1区8.5分！协和用Charls数据库发表胰岛素抵抗热门指标相关文章
一、文章内容解读
1. 研究背景
研究主题：本研究旨在探讨胰岛素抵抗（IR）对非糖尿病患者心血管疾病（CVD）发生风险的影响，并以估算葡萄糖处理速率（eGDR）作为IR的可靠替代标记。
研究意义：鉴于IR与CVD之间的联系尚不完全清楚，且大多数现有证据来自糖尿病患者研究，可能高估了eGDR对CVD的影响，本研究聚焦于非糖尿病患者，以填补知识空白。
2. 研究方法
数据来源：数据来自中国健康和退休纵向研究（CHARLS），包括45岁及以上的中国居民。
参与者信息：共纳入5512名无CVD和糖尿病的参与者，根据eGDR的四分位数进行分组。
指标计算：eGDR的计算公式为 eGDR (mg/kg/min) = 21.158 − (0.09 × WC) − (3.407 × 高血压) − (0.551 × HbA1c)。
统计分析和方法：
连续变量以均值±标准差或中位数（四分位数范围）表示。
使用方差分析和Kruskal-Wallis H检验进行基线数据比较。
使用卡方检验确定分类变量的差异。
通过中位数值进行趋势检验。
使用多重插补方法处理缺失值。
Kaplan-Meier曲线展示CVD的累积发病率。
使用Cox比例风险模型估计eGDR与CVD之间的风险比（HR）和95%置信区间（CI）。
通过限制立方样条（RCS）基于Cox回归模型检验eGDR与CVD发生之间的剂量-反应关系。
使用受试者工作特征曲线评估eGDR对CVD发生的预测价值。
3.研究结果
参与者特征：研究共纳入5512名参与者，平均年龄58.2岁，其中54.1%为女性。随着eGDR的增加，平均年龄、女性比例、收缩压、舒张压、BMI、腰围、血红蛋白、HbA1c、TC、TG、LDL、UA和hsCRP水平以及肥胖比例均有所下降（P < 0.001）。然而，eGDR水平较高的个体更倾向于居住在农村和南部地区，并且有更多的当前吸烟者。饮酒比例在eGDR的Q4中最高（42.7%）。
eGDR与CVD的关联：在79.4个月的中位随访期间，共记录了1213例CVD事件，包括927例心脏病和391例中风。不同eGDR四分位数组的CVD发病率分别为Q1: 46.3、Q2: 36.6、Q3: 26.8和Q4: 24.1每1000人年。限制立方样条（RCS）曲线显示eGDR与CVD、心脏病和中风的发生率之间存在显著的线性关系（所有P值<0.001，非线性P值>0.05）。
经过多变量调整后，每增加1.0-SD的eGDR与CVD风险降低17%（HR: 0.83, 95% CI: 0.78 − 0.89）相关，心脏病风险降低13%（HR: 0.87, 95% CI: 0.81 − 0.94），中风风险降低30%（HR: 0.70, 95% CI: 0.63 − 0.78）。
Kaplan-Meier生存曲线：Kaplan-Meier生存曲线显示，eGDR较高的个体CVD、心脏病和中风的累积发病率较低。与eGDR的第一四分位数（Q1）相比，第二至第四四分位数（Q2-Q4）的调整后HRs（95% CIs）分别为：CVD的0.88（0.76 − 1.02）、0.69（0.58 − 0.82）和0.66（0.56 − 0.79）；心脏病的0.94（0.80 − 1.12）、0.75（0.62 − 0.92）和0.74（0.60 − 0.90）；中风的0.69（0.53 − 0.88）、0.52（0.39 − 0.70）和0.42（0.30 − 0.58）。
肥胖的中介作用：在中介分析中，肥胖在eGDR与CVD、心脏病和中风的关系中起到了显著的中介作用。在未调整模型中，肥胖解释了eGDR与CVD和中风关系的8.1%和11.4%。在完全调整的模型中，通过肥胖介导的比例分别为CVD的14.0%和心脏病的17.6%。
亚组分析：在亚组分析中，eGDR与CVD之间的关系在大多数亚组中与主要结果一致。只有吸烟亚组修改了eGDR对CVD预测性能的影响（P交互作用=0.012）。
敏感性分析：在敏感性分析中，当只包括正常血糖状态的个体时，结果没有实质性变化。当使用重新定义的高血压（≥130/80 mm Hg）重新计算eGDR时，结果也相似。在排除了在第二次调查中或之前发生CVD的参与者后，结果保持一致。在排除了根据FBG和HbA1c定义的糖尿病患者后，结果基本没有变化。
eGDR在CVD预测中的增量预测性能：在模型3的基础上，构建了基本模型（包括年龄、性别、农村居住、婚姻状况、教育、吸烟、饮酒状态、地区、TC、HDL、TG、LDL、BUN、UA、hsCRP、血红蛋白、慢性肾病和肥胖）。添加eGDR显著优化了基本模型对CVD（C统计量：0.671 vs. 0.608, P < 0.001）、心脏病（C统计量：0.671 vs. 0.611, P < 0.001）和中风（C统计量：0.685 vs. 0.620, P < 0.001）的预测能力。此外，所有CVD、心脏病和中风的NRI和IDI均显著（所有P < 0.001）。
这些详细的结果表明，eGDR是一个强有力的CVD预测因子，尤其是在非糖尿病人群中，较低的eGDR水平与未来CVD风险增加相关。此外，将eGDR纳入基本风险模型可以显著提高CVD的预测性能。
4. 结论
研究发现：较低的eGDR水平与非糖尿病患者中CVD发生风险增加相关。
临床意义：eGDR可以作为CVD的一个有前景的预测和干预目标。
二、统计学知识点梳理
数据正态性检验：使用方差分析（ANOVA）和Kruskal-Wallis H检验来确定数据是否符合正态分布。
基线数据比较：对连续变量和分类变量分别使用ANOVA和卡方检验进行比较。
趋势检验：使用四分位数的中位数值进行趋势检验。
多重插补：用于处理缺失值，提高数据分析的完整性。
生存分析：使用Kaplan-Meier曲线展示累积发病率，并使用log-rank测试比较差异。
Cox比例风险模型：用于估计风险比（HR）和95%置信区间（CI），评估eGDR与CVD之间的关系。
限制立方样条（RCS）：用于检验eGDR与CVD发生之间的非线性剂量-反应关系。
受试者工作特征曲线（ROC）：评估eGDR对CVD发生的预测价值，使用C统计量进行量化。
净重新分类改善（NRI）和综合判别改善（IDI）：用于评估模型添加eGDR后的预测能力改善。
三、如何快速开展这类研究
第一步：明确研究主题
确定研究问题，例如探讨非糖尿病患者中eGDR与CVD风险的关系。
第二步：设计研究方案
确定研究设计，如纵向队列研究，并定义研究的纳入和排除标准。
第三步：参与者选择
根据研究设计选择符合条件的参与者，并收集基线数据。
第四步：计算和定义变量
定义并计算主要的暴露变量（如eGDR）和结果变量（如CVD事件）。
第五步：数据分析方法
选择合适的统计方法，如生存分析和Cox回归模型，进行数据分析。
第六步：结果解读
解释统计分析结果，包括风险比、置信区间和P值。
第七步：撰写研究报告
根据研究结果撰写研究报告，包括背景、方法、结果和结论，并讨论其临床意义。
