1区4.9分！恭喜首都儿科研究所用CHARLS数据库发表不良童年经历与心理健康文章~

一、文章内容解读

研究背景

研究主题：本研究旨在探讨中国成年人中不良童年经历（Adverse Childhood Experiences, ACEs）与心理健康状况之间的关联。

研究意义：心理健康状况在全球范围内普遍存在，且其发展因素尚未完全明了。了解ACEs与心理健康状况的关联对于早期识别风险个体具有重要价值。

研究方法

数据来源：研究基于中国健康和退休纵向研究（CHARLS）的数据，该研究是一项全国性调查，涉及17,708名45岁及以上的中国居民。

参与者信息：最终分析包括10,961名具有完整心理健康结果数据的参与者。

指标计算：根据ACE国际问卷，从CHARLS中提取了20个ACE指标，分为六类，并生成总分，范围从0到20。

统计分析和方法：使用χ2检验或Fisher精确检验进行分类数据的组间比较。采用单变量和多变量逻辑回归分析评估ACEs与心理健康状况之间的关联，并调整混杂因素。使用限制性立方样条方法检验剂量-反应关联，并进行分层分析、E值评估以及中介分析。

研究结果

基线表：

总体关联:

研究显示，每增加一个ACE得分，心理健康状况的风险增加1.163倍（模型3的OR值为1.163，95% CI为1.134至1.193）。具体来说，有1至3个ACE事件的参与者心理健康状况的风险增加了20.7%（OR: 1.207，95% CI: 0.711至2.049），而有4个或更多ACE事件的参与者风险增加了102.7%（OR: 2.027，95% CI: 1.196至3.436）。

ACEs与心理健康状况之间的剂量-反应关系。随着ACEs数量的增加，心理健康状况的风险逐渐增加，且在ACEs数量为4时达到最佳事件数。

分层分析：

根据居住地、婚姻状况、个人资产、生活满意度和生活水平等因素进行的分层分析显示，不同亚组之间存在差异性关联。例如，在农村居住的参与者中，ACEs与心理健康状况的关联更为显著（连续ACEs的OR: 1.175，95% CI: 1.146至1.205；分类ACEs的OR: 1.669，95% CI: 1.521至1.831），而在城市居住的参与者中这种关联不显著（连续ACEs的OR: 0.999，分类ACEs的OR: 0.81）。

未测量混杂因素的评估：

E值评估表明，对于有4个或更多ACE事件的参与者，E值为2.35，意味着如果存在未测量的混杂因素，其效应大小（OR）至少需要达到2.35才能解释ACEs与心理健康状况之间的关联。

中介分析：

睡眠时长在ACEs与心理健康状况之间的中介效应显著，对于连续ACEs，中介效应消除了5.1%的风险（P < 0.001），对于分类ACEs，消除了6.1%的风险（P < 0.001）。

结论

研究发现：四个或更多ACE事件可以预测心理健康状况的显著风险，尤其是在更好的工作和生活条件下的参与者中，ACEs与心理健康状况的发生无关。

临床意义：基于ACEs的心理健康疾病筛查和监测应成为中国公共健康的优先事项，以减少相关的发病率和死亡率。

二、统计学知识点梳理

分类数据的组间比较：使用χ2检验或Fisher精确检验对分类数据进行组间比较。

逻辑回归分析：单变量和多变量逻辑回归分析用于评估ACEs与心理健康状况之间的关联，并逐步调整混杂因素。

剂量-反应关联：使用限制性立方样条方法检验ACEs得分与心理健康状况风险之间的趋势。

分层分析：根据年龄、性别、居住地等因素进行分层，以评估不同亚组中ACEs与心理健康状况的关联。

E值评估：使用E值评估未测量混杂因素对观察到的关联可能产生的影响。

中介分析：使用准贝叶斯蒙特卡洛方法进行中介分析，测试ACEs与心理健康状况关联的中介效应。

三、如何快速开展这类研究

第一步：明确研究主题

确定研究旨在探讨的主要问题，例如ACEs与成年人心理健康状况之间的关联。

第二步：设计研究方案

制定研究框架，包括研究假设、研究设计和预期结果。

第三步：参与者选择

确定研究的样本量和选择标准，例如年龄、性别和地理位置等。

第四步：计算和定义变量

确定并定义研究中使用的主要变量，如ACEs指标和心理健康状况的评估工具。

第五步：数据分析方法

选择合适的统计方法，如逻辑回归、剂量-反应分析和中介分析等。

第六步：结果解读

对分析结果进行解释，包括关联的强度、方向和统计显著性。

第七步：撰写研究报告

根据研究结果撰写报告，包括研究背景、方法、结果和结论，并讨论其临床意义。