLDL. O termo (0,14 × (ln (TG) × LDL-C)) é o termo de interação entre LDL-C e TG, que representa uma maior proporção de colesterol entre sdLDL e lbLDL com o aumento de TG.15 O estudo atual validou a aplicabilidade de sua fórmula usando dados de outras populações. Nossos resultados mostraram que os valores de sdLDL-C calculados pela fórmula foram associados ao risco de DCVA na população coreana. As análises de subgrupos descobriram que a relação entre o aumento do nível de sdLDL-C e o risco de DCVA foi observada em participantes com idade <65 anos, com IMC <24,44 kg/m2 e sem hipertensão ou diabetes. No entanto, apenas uma interação entre EsdLDL-C e hipertensão no risco de DCVA foi encontrada, sugerindo que os resultados sobre o risco de sdLDL-C e DCVA em subgrupos de idade, IMC e diabetes precisam ser interpretados com cautela. A associação entre Esd-LDL e risco de DCVA em nosso estudo foi consistente com estudos anteriores.25,26 Também analisamos a associação de não-HDL-C, HDL-C, LDL-C, TG e CT com o risco de DCVA, acidente vascular cerebral e doença cardíaca isquêmica. Além disso, nossos resultados descobriram que a capacidade do EsdLDL-C de prever o risco de DCVA foi ligeiramente melhor do que a do não-HDL-C, HDL-C, LDL-C, TG e CT. Estudos anteriores também sugeriram que o sdLDL-C estava mais fortemente associado ao risco de DCVA do que o LDL-C.9,22,27 Esses resultados sugerem que o sdLDL-C estimado está similarmente associado ao risco de DCVA. Para testes laboratoriais complexos de níveis de sdLDL-C, o sdLDL-C estimado pode ser uma alternativa aos testes laboratoriais de sdLDL-C para avaliação de risco de DCVA, o que não apenas evita os testes complexos de sdLDL-C, mas também permite a estimativa rápida dos níveis de sdLDL-C com base no painel lipídico padrão. Uma nova fórmula para estimar o sdLDL-C foi validada com base nos dados do banco de dados KNHANES. Analisamos a associação entre sdLDL-C e LDL-C e risco de DCVA. Em seguida, a relação entre sdLDL-C e LDL-C e risco de DCVA foi analisada posteriormente com base na idade, IMC, hipertensão e diabetes. No entanto, algumas limitações deste estudo devem ser consideradas. Primeiro, a fórmula foi baseada em indivíduos em jejum, e sua precisão em indivíduos não em jejum também deve ser verificada. Segundo, não podemos comparar a diferença entre o valor calculado de sdLDL-C usando a fórmula e o valor real de sdLDL-C devido à falta de dados de sdLDL-C no banco de dados KNHANES. Terceiro, embora tenhamos considerado a interferência de muitos fatores de confusão, ainda havia alguns fatores de confusão que podem afetar os resultados que não foram considerados, como hábitos alimentares, níveis de atividade física ou histórico familiar de DCV. Quarto, este estudo foi um estudo transversal, e não foi possível analisar DCVA com base na duração da exposição do paciente ao sdLDL-C.

 Conclusões

Uma fórmula proposta recentemente para estimar o sdLDL-C foi validada com base em outras populações. Os resultados indicaram que níveis elevados de EsdLDL-C estavam associados a um risco aumentado de DCVA. Análises de subgrupos descobriram que níveis elevados de sdLDL-C estavam relacionados a um risco aumentado de DCVA em participantes com idade <65 anos, com IMC <24,44 kg/m2 e sem hipertensão ou diabetes. O sdLDL-C estimado pode ser uma alternativa à medição do sdLDL-C para avaliação do risco de DCVA.

 Referências 1. Libby P, Buring JE, Badimon L, Hansson GK, Deanfield J, Bittencourt MS, et al. Atherosclerosis. Nat Rev Dis Primers. 2019;5(1):56. doi: 10.1038/s41572-019-0106-z. Libby P Buring JE Badimon L Hansson GK Deanfield J Bittencourt MS et al Atherosclerosis Nat Rev Dis Primers 2019 5 1 56 10.1038/s41572-019-0106-z 2. Roth GA, Mensah GA, Johnson CO, Addolorato G, Ammirati E, Baddour LM, et al. Global Burden of Cardiovascular Diseases and Risk Factors, 1990-2019: Update from the GBD 2019 Study. J Am Coll Cardiol. 2020;76(25):2982-3021. doi: 10.1016/j.jacc.2020.11.010. Roth GA Mensah GA Johnson CO Addolorato G Ammirati E Baddour LM et al Global Burden of Cardiovascular Diseases and Risk Factors, 1990-2019: Update from the GBD 2019 Study J Am Coll Cardiol 2020 76 25 2982 3021 10.1016/j.jacc.2020.11.010 3. World Health Organization. Cardiovascular diseases [Internet]. Geneva: World Health Organization; 2024 [cited 2024 Oct 30]. Available from: https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1. World Health Organization Cardiovascular diseases Internet Geneva World Health Organization 2024 cited 2024 Oct 30 https://www.who.int/health-topics/cardiovascular-diseases#tab=tab_1 4. Ference BA, Ginsberg HN, Graham I, Ray KK, Packard CJ, Bruckert E, et al. Low-density Lipoproteins Cause Atherosclerotic Cardiovascular Disease. 1. Evidence from Genetic, Epidemiologic, and Clinical Studies. A Consensus Statement from the European Atherosclerosis Society Consensus Panel. Eur Heart J. 2017;38(32):2459-72. doi: 10.1093/eurheartj/ehx144. Ference BA Ginsberg HN Graham I Ray KK Packard CJ Bruckert E et al Low-density Lipoproteins Cause Atherosclerotic Cardiovascular Disease. 1. Evidence from Genetic, Epidemiologic, and Clinical Studies. A Consensus Statement from the European Atherosclerosis Society Consensus Panel Eur Heart J 2017 38 32 2459 2472 10.1093/eurheartj/ehx144 5. Catapano AL, Graham I, De Backer G, Wiklund O, Chapman MJ, Drexel H, et al. 2016 ESC/EAS Guidelines for the Management of Dyslipidaemias. Eur Heart J. 2016;37(39):2999-3058. doi: 10.1093/eurheartj/ehw272. Catapano AL Graham I De Backer G Wiklund O Chapman MJ Drexel H et al 2016 ESC/EAS Guidelines for the Management of Dyslipidaemias Eur Heart J 2016 37 39 2999 3058 10.1093/eurheartj/ehw272 6. Sandesara PB, Virani SS, Fazio S, Shapiro MD. The Forgotten Lipids: Triglycerides, Remnant Cholesterol, and Atherosclerotic Cardiovascular Disease Risk. Endocr Rev. 2019;40(2):537-57. doi: 10.1210/er.2018-00184. Sandesara PB Virani SS Fazio S Shapiro MD The Forgotten Lipids: Triglycerides, Remnant Cholesterol, and Atherosclerotic Cardiovascular Disease Risk Endocr Rev 2019 40 2 537 557 10.1210/er.2018-00184 7. Holmes MV, Asselbergs FW, Palmer TM, Drenos F, Lanktree MB, Nelson CP, et al. Mendelian Randomization of Blood Lipids for Coronary Heart Disease. Eur Heart J. 2015;36(9):539-50. doi: 10.1093/eurheartj/eht571. Holmes MV Asselbergs FW Palmer TM Drenos F Lanktree MB Nelson CP et al Mendelian Randomization of Blood Lipids for Coronary Heart Disease Eur Heart J 2015 36 9 539 550 10.1093/eurheartj/eht571 8. Di Angelantonio E, Gao P, Pennells L, Kaptoge S, Caslake M, Thompson A, et al. Lipid-related Markers and Cardiovascular Disease Prediction. JAMA. 2012;307(23):2499-506. doi: 10.1001/jama.2012.6571. Di Angelantonio E Gao P Pennells L Kaptoge S Caslake M Thompson A et al Lipid-related Markers and Cardiovascular Disease Prediction JAMA 2012 307 23 2499 2506 10.1001/jama.2012.6571 9. Ivanova EA, Myasoedova VA, Melnichenko AA, Grechko AV, Orekhov AN. Small Dense Low-density Lipoprotein as Biomarker for Atherosclerotic Diseases. Oxid Med Cell Longev. 2017;2017:1273042. doi: 10.1155/2017/1273042. Ivanova EA Myasoedova VA Melnichenko AA Grechko AV Orekhov AN Small Dense Low-density Lipoprotein as Biomarker for Atherosclerotic Diseases Oxid Med Cell Longev 2017 2017 1273042 10.1155/2017/1273042 10. Gerber PA, Thalhammer C, Schmied C, Spring S, Amann-Vesti B, Spinas GA, et al. Small, Dense LDL Particles Predict Changes in Intima Media Thickness and Insulin Resistance in Men with Type 2 Diabetes and Prediabetes--A Prospective Cohort Study. PLoS One. 2013;8(8):e72763. doi: 10.1371/journal.pone.0072763. Gerber PA Thalhammer C Schmied C Spring S Amann-Vesti B Spinas GA et al Small, Dense LDL Particles Predict Changes in Intima Media Thickness and Insulin Resistance in Men with Type 2 Diabetes and Prediabetes--A Prospective Cohort Study PLoS One 2013 8 8 e72763 10.1371/journal.pone.0072763 11. Vekic J, Zeljkovic A, Stefanovic A, Jelic-Ivanovic Z, Spasojevic-Kalimanovska V. Obesity and Dyslipidemia. Metabolism. 2019;92:71-81. doi: 10.1016/j.metabol.2018.11.005. Vekic J Zeljkovic A Stefanovic A Jelic-Ivanovic Z Spasojevic-Kalimanovska V Obesity and Dyslipidemia Metabolism 2019 92 71 81 10.1016/j.metabol.2018.11.005 12. Goldberg R, Temprosa M, Otvos J, Brunzell J, Marcovina S, Mather K, et al. Lifestyle and Metformin Treatment Favorably Influence Lipoprotein Subfraction Distribution in the Diabetes Prevention Program. J Clin Endocrinol Metab. 2013;98(10):3989-98. doi: 10.1210/jc.2013-1452. Goldberg R Temprosa M Otvos J Brunzell J Marcovina S Mather K et al Lifestyle and Metformin Treatment Favorably Influence Lipoprotein Subfraction Distribution in the Diabetes Prevention Program J Clin Endocrinol Metab 2013 98 10 3989 3998 10.1210/jc.2013-1452 13. Higashioka M, Sakata S, Honda T, Hata J, Shibata M, Yoshida D, et al. The Association of Small Dense Low-density Lipoprotein Cholesterol and Coronary Heart Disease in Subjects at High Cardiovascular Risk. J Atheroscler Thromb. 2021;28(1):79-89. doi: 10.5551/jat.55350. Higashioka M Sakata S Honda T Hata J Shibata M Yoshida D et al The Association of Small Dense Low-density Lipoprotein Cholesterol and Coronary Heart Disease in Subjects at High Cardiovascular Risk J Atheroscler Thromb 2021 28 1 79 89 10.5551/jat.55350 14. Hirayama S, Miida T. Small Dense LDL: An Emerging Risk Factor for Cardiovascular Disease. Clin Chim Acta. 2012;414:215-24. doi: 10.1016/j.cca.2012.09.010. Hirayama S Miida T Small Dense LDL: An Emerging Risk Factor for Cardiovascular Disease Clin Chim Acta 2012 414 215 224 10.1016/j.cca.2012.09.010 15. Sampson M, Wolska A, Warnick R, Lucero D, Remaley AT. A New Equation Based on the Standard Lipid Panel for Calculating Small Dense Low-density Lipoprotein-Cholesterol and Its Use as a Risk-enhancer Test. Clin Chem. 2021;67(7):987-97. doi: 10.1093/clinchem/hvab048. Sampson M Wolska A Warnick R Lucero D Remaley AT A New Equation Based on the Standard Lipid Panel for Calculating Small Dense Low-density Lipoprotein-Cholesterol and Its Use as a Risk-enhancer Test Clin Chem 2021 67 7 987 997 10.1093/clinchem/hvab048 16. Oh K, Kim Y, Kweon S, Kim S, Yun S, Park S, et al. Korea National Health and Nutrition Examination Survey, 20th Anniversary: Accomplishments and future Directions. Epidemiol Health. 2021;43:e2021025. doi: 10.4178/epih.e2021025. Oh K Kim Y Kweon S Kim S Yun S Park S et al Korea National Health and Nutrition Examination Survey, 20th Anniversary: Accomplishments and future Directions Epidemiol Health 2021 43 e2021025 10.4178/epih.e2021025 17. Kweon S, Kim Y, Jang MJ, Kim Y, Kim K, Choi S, et al. Data Resource Profile: the Korea National Health and Nutrition Examination Survey (KNHANES). Int J Epidemiol. 2014;43(1):69-77. doi: 10.1093/ije/dyt228. Kweon S Kim Y Jang MJ Kim Y Kim K Choi S et al Data Resource Profile: the Korea National Health and Nutrition Examination Survey (KNHANES) Int J Epidemiol 2014 43 1 69 77 10.1093/ije/dyt228 18. Krauss RM. Lipoprotein Subfractions and Cardiovascular Disease Risk. Curr Opin Lipidol. 2010;21(4):305-11. doi: 10.1097/MOL.0b013e32833b7756. Krauss RM Lipoprotein Subfractions and Cardiovascular Disease Risk Curr Opin Lipidol 2010 21 4 305 311 10.1097/MOL.0b013e32833b7756 19. Rizzo M, Berneis K. The Clinical Relevance of Low-density-lipoproteins Size Modulation by Statins. Cardiovasc Drugs Ther. 2006;20(3):205-17. doi: 10.1007/s10557-006-8283-x. Rizzo M Berneis K The Clinical Relevance of Low-density-lipoproteins Size Modulation by Statins Cardiovasc Drugs Ther 2006 20 3 205 217 10.1007/s10557-006-8283-x 20. Arai H, Kokubo Y, Watanabe M, Sawamura T, Ito Y, Minagawa A, et al. Small Dense Low-density Lipoproteins Cholesterol Can Predict Incident Cardiovascular Disease in an Urban Japanese Cohort: The Suita Study. J Atheroscler Thromb. 2013;20(2):195-203. doi: 10.5551/jat.14936. Arai H Kokubo Y Watanabe M Sawamura T Ito Y Minagawa A et al Small Dense Low-density Lipoproteins Cholesterol Can Predict Incident Cardiovascular Disease in an Urban Japanese Cohort: The Suita Study J Atheroscler Thromb 2013 20 2 195 203 10.5551/jat.14936 21. Packard C, Caslake M, Shepherd J. The Role of Small, Dense Low Density Lipoprotein (LDL): A New Look. Int J Cardiol. 2000;74(Suppl 1):S17-22. doi: 10.1016/s0167-5273(99)00107-2. Packard C Caslake M Shepherd J The Role of Small, Dense Low Density Lipoprotein (LDL): A New Look Int J Cardiol 2000 74 Suppl 1 S17 S22 10.1016/s0167-5273(99)00107-2 22. Higashioka M, Sakata S, Honda T, Hata J, Yoshida D, Hirakawa Y, et al. Small Dense Low-density Lipoprotein Cholesterol and the Risk of Coronary Heart Disease in a Japanese Community. J Atheroscler Thromb. 2020;27(7):669-82. doi: 10.5551/jat.51961. Higashioka M Sakata S Honda T Hata J Yoshida D Hirakawa Y et al Small Dense Low-density Lipoprotein Cholesterol and the Risk of Coronary Heart Disease in a Japanese Community J Atheroscler Thromb 2020 27 7 669 682 10.5551/jat.51961 23. Ito Y, Fujimura M, Ohta M, Hirano T. Development of a Homogeneous Assay for Measurement of Small Dense LDL Cholesterol. Clin Chem. 2011;57(1):57-65. doi: 10.1373/clinchem.2010.149559. Ito Y Fujimura M Ohta M Hirano T Development of a Homogeneous Assay for Measurement of Small Dense LDL Cholesterol Clin Chem 2011 57 1 57 65 10.1373/clinchem.2010.149559 24. Srisawasdi P, Chaloeysup S, Teerajetgul Y, Pocathikorn A, Sukasem C, Vanavanan S, et al. Estimation of plasma Small Dense LDL Cholesterol from Classic Lipid Measures. Am J Clin Pathol. 2011;136(1):20-9. doi: 10.1309/AJCPLHJBGG9L3ILS. Srisawasdi P Chaloeysup S Teerajetgul Y Pocathikorn A Sukasem C Vanavanan S et al Estimation of plasma Small Dense LDL Cholesterol from Classic Lipid Measures Am J Clin Pathol 2011 136 1 20 29 10.1309/AJCPLHJBGG9L3ILS 25. Duran EK, Aday AW, Cook NR, Buring JE, Ridker PM, Pradhan AD. Triglyceride-Rich Lipoprotein Cholesterol, Small Dense LDL Cholesterol, and Incident Cardiovascular Disease. J Am Coll Cardiol. 2020;75(17):2122-35. doi: 10.1016/j.jacc.2020.02.059. Duran EK Aday AW Cook NR Buring JE Ridker PM Pradhan AD Triglyceride-Rich Lipoprotein Cholesterol, Small Dense LDL Cholesterol, and Incident Cardiovascular Disease J Am Coll Cardiol 2020 75 17 2122 2135 10.1016/j.jacc.2020.02.059 26. Zhou P, Liu J, Wang L, Feng W, Cao Z, Wang P, et al. Association of Small Dense Low-density Lipoprotein Cholesterol with Stroke Risk, Severity and Prognosis. J Atheroscler Thromb. 2020;27(12):1310-24. doi: 10.5551/jat.53132. Zhou P Liu J Wang L Feng W Cao Z Wang P et al Association of Small Dense Low-density Lipoprotein Cholesterol with Stroke Risk, Severity and Prognosis J Atheroscler Thromb 2020 27 12 1310 1324 10.5551/jat.53132 27. Tsai MY, Steffen BT, Guan W, McClelland RL, Warnick R, McConnell J, et al. New Automated Assay of Small Dense Low-density Lipoprotein Cholesterol Identifies Risk of Coronary Heart Disease: The Multi-ethnic Study of Atherosclerosis. Arterioscler Thromb Vasc Biol. 2014;34(1):196-201. doi: 10.1161/ATVBAHA.113.302401. Tsai MY Steffen BT Guan W McClelland RL Warnick R McConnell J et al New Automated Assay of Small Dense Low-density Lipoprotein Cholesterol Identifies Risk of Coronary Heart Disease: The Multi-ethnic Study of Atherosclerosis Arterioscler Thromb Vasc Biol 2014 34 1 196 201 10.1161/ATVBAHA.113.302401

Não há vinculação deste estudo a programas de pós-graduação

Este artigo não contém estudos com humanos ou animais realizados por nenhum dos autores.

O presente estudo foi financiado por Chongqing clinical research center for geriatric diseases.

 10.36660/abc.20240265i Original Article Association between Estimated Small Dense Low-Density Lipoprotein-cholesterol (sdLDL-C) and Atherosclerotic Cardiovascular Disease Risk Zhang Shutang Conception and design of the research Writing of the manuscript 1* Du Jinjie Conception and design of the research Writing of the manuscript 1* Wang Peng Acquisition of data and Analysis and interpretation of the data 1 Lei Min Acquisition of data and Analysis and interpretation of the data 1 Zhong Canye Acquisition of data and Analysis and interpretation of the data 1 Ou Yang Acquisition of data and Analysis and interpretation of the data 1 0009-0004-9382-0389 Sun Zhen Conception and design of the research Critical revision of the manuscript for content 1 China Chongqing University Fuling Hospital, Chongqing Clinical Research Center for Geriatric Diseases – Geriatrics, Chongqing – China : Zhen Sun Chongqing University Fuling Hospital, Chongqing Clinical Research Center for Geriatric Diseases – Geriatrics - No.2, Gaosuntang Road, Fuling District Chongqing 408000 - China E-mail: sunzhenflh@outlook.com

No potential conflict of interest relevant to this article was reported.

: Association between Estimated Small Dense Low-Density Lipoprotein-cholesterol (sdLDL-C) and Atherosclerotic Cardiovascular Disease Risk

Abstract Background

A new formula for estimating small, dense, low-density lipoprotein cholesterol (sdLDL-C) based on the results of the standard lipid panel is proposed.

 Objectives

To assess the association between estimated sdLDL-C (EsdLDL-C) and atherosclerotic cardiovascular disease (ASCVD) risk.

 Methods

A total of 12,192 participants from the Korea National Health and Nutrition Examination Survey (KNHANES) database between 2010 and 2020 were included in this cross-sectional study. EsdLDL-C was calculated as EsdLDL-C= LDL-C - [1.43 × LDL-C - (0.14 × (ln (TG) × LDL-C)) - 8.99]. Logistic regression analyses were utilized to assess the association between EsdLDL-C and ASCVD risk. Subgroup analyses were performed based on age, body mass index (BMI), hypertension, and diabetes. An odds ratio (OR) with a 95% confidence interval (CI) was used for evaluation. P<0.05 was considered statistically significant.

 Results

Among 12,192 participants, 1,239 (10.16%) had ASCVD. The mean sdLDL-C of participants was estimated to be 42.43±14.75 mg/dL using the formula. Elevated EsdLDL-C levels (OR=1.33; 95%CI, 1.06-1.66) were associated with an increased risk of ASCVD. Subgroup analyses found that there may be an interaction between EsdLDL-C (Pinteraction= 0.001) or non-HDL-C (Pinteraction= 0.015) and hypertension on ASCVD risk.

 Conclusions

Elevated estimated sdLDL-C levels were associated with the risk of ASCVD, and estimated sdLDL-C might be an alternative to sdLDL-C measurement for ASCVD risk assessment.

 Lipoproteins Atherosclerosis Risk Factors Introduction

Atherosclerotic cardiovascular disease (ASCVD) is an insidious, chronic disease that usually processes to an advanced stage when symptoms appear.1 The most frequent diseases of ASCVD are coronary heart disease and stroke, which are the leading causes of death.2 The World Health Organization reported that ASCVD has become the leading cause of death globally, claiming approximately 17.9 million lives each year.1 Identifying and monitoring biomarkers associated with ASCVD plays an important role in its primary and secondary prevention.

Increased low-density lipoprotein cholesterol (LDL-C) is a key causal factor in the development and progression of ASCVD.3,4 Previous studies have demonstrated that individuals with low LDL-C levels have a lower incidence of ASCVD than those with high LDL-C levels.5-7 LDL is composed of several subclasses of particles with different sizes and densities, including large buoyant (lb) and intermediate and small dense (sd) LDLs.8 However, sdLDL may be a better biomarker than other subtypes for ASCVD risk in different LDL subtypes.9,10 sdLDL was reported to be associated with a variety of diseases, including metabolic disorders, obesity, and type 2 diabetes, and is considered a risk factor for coronary heart disease.11-13 Therefore, the measurement of sdLDL-C levels is of great significance in monitoring ASCVD risk. Traditional methods of measuring sdLDL-C relied on complex ultracentrifugation or gradient gel electrophoresis.14 The special equipment required for measurement and long assay time limited the clinical application of sdLDL measurement. Sampson et al. developed a new equation for estimating sdLDL-C based on the results of the standard lipid panel with a determination coefficient of 0.745.15 However, their formula was only established in the American population, and the adaptation and estimated effect in other populations remains unclear.

Herein, we hypothesized that Sampson et al.’s formula for estimating sdLDL was also applicable to other populations and was associated with ASCVD risk. Data from the Korea National Health and Nutrition Examination Survey (KNHANES) database were used to assess the association between sdLDL and ASCVD risk.

 Methods Data acquisition and participants

Data used in the cross-sectional study were extracted from the KNHANES database between 2010 and 2020.16 KNHANES database is a national surveillance system to assess the health and nutritional status of Koreans by collecting information on socioeconomic status, health-related behaviors, quality of life, healthcare utilization, anthropometric measurements, and biochemical and clinical profiles of non-communicable diseases.17 KNHANES is a nationally representative cross-sectional survey conducted annually, each survey year including a new sample of approximately 10,000 people aged 1 year and older. The survey consists of three parts: health interview, health examination, and nutrition survey. The health interview and health examination are conducted in a mobile examination center by trained medical staff and interviewers. One week after the health examination, dietitians went to the participants’ homes for a nutritional survey. Participants aged more than 18 and with complete cholesterol information were included. Participants were excluded based on the following criteria: (1) with abnormal BMI values (BMI >40kg/m2); (2) with missing information on glycated hemoglobin (HbA1c); (3) with missing information on stroke or ischemic heart disease. Protocols of KNHANES were approved by the Korea Centers for Disease Control and Prevention (KCDC). All data used in this study are anonymized in the KNHANES database and did not involve human interventions. Therefore, this study did not require additional Institutional Review Board approval.

 Data collection

Demographic and biochemical indicators of participants include age (≥18 years), gender (male and female), body mass index (BMI), income level [quartiles (Q1, Q2, Q3, Q4), and unknown], education level (seodang/hanhak, uneducated, elementary school, middle school, and unknown), drinking alcohol (yes, no, and unknown), smoking (yes and no), lipid-lowering drug (yes, no, and unknown), hypertension (yes, no, and unknown), diabetes (yes, no, and unknown), creatinine, blood urea nitrogen (BUN), HbA1c, LDL-C, high-density lipoprotein (HDL-C), non-HDL-C, triglyceride (TG), total cholesterol (TC), and estimated sdLDL-C (EsdLDL-C) were collected. Non-HDL-C was calculated as non-HDL-C = TC - HDL-C. All lipid levels were measured by direct blood sampling by a nurse in the context of participants having eaten dinner the previous day.

 Definition and measurement ASCVD

ASCVD events include myocardial infarction, angina, percutaneous coronary intervention, coronary artery bypass graft, congestive heart failure, peripheral vascular disease, stroke, and transient ischemic attack. Due to limitations of the KNHANES database, ASCVD events included ischemic heart disease, myocardial infarction, angina pectoris, and stroke. In the KNHANES database, ischemic heart disease was determined by the question, “Have you ever been diagnosed with myocardial infarction or angina by your doctor?”. Therefore, ASCVD events in this study included only ischemic heart disease and stroke.

 sdLDL-C

sdLDL-C was calculated from Sampson et al.15. The relevant formulas were as follows:

lbLDL-C = 1.43 × LDL-C − ( 0.14 × ( ln ⁡ ( T G ) × LDL-C ) ) − 8.99 sdLDL-C = LDL-C − IbLDL-C Statistical analysis

Continuous variables were tested for normality using the skewness and kurtosis method, and the Levene test was used to test the homogeneity of variance. Normally distributed continuous variables were described by mean and standard deviation (SD). Comparison between groups of continuous variables with homogeneous variances was performed using unpaired Student’s t-test, and continuous variables with heteroscedasticity were performed using Satterthwaite t-test. Non-normally distributed continuous variables were described by median and quartile [M (Q1, Q3)], and the Wilcoxon rank sum test was used for inter-group comparisons. Categorical variables were presented by numbers and the constituent ratio [n (%)], and the comparison between groups was performed using the Chi-square test or Fisher exact test.

A difference analysis between the characteristics of participants with and without ASCVD was performed. Variables with p < 0.05 in the difference analysis were screened by bidirectional stepwise regression, and the final screened variables were adjusted in multivariable logistic regression analysis. Univariable and multivariable logistic regression analyses were used to assess the association of EsdLDL-C, non-HDL-C, HDL-C, LDL-C, TG, and TC with the risk of ASCVD, stroke, and ischemic heart disease. The associations were expressed as odds ratio (OR) with 95% confidence interval (CI). The area under the receiver operating characteristic curve (AUC) was used to evaluate the ability of EsdLDL-C, non-HDL-C, HDL-C, LDL-C, TG, and TC to predict the risk of ASCVD, and the DeLong test was used to compare the differences in AUC between these indicators. Subgroup analysis was conducted based on age (<65 and ≥65), BMI (<24.44 and ≥24.44 kg/m2), hypertension (no and yes), and diabetes (no and yes). Statistical analyses were performed by SAS 9.4 software (SAS Institute Inc., Cary, NC, USA) and R 4.0.3 software (Institute for Statistics and Mathematics, Vienna, Austria). P<0.05 was considered statistically significant.

 Results Characteristics of participants

A total of 80,086 participants were extracted from the KNHANES database between 2010 and 2020. There were 72,268 participants excluded, including 16,843 participants less than 18 years, 47,968 participants with missing TC, TG, HDL, LDL data, 69 participants with abnormal BMI (BMI ≥ 40 kg/m2), 1,391 participants with missing information on stroke or ischemic heart disease, and 1,623 participants with missing HbA1c data (Figure 1). A total of 12,192 participants with complete data were included in this study, of whom 1,239 (10.16%) had ASCVD (Table 1). The detailed characteristics of participants are shown in Table 1.

– Flowchart of included subjects. KNHANES, the Korea National Health and Nutrition Examination Survey. TC: total cholesterol; TG: triglyceride; HDL: high-density lipoprotein; LDL: low-density lipoprotein; BMI: body mass index; HbA1c: glycated hemoglobin; ASCVD: atherosclerotic cardiovascular disease.

– Characteristics of all participants
Variables Total (N=12192) Non-ASCVD (N=10953) ASCVD (N=1239) p
Age, years, Mean (± SD) 50.02 (±15.28) 49.87 (±15.57) 51.39 (±12.34) <0.001
Sex, n (%) 0.015
Male 6504 (53.35) 5802 (52.97) 702 (56.66)
Female 5688 (46.65) 5151 (47.03) 537 (43.34)
BMI, Mean (± SD) 24.64 (±3.47) 24.61 (±3.48) 24.94 (±3.41) 0.001
Income, n (%) 0.485
Q1 3043 (24.96) 2754 (25.14) 289 (23.33)
Q2 3084 (25.30) 2767 (25.26) 317 (25.59)
Q3 3012 (24.70) 2705 (24.70) 307 (24.78)
Q4 2971 (24.37) 2651 (24.20) 320 (25.83)
Unknown 82 (0.67) 76 (0.69) 6 (0.48)
Education, n (%) <0.001
Seodang/hanhak 2180 (17.88) 1998 (18.24) 182 (14.69)
Uneducated 1246 (10.22) 1124 (10.26) 122 (9.85)
Elementary school 4004 (32.84) 3588 (32.76) 416 (33.58)
Middle school 3965 (32.52) 3508 (32.03) 457 (36.88)
Unknown 797 (6.54) 735 (6.71) 62 (5.00)
Drinking, n (%) 0.191
No 1199 (9.83) 1088 (9.93) 111 (8.96)
Yes 10630 (87.19) 9531 (87.02) 1099 (88.70)
Unknown 363 (2.98) 334 (3.05) 29 (2.34)
Smoking, n (%) 0.088
No 8819 (72.33) 7945 (72.54) 874 (70.54)
Yes 2994 (24.56) 2661 (24.29) 333 (26.88)
Unknown 379 (3.11) 347 (3.17) 32 (2.58)
Lipid-lowering drugs, n (%) <0.001
No 8627 (70.76) 7807 (71.28) 820 (66.18)
Yes 2668 (21.88) 2324 (21.22) 344 (27.76)
Unknown 897 (7.36) 822 (7.50) 75 (6.05)
Hypertension, n (%) <0.001
No 9267 (76.01) 8620 (78.70) 647 (52.22)
Yes 2381 (19.53) 1832 (16.73) 549 (44.31)
Unknown 544 (4.46) 501 (4.57) 43 (3.47)
Diabetes, n (%) <0.001
No 10424 (85.50) 9408 (85.89) 1016 (82.00)
Yes 1148 (9.42) 979 (8.94) 169 (13.64)
Unknown 620 (5.09) 566 (5.17) 54 (4.36)
Creatinine, mg/dL, M (Q1, Q3) 0.83 (0.70, 0.96) 0.83 (0.70, 0.96) 0.85 (0.72, 0.98) 0.001
BUN, mg/dL, M (Q1, Q3) 14.00 (12.00, 17.00) 14.00 (12.00, 17.00) 14.00 (12.00, 17.00) 0.203
HbA1c, %, M (Q1, Q3) 5.60 (5.40, 6.00) 5.60 (5.30, 6.00) 5.70 (5.40, 6.10) <0.001
Non-HDL-C, mg/dL, Mean (± SD) 150.83 (±39.38) 150.46 (±39.14) 154.05 (±41.26) 0.002
Esb-LDL-C, mg/dL, Mean (± SD) 42.43 (±14.75) 42.27 (±14.71) 43.88 (±15.02) <0.001
LDL-C, mg/dL, Mean (± SD) 115.12 (±33.43) 114.91 (±33.32) 116.97 (±34.35) 0.040
TG, mg/dL, M (Q1, Q3) 205.00 (101.00, 267.00) 204.00 (101.00, 267.00) 211.00 (110.50, 272.00) 0.003
TC, mg/dL, Mean (± SD) 197.93 (±38.83) 197.66 (±38.56) 200.33 (±41.07) 0.021
HDL-C, mg/dL, Mean (± SD) 47.10 (±12.29) 47.19 (±12.35) 46.29 (±11.71) 0.010

ASCVD: atherosclerotic cardiovascular disease; BMI: body mass index; quartiles, Q1, Q2, Q3, Q4; BUN: blood urea nitrogen; HbA1c: glycated hemoglobin; HDL-C: high-density lipoprotein; LDL-C: low-density lipoprotein cholesterol; TG: triglyceride; TC: total cholesterol; Esd-LDL-C: estimated small dense low-density lipoprotein.

Statistical differences between participants with and without ASCVD were observed in age, sex, BMI, education level, lipid-lowering drug, hypertension, diabetes, creatinine, HbA1c, non-HDL-C, LDL-C, HDL-C, TG, TC, and EsdLDL-C (Table 1).

 Relationship between EsdLDL-C and ASCVD risk

Table 2 shows the association of EsdLDL-C, non-HDL-C, HDL-C, LDL-C, TG, and TC with the risk of ASCVD, stroke, and ischemic heart disease. Elevated EsdLDL-C, non-HDL-C, and TG levels were associated with an increased ASCVD risk, whereas elevated HDL-C levels reduced the risk of ASCVD. In addition, elevated EsdLDL-C, non-HDL-C, and TG levels were related to a higher risk of ischemic heart disease, but no relationship was observed between EsdLDL-C, non-HDL-C, HDL-C, LDL-C, TG, and TC and stroke risk. In addition, the DeLong test indicated that the ability of EsdLDL-C to predict ASCVD risk was slightly better than that of TC (AUC: 0.527 vs. 0.515; p=0.039), but no significant differences were found when compared to other indicators.

– Relationship between lipids and atherosclerotic cardiovascular disease (ASCVD) risk
Outcomes Variables Model 1 Model 2
OR (95% CI) p OR (95% CI) p
ASCVD Non-HDL-C 1.63 (1.23-2.18) 0.001 1.46 (1.08-1.98) 0.014
Esb-LDL-C 1.43 (1.16-1.77) 0.001 1.33 (1.06-1.66) 0.012
LDL-C 1.15 (0.89-1.49) 0.284 1.13 (0.88-1.46) 0.348
TG 1.17 (1.05-1.30) 0.004 1.14 (1.01-1.28) 0.030
TC 1.62 (1.10-2.39) 0.015 1.47 (0.98-2.19) 0.060
HDL-C 0.62 (0.47-0.81) <0.001 0.72 (0.55-0.95) 0.019
Stroke Non-HDL-C 1.49 (1.06-2.10) 0.021 1.23 (0.85-1.78) 0.264
Esb-LDL-C 1.35 (1.05-1.74) 0.019 1.19 (0.90-1.56) 0.213
LDL-C 1.11 (0.82-1.51) 0.492 1.09 (0.81-1.47) 0.569
TG 1.08 (0.97-1.21) 0.160 1.02 (0.90-1.15) 0.733
TC 1.41 (0.89-2.26) 0.147 1.20 (0.74-1.95) 0.459
HDL-C 0.59 (0.43-0.82) 0.001 0.77 (0.56-1.07) 0.120
Ischemic heart disease Non-HDL-C 1.79 (1.15-2.81) 0.011 1.77 (1.09-2.87) 0.021
Esb-LDL-C 1.56 (1.14-2.13) 0.005 1.51 (1.08-2.11) 0.017
LDL-C 1.23 (0.81-1.86) 0.333 1.16 (0.76-1.77) 0.506
TG 1.26 (1.07-1.49) 0.005 1.25 (1.05-1.49) 0.012
TC 1.91 (1.04-3.51) 0.038 1.86 (0.99-3.49) 0.054
HDL-C 0.67 (0.45-1.01) 0.057 0.71 (0.45-1.12) 0.143

OR: odds ratio; CI: confidence interval; HDL-C: high-density lipoprotein; LDL-C: low-density lipoprotein cholesterol; TG: triglyceride; TC: total cholesterol; Esd-LDL-C: estimated small dense low-density lipoprotein; Model 1, univariable logistic regression model; Model 2, multivariable logistic regression model that adjusts for (1) age, creatinine, and HbA1c (analysis for ASCVD); (2) age, BUN, and HbA1c (analysis for stroke); (3) age and BMI (analysis for ischemic heart disease).

Subgroup analyses were performed to assess the relationship between EsdLDL-C and non-HDL-C and ASCVD risk in different populations based on age, BMI, hypertension, and diabetes (Figure 2). Elevated EsdLDL-C levels were related to an increased risk of ASCVD in participants aged <65, with a BMI <24.44 kg/m2, and without hypertension or diabetes. Similarly, elevated non-HDL-C levels increased the risk of ASCVD in participants aged <65, with a BMI <24.44 kg/m2, and without hypertension or diabetes. There may be an interaction between EsdLDL-C or non-HDL-C and hypertension on ASCVD risk.

– Relationship between EsdLDL-C and non-HDL and ASCVD risk in different populations. Esd-LDL-C: estimated small dense low-density lipoprotein; HDL: high-density lipoprotein; ASCVD: atherosclerotic cardiovascular disease; BMI: body mass index.

Discussion

In this study, we used data from the KNHANES database to assess the relationship between estimated sdLDL-C levels and the risk of ASCVD. The results found that elevated EsdLDL-C levels were associated with an increased ASCVD risk. Subgroup analyses showed that there may be an interaction between EsdLDL-C or non-HDL-C and hypertension on ASCVD risk.

Several studies have documented that elevated sdLDL-C level was associated with cardiovascular disease risk.18-20 Atherosclerosis caused by sdLDL is related to specific biochemical and biophysical properties of sdLDL particles.9 The small size of sdLDL allows their penetration into the arterial wall and serves as a source of cholesterol and lipid storage. sdLDL circulates longer than those large LDL particles that are cleared from the bloodstream by interacting with LDL receptors, which increases the atherogenic potential of sdLDL in plasma.21 A recent study indicated that sdLDL-C level was a better biomarker for the assessment of coronary heart disease than LDL-C level.22 The measurement of sdLDL-C has received attention due to its role in predicting ASCVD. Traditional methods of measuring sdLDL-C rely on additional laboratory testing, such as ultracentrifugation or gradient gel electrophoresis, which are equipment-specific or time-consuming.14 Ito et al. developed a new laboratory detection technique for sdLDL-C levels, which uses an automatic analyzer for detection and saves detection time.23 Some studies proposed to use sdLDL-C-related biochemical indicators such as LDL-C and TG to develop a formula to estimate sdLDL-C to reduce additional laboratory testing.15,24

Sampson et al. provided a new formula to estimate serum sdLDL-C levels.15 Their sdLDL-C estimating formula used LDL-C and TG levels to calculate sdLDL-C levels and did not require any additional laboratory testing beyond the standard lipid panel. The two main terms in the formula are (1.43× LDL-C ) and (0.14×(ln⁡(TG)× LDL-C )). The term (1.43× LDL-C ) illustrates that individuals with high LDL-C levels may have more lbLDL. The term (0.14×(ln(TG)× LDL-C) ) is the interaction term between LDL-C and TG, which represents a higher cholesterol ratio between sdLDL and lbLDL with the increase of TG.15 The current study validated the applicability of their formula by using data from other populations. Our results showed that sdLDL-C values calculated by the formula were associated with the ASCVD risk in the Korean population. Subgroup analyses found that the relationship between increased sdLDL-C level and ASCVD risk was observed in participants aged <65 years, with a BMI <24.44 kg/m2, and without hypertension or diabetes. However, only an interaction between EsdLDL-C and hypertension on ASCVD risk was found, suggesting that the results regarding sdLDL-C and ASCVD risk in age, BMI, and diabetes subgroups need to be interpreted with caution. The association between Esd-LDL and ASCVD risk in our study was consistent with previous studies.25,26 We also analyzed the association of non-HDL-C, HDL-C, LDL-C, TG, and TC with the risk of ASCVD, stroke, and ischemic heart disease. In addition, our results found that the ability of EsdLDL-C to predict ASCVD risk was slightly better than that of non-HDL-C, HDL-C, LDL-C, TG, and TC. Previous studies also suggested that sdLDL-C was more strongly associated with ASCVD risk than LDL-C.9,22,27 These results suggest that estimated sdLDL-C is similarly associated with ASCVD risk. For complex laboratory testing of sdLDL-C levels, estimated sdLDL-C may be an alternative to laboratory testing of sdLDL-C for ASCVD risk assessment, which not only avoids the complex tests of sdLDL-C but also allows for the rapid estimation of sdLDL-C levels based on the standard lipid panel.

A new formula for estimating sdLDL-C was validated based on the KNHANES database data. We analyzed the association between sdLDL-C and LDL-C and ASCVD risk. Then, the relationship between sdLDL-C and LDL-C and ASCVD risk was further analyzed based on age, BMI, hypertension, and diabetes. However, some limitations of this study should be considered. First, the formula was based on fasted individuals, and its accuracy in non-fasted individuals should also be verified. Second, we cannot compare the difference between the calculated sdLDL-C value using the formula and the true sdLDL-C value due to the lack of sdLDL-C data in the KNHANES database. Third, although we considered the interference of many confounders, there were still some confounders that may affect the results that were not regarded, such as dietary habits, physical activity levels, or family history of CVD. Fourth, this study was a cross-sectional study, and it was not possible to analyze ASCVD based on the duration of patient exposure to sdLDL-C.

 Conclusions

A recently proposed formula for estimating sdLDL-C was validated based on other populations. The results indicated that elevated EsdLDL-C levels were associated with an increased ASCVD risk. Subgroup analyses found that elevated sdLDL-C levels were related to an increased risk of ASCVD in participants aged <65 years, with a BMI <24.44 kg/m2, and without hypertension or diabetes. Estimated sdLDL-C might be an alternative to sdLDL-C measurement for ASCVD risk assessment.

This study is not associated with any thesis or dissertation work.

This article does not contain any studies with human participants or animals performed by any of the authors.

This study was partially funded by Chongqing clinical research center for geriatric diseases.