👉本研究为正常及血压升高人群分别构建三组逻辑回归模型，模型1未调整，模型2调整年龄等5项因素，模型3进一步纳入SBP、居住区等多变量。结果显示，两组AIP均为高血压发生独立风险因子（均P<0.001），正常血压组OR值依次为2.01、2.23、1.84，血压升高组为1.84、1.81、1.88；AIP四分位数分析中Q3、Q4组与高血压发生相关（均P<0.05），详见图2。
图2展示了两组的回归模型。
总结：
AIP是两类血压人群高血压发生的独立风险因子，经多变量调整后关联仍显著，高AIP四分位数组风险更高。
👉本研究采用多变量调整的受限三次样条模型，证实AIP与高血压发生率在总人群（P非线性=0.001）、正常血压组（P非线性=0.031）及血压升高组（P非线性=0.008）均呈非线性关系（见图3）。阈值效应分析显示，AIP存在阈值−0.43（似然检验P=0.017），低于该值无关联，高于则呈正相关（OR=2.35，95%CI 1.91–2.88，P<0.001），详见表3。
图3，受限三次样条模型。
表3 使用两段逻辑回归分析AIP对高血压的阈值效应分析
总结：
AIP与高血压发生率呈非线性关联且存在阈值−0.43，高于该值AIP与高血压发生正相关，关联具统计学意义。
👉本研究通过ROC曲线分析评估AIP对高血压的预测能力，将其与TG、HDL-C单一指标对比，Delong检验显示AIP预测效能更优（见表4、图4）。同时比较三组逻辑回归模型的ROC曲线（见图5），结果表明纳入更多临床因素后模型预测能力显著提升，其中调整最全面的模型3表现最佳。
图4，接受者作特征分析
图5，接受者工作特征分析比较三种逻辑回归模型的预测能力
总结：
AIP预测高血压的能力优于TG、HDL-C单一指标，纳入多临床因素的模型3预测效能达到最优。
👉本研究针对正常及血压升高人群，按性别、年龄、BMI等多变量分组进行亚组分析。结果显示，正常血压组中年龄与AIP存在显著交互作用（P交互=0.008），45-60岁人群OR值为2.55（95%CI 1.99-3.28），AIP预测效果更强；60岁以上人群OR为1.45，影响较弱（见图6）。血压升高组各亚组无显著交互作用（均P>0.05），具体关联见图7。
图6，对血压正常个体进行了亚组分析
总结：
正常血压组中年龄与AIP存在交互作用，45-60岁人群AIP预测高血压效果最优，血压升高组无显著交互作用。
👉为降低自我报告数据带来的偏倚，本研究采用更严格的纳入标准筛选研究对象，重新纳入人群的特征详见补充材料1。基于新人群重建受限三次样条模型，结果显示AIP与高血压发生率的非线性关系依然存在，在整体人群（见图8a）及正常血压个体（见图8b）中均稳定呈现，进一步验证了核心结果的可靠性。
图8，基于血压测量定义的人群重新建立了受限立方样条模型。
总结：
正常血压组中年龄与AIP存在交互作用，45-60岁人群AIP预测高血压效果最优，血压升高组无显著交互作用。
依托全国性CHARLS队列9年随访数据，首次在正常及升高血压分层人群中，证实AIP与高血压发生的非线性关联及−0.43的阈值效应。
明确AIP预测效能优于TG、HDL-C单一指标，且在45-60岁正常血压人群中价值最优，为精准风险分层提供新依据，填补分层研究缺口。
高血压诊断依赖自我报告数据，可能存在信息偏倚，虽经敏感性分析验证仍无法完全规避。
样本仅限中国45岁及以上人群，结果外推至其他人群需谨慎。未纳入遗传背景、体育活动等潜在混杂因素，且缺乏降脂、降压药物使用信息，可能影响关联准确性。
