目的基于美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)数据库构建新生物年龄模型,并评估模型对死亡结局的预测作用。方法纳入NHANES 2007-2010年,年龄在20~79岁的参与者作为测试集,排除怀孕女性...目的基于美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)数据库构建新生物年龄模型,并评估模型对死亡结局的预测作用。方法纳入NHANES 2007-2010年,年龄在20~79岁的参与者作为测试集,排除怀孕女性及临床资料不完整者,共计8234名。另采用NHANESⅢ中18~79岁非怀孕的17522名参与者作为训练集,用于构建新生物年龄模型。通过多重线性回归构建新生物年龄和新年龄校正生物年龄模型,并计算其他种类生物年龄。Pearson相关分析评估生物年龄与实际年龄相关性。基于新年龄校正生物年龄模型计算生物年龄加速,根据生物年龄加速将参与者分为生物衰老加速组(生物年龄加速≥0,n=3884)和生物衰老延缓组(生物年龄加速<0,n=4350)。使用R软件survey包进行加权数据比较,Cox回归分析生物年龄加速对参与者死亡的影响。受试者特征曲线(ROC)计算新年龄校正生物年龄和生物年龄加速对参与者死亡受试者特征曲线下面积(AUC)的影响。结果由9个变量构成的新年龄校正生物年龄模型对死亡结局具有最大AUC(AUC=0.8892,P<0.001),且与实际年龄及其他生物年龄具有较高相关性。与生物衰老加速组相比,生物衰老延缓组男性、白种人、高中及以上教育程度、中高水平家庭收入、已婚(或有伴侣)、体育运动强度、私人保险及癌症人群比例显著升高(P<0.05);而BMI、生物年龄加速水平以及吸烟者、高血压、糖尿病、心血管疾病和慢性阻塞性肺疾病比例显著降低(P<0.05)。Cox回归提示,与生物衰老延缓组比较,生物衰老加速组在Model3[调整年龄分组、性别、种族、BMI、教育程度、家庭收入、已婚(或有伴侣)、吸烟状态、重度饮酒、保险状况、体育运动、高血压、糖尿病、心血管疾病、慢性阻塞性肺疾病与癌症]中死亡风险显著增加(HR=1.62,95%CI:1.28-2.06,P<0.001)。ROC结果显示,新年龄校正生物年龄模型显著增加中、老年人群AUC值(AUC=0.781,P<0.001;AUC=0.731,P<0.001),而生物年龄加速显著提高中年人群AUC值(AUC=0.756,P<0.001)。结论新年龄校正生物年龄模型与实际年龄及其他生物年龄具有较高相关性,且对死亡结局具有较好的预测作用,尤其适用于中老年人群。展开更多
目的调查双能X线吸收测量仪(dual-energy X-ray absorptiometry,DXA)机器参考数据库使用现状及选用不同数据库对DXA骨密度(bone mineral density,BMD)T值的影响。方法收集全国139家医院DXA机器的骨密度报告,记录每家医院使用的DXA品牌...目的调查双能X线吸收测量仪(dual-energy X-ray absorptiometry,DXA)机器参考数据库使用现状及选用不同数据库对DXA骨密度(bone mineral density,BMD)T值的影响。方法收集全国139家医院DXA机器的骨密度报告,记录每家医院使用的DXA品牌及选用的参考数据库。其中48家医院在各种临床研究中,采用欧洲脊柱体模(European spine phantom,ESP)进行DXA质控扫描,即ESP重复扫描10次,打印BMD结果。记录所选用参数数据库和T值,并对数据进行统计学分析。结果139台DXA,74家(53.24%)使用GE,57家(41.01%)使用Hologic,另有8家(5.76%)使用Medilink。72台DXA(51.80%)采用中国参考数据库;66台DXA(47.48%)采用美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)白种人数据库;另有1台采用亚洲人数据库。同一个ESP在48台DXA行BMD重复扫描研究中,采用中国人数据库平均T值为0.2(0,0.3)SD,采用NHANES数据库平均T值为-0.6(-0.9,-0.56)SD,两者相差0.8 SD,差异有统计学意义(P<0.001)。结论本研究发现DXA骨密度采用中国人数据库和美国人数据库计算所得T值平均相差0.8 SD,这个差异会影响骨质疏松症的诊断和检出率,建议使用DXA应该遵循我国骨质疏松症诊疗指南采用中国人数据库计算T值。展开更多
目的:使用公共数据分析双上肢握力与全身总骨密度的相关性。方法:在美国国家健康和营养检查调查(national health and nutrition examination surveys,NHANES)数据库2011~2012,2013~2014年2个周期中,提取含有握力、骨密度及多个潜在混...目的:使用公共数据分析双上肢握力与全身总骨密度的相关性。方法:在美国国家健康和营养检查调查(national health and nutrition examination surveys,NHANES)数据库2011~2012,2013~2014年2个周期中,提取含有握力、骨密度及多个潜在混杂因素的5148例参与者,加权后计算基线水平。使用R语言survey包进行多元线性回归分析握力与骨密度的关系,随后对性别、年龄及体质指数(body mass index,BMI)进一步做分层分析。使用rcssci包进行曲线拟合分析二者的曲线关系。结果:共5148例参与者(男性2493例,女性2655例)被纳入研究。总体握力为(77.48±0.40)kg,男性(93.98±0.45)kg,女性(59.71±0.24)kg;左上肢握力总体(37.75±0.21)kg,女性(28.89±0.12)kg,男性(45.98±0.24)kg;总体右上肢握力(39.73±0.20)kg,女性(30.83±0.13)kg,男性(48.00±0.23)kg;总体左侧握力BMI 46.87±0.33,男性53.65±0.46,女性39.56±0.26;总体右侧握力BMI 49.37±0.33,男性56.01±0.47,女性42.21±0.26;总体平均握力指数48.12±0.33,男性54.83±0.46,女性40.89±0.26,总体骨密度水平为(1.11±0.00)g/cm^(2),男性(1.15±0.00)g/cm^(2),女性(1.08±0.00)g/cm^(2)。排除了混杂因素后,握力与总骨密度显示出明显正相关(P<0.0001)。此外,年龄与骨密度呈现负相关,而非西班牙裔黑人种族(墨西哥裔为参照),大学毕业及以上(高中未毕业为参照)、身高、BMI则与骨密度呈正相关。分层分析结果显示年龄、性别及BMI都与骨密度存在交互作用。曲线拟合结果显示,握力与骨密度仅存在线性关系(P<0.001),但握力指数(左侧为主)与骨密度存在着L型的曲线关系。随着握力及握力指数的增强,骨密度分别以线性及L型曲线(随握力指数增长,骨密度增长变缓)的方式相应增加,其变化范围达到0.1 g/cm^(2)。结论:双上肢握力水平及握力指数(左侧为主)与骨密度呈正相关,骨密度与握力呈线性关系,与握力指数呈L型曲线关联。本研究结果进一步支持了握力水平与骨密度之间的相关性,并为了解握力对骨密度的影响提供了重要的实证数据,对于进一步研究骨密度的调节机制以及预防和治疗骨质疏松症具有重要意义。展开更多
文摘目的基于美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)数据库构建新生物年龄模型,并评估模型对死亡结局的预测作用。方法纳入NHANES 2007-2010年,年龄在20~79岁的参与者作为测试集,排除怀孕女性及临床资料不完整者,共计8234名。另采用NHANESⅢ中18~79岁非怀孕的17522名参与者作为训练集,用于构建新生物年龄模型。通过多重线性回归构建新生物年龄和新年龄校正生物年龄模型,并计算其他种类生物年龄。Pearson相关分析评估生物年龄与实际年龄相关性。基于新年龄校正生物年龄模型计算生物年龄加速,根据生物年龄加速将参与者分为生物衰老加速组(生物年龄加速≥0,n=3884)和生物衰老延缓组(生物年龄加速<0,n=4350)。使用R软件survey包进行加权数据比较,Cox回归分析生物年龄加速对参与者死亡的影响。受试者特征曲线(ROC)计算新年龄校正生物年龄和生物年龄加速对参与者死亡受试者特征曲线下面积(AUC)的影响。结果由9个变量构成的新年龄校正生物年龄模型对死亡结局具有最大AUC(AUC=0.8892,P<0.001),且与实际年龄及其他生物年龄具有较高相关性。与生物衰老加速组相比,生物衰老延缓组男性、白种人、高中及以上教育程度、中高水平家庭收入、已婚(或有伴侣)、体育运动强度、私人保险及癌症人群比例显著升高(P<0.05);而BMI、生物年龄加速水平以及吸烟者、高血压、糖尿病、心血管疾病和慢性阻塞性肺疾病比例显著降低(P<0.05)。Cox回归提示,与生物衰老延缓组比较,生物衰老加速组在Model3[调整年龄分组、性别、种族、BMI、教育程度、家庭收入、已婚(或有伴侣)、吸烟状态、重度饮酒、保险状况、体育运动、高血压、糖尿病、心血管疾病、慢性阻塞性肺疾病与癌症]中死亡风险显著增加(HR=1.62,95%CI:1.28-2.06,P<0.001)。ROC结果显示,新年龄校正生物年龄模型显著增加中、老年人群AUC值(AUC=0.781,P<0.001;AUC=0.731,P<0.001),而生物年龄加速显著提高中年人群AUC值(AUC=0.756,P<0.001)。结论新年龄校正生物年龄模型与实际年龄及其他生物年龄具有较高相关性,且对死亡结局具有较好的预测作用,尤其适用于中老年人群。
文摘目的调查双能X线吸收测量仪(dual-energy X-ray absorptiometry,DXA)机器参考数据库使用现状及选用不同数据库对DXA骨密度(bone mineral density,BMD)T值的影响。方法收集全国139家医院DXA机器的骨密度报告,记录每家医院使用的DXA品牌及选用的参考数据库。其中48家医院在各种临床研究中,采用欧洲脊柱体模(European spine phantom,ESP)进行DXA质控扫描,即ESP重复扫描10次,打印BMD结果。记录所选用参数数据库和T值,并对数据进行统计学分析。结果139台DXA,74家(53.24%)使用GE,57家(41.01%)使用Hologic,另有8家(5.76%)使用Medilink。72台DXA(51.80%)采用中国参考数据库;66台DXA(47.48%)采用美国国家健康与营养调查(National Health and Nutrition Examination Survey,NHANES)白种人数据库;另有1台采用亚洲人数据库。同一个ESP在48台DXA行BMD重复扫描研究中,采用中国人数据库平均T值为0.2(0,0.3)SD,采用NHANES数据库平均T值为-0.6(-0.9,-0.56)SD,两者相差0.8 SD,差异有统计学意义(P<0.001)。结论本研究发现DXA骨密度采用中国人数据库和美国人数据库计算所得T值平均相差0.8 SD,这个差异会影响骨质疏松症的诊断和检出率,建议使用DXA应该遵循我国骨质疏松症诊疗指南采用中国人数据库计算T值。
文摘目的:全球冠心病(coronary artery heart disease,CHD)发病率居高不下,给公共卫生系统带来了极大的负担和挑战。有效预防和早期诊断CHD成为减轻这一负担的关键策略。本研究致力于探索运用先进的机器学习技术来提高CHD早期筛查和风险评估的准确性。方法:纳入美国国家卫生和营养调查(National Health and Nutrition Examination Survey,NHANES)数据库1999至2018年49490名研究对象,将数据集按7꞉3划分为训练集和测试集。以研究对象是否被告知患有CHD为因变量(输出变量),并以此为依据分为CHD组和非CHD组。通过查阅CHD相关危险因素的文献,最终纳入68个自变量。分析研究对象的变量特征,并比较其在CHD组与非CHD组之间差异。采用机器学习算法随机森林(randomForest_4.7-1.1)和XGBoost(xgboost_1.7.7.1)进行变量选择。综合分析这2种算法识别出的重要性排名前10的变量,选取这2个算法共同认定的变量。使用广义线性模型来分析变量与CHD之间的关系,采用经典的逻辑回归构建CHD风险预测模型。使用受试者操作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估模型在区分CHD和非CHD个体方面的能力;采用Hosmer-Lemeshow拟合优度检验进行校准测量,评估预测值与实际CHD比例之间的一致性;应用决策曲线评估模型风险预测的临床益处;采用诺谟图直观展示最终模型风险评分。结果:总人群的年龄为(49.53±18.31)岁,男性占51.8%。与非CHD组相比,CHD组患者的年龄较大[(69.05±11.32)岁vs(48.67±18.07)岁,P<0.001],女性比例更高(67.1%vs 47.4%,P<0.001),且在体重指数、收缩压、舒张压和吸烟等经典心血管危险因素上的差异均有统计学意义(均P<0.001)。此外,CHD组与非CHD组在能量摄入量、维生素E、维生素K、钙、磷、镁、锌、铜、钠、钾、硒等非经典心血管影响因素上的差异也均有统计学意义(均P<0.05)。最终确定了6个与CHD发生最相关的关键变量。并构建CHD风险预测模型如下:logit(p)=−7.783+0.074×年龄+0.003×肌酐−0.003×血小板+0.257×糖化血糖蛋白+0.003×尿酸+0.101×红细胞体积分布宽度变异系数。模型在预测CHD方面表现出优异的判别能力,其准确度为0.712,AUC值为0.841。校准曲线显示在训练集和测试集中,预测概率与实际值之间有良好的一致性,表明模型稳定、可靠。决策曲线表明该模型在不同阈值概率范围内提供了净效益,支持其在临床决策中的应用潜力。结论:本研究利用机器学习技术识别可能的CHD风险因素,并成功开发了一个简洁且实用的临床预测模型。未来需要进一步前瞻性临床队列研究验证其在临床应用中的潜力,使其能够在实际医疗环境中提供有效的心血管疾病预防和干预策略。
文摘目的:使用公共数据分析双上肢握力与全身总骨密度的相关性。方法:在美国国家健康和营养检查调查(national health and nutrition examination surveys,NHANES)数据库2011~2012,2013~2014年2个周期中,提取含有握力、骨密度及多个潜在混杂因素的5148例参与者,加权后计算基线水平。使用R语言survey包进行多元线性回归分析握力与骨密度的关系,随后对性别、年龄及体质指数(body mass index,BMI)进一步做分层分析。使用rcssci包进行曲线拟合分析二者的曲线关系。结果:共5148例参与者(男性2493例,女性2655例)被纳入研究。总体握力为(77.48±0.40)kg,男性(93.98±0.45)kg,女性(59.71±0.24)kg;左上肢握力总体(37.75±0.21)kg,女性(28.89±0.12)kg,男性(45.98±0.24)kg;总体右上肢握力(39.73±0.20)kg,女性(30.83±0.13)kg,男性(48.00±0.23)kg;总体左侧握力BMI 46.87±0.33,男性53.65±0.46,女性39.56±0.26;总体右侧握力BMI 49.37±0.33,男性56.01±0.47,女性42.21±0.26;总体平均握力指数48.12±0.33,男性54.83±0.46,女性40.89±0.26,总体骨密度水平为(1.11±0.00)g/cm^(2),男性(1.15±0.00)g/cm^(2),女性(1.08±0.00)g/cm^(2)。排除了混杂因素后,握力与总骨密度显示出明显正相关(P<0.0001)。此外,年龄与骨密度呈现负相关,而非西班牙裔黑人种族(墨西哥裔为参照),大学毕业及以上(高中未毕业为参照)、身高、BMI则与骨密度呈正相关。分层分析结果显示年龄、性别及BMI都与骨密度存在交互作用。曲线拟合结果显示,握力与骨密度仅存在线性关系(P<0.001),但握力指数(左侧为主)与骨密度存在着L型的曲线关系。随着握力及握力指数的增强,骨密度分别以线性及L型曲线(随握力指数增长,骨密度增长变缓)的方式相应增加,其变化范围达到0.1 g/cm^(2)。结论:双上肢握力水平及握力指数(左侧为主)与骨密度呈正相关,骨密度与握力呈线性关系,与握力指数呈L型曲线关联。本研究结果进一步支持了握力水平与骨密度之间的相关性,并为了解握力对骨密度的影响提供了重要的实证数据,对于进一步研究骨密度的调节机制以及预防和治疗骨质疏松症具有重要意义。
