忍不住想夸的横断面研究❗分析太全面了！

哈喽，这里是小光，继续带着大家读值得读的临床研究文献。

最近我读了一篇横断面研究文章，题为《Sleep and CKD in Chinese Adults: A Cross-Sectional Study》。

虽然文章一开始看起来平淡无奇，但仔细阅读后发现其中有很多值得学习和借鉴的地方。

横断面研究具有研究周期短、数据收集方便等优势，非常适合科研初学者入手。但由于其研究证据级别较低，难以发表高分期刊。那么这篇文章为什么能够发表在高分期刊呢？

这篇文章研究的内容是在中国成年人中探讨睡眠和慢性肾病之间的关系，通过PICOS原则可以初步了解研究的大概内容。如果你也有横断面数据需要分析，那么阅读本文将会给你提供一些启示。

横断面研究不一定非要单独开展，也可以利用队列研究中的横断面数据。

在收集数据时，暴露因素尽可能从多维度进行评估，这样在分析时会比较充分。

结局变量若为是否患病，不仅可以从患病状态来进行分析，还可以定义患病前高危人群，以及从生化指标的角度来进行分析。

使用趋势性检验，将连续性变量转换为分类变量，更容易出阳性结果。

做些补充分析放在论文的附表里，使文章更有说服力。

感兴趣的同学可以下载原文来阅读！！值得精读！！

最后，如果你想高效发表一篇医学SCI，不做实验，不收集数据，墙裂建议你了解了解挖掘临床公共数据库，用别人的数据发自己的文章，真的是一个性价比很高的发文方式。

像SEER、NHANES、MIMIC、GBD这些数据库，有海量数据可供选择，总有一个适合你的科室！

最近我读了一篇横断面研究文章，题为《Sleep and CKD in Chinese Adults: A Cross-Sectional Study》。

虽然文章一开始看起来平淡无奇，但仔细阅读后发现其中有很多值得学习和借鉴的地方。

这篇文章研究的内容是在中国成年人中探讨睡眠和慢性肾病之间的关系，通过PICOS原则可以初步了解研究的大概内容。如果你也有横断面数据需要分析，那么阅读本文将会给你提供一些启示。

文章的亮点可以归纳如下：

数据来源于队列研究中的横断面数据。
对于暴露因素分析维度比较全面。
对于结局变量人群划分精细。
使用了趋势性检验。

研究方法

数据来源

这项研究的数据来源于开滦队列中的横断面数据，纳入人群是队列中2012年在开滦医院接受检查的受试者，排除信息收集不完全的受试者，本横断面研究一共纳入了11040人。

暴露

这项研究中的暴露因素睡眠质量是从多个方面进行评估的，并且将总的评分再划分为分类变量来分析。

文章中的具体描述如下：暴露因素睡眠包含失眠、白天嗜睡、睡眠时间和打鼾，每个方面单独评分，最后结合四个睡眠参数计算总体睡眠质量评分，并根据评分划分睡眠质量等级。

这对于我们开展横断面研究提供了很好的借鉴思路，如果我们要研究X与Y之间的关系，对于X的评估尽可能的全面，可以从多维度进行评分，并将总分连续性变量转变为有序分类变量，能够加强变量关系的解释性，在本文中可以更好的反应不同睡眠质量与CKD之间的关系。

结局

在对结局指标的定义部分，也有两点是值得我们去学习的：

1. 对于疾病的诊断要基于权威的指南或专家共识。

本研究中结合eGRF和尿蛋白两个指标，根据《改善全球肾脏病预后》对诊断标准来定义CKD。

2. 对结局指标的深入挖掘。

除了定义CKD人群外，本文还定义了CKD高危人群和极高危人群，可以更加深入地分析研究人群的特征和影响因素，更好地了解慢性肾病患者的睡眠问题，以及不同人群之间的差异。

数据分析

表1 根据eGRF和尿蛋白水平分组的人群基线特征描述

表1展示了CKD人群和非CKD人群的基线特征，并对两组之间进行了比较。表1的分析很常规，在横断面研究中大部分文章的表1都是以是否发生结局Y来分组，展示两组人群的基线特征并进行比较。

表2 睡眠质量与CKD、高危和极高危人群的OR值、95%CI

接着作者做了睡眠参数与CKD和CKD高危、极高危人群的回归分析，表2展示了两个模型，分别是调整了年龄、性别以及调整了所有协变量的模型OR值和95%CI。

可以看到表2中有一行是P trend，意思是回归模型用了趋势性检验，这也是本文章的一大亮点。

什么是趋势性检验呢？
简单来说，趋势性检验是在回归模型中，将连续变量转换为有序分类变量，用于检验两个分类变量之间是否存在一定的变化趋势。在本研究中，将连续型变量睡眠评分划分为3组，在构建Logistic回归模型时，以总的睡眠评分小于3分（最差睡眠质量组）作为参照组，其余两组作为哑变量进入回归模型。

以总的睡眠评分与是否CKD高危和极高危的回归分析结果为例，从表中结果可以看到，睡眠评分为“3-5分”（较差睡眠质量组）和“>5分”组（最差睡眠质量组）全调整模型的OR值分别为1.35（1.001.81）和2.69（1.305.59），说明相对于睡眠质量好的人群，睡眠质量最差的人群存在CKD高风险或非常高风险的可能性增加1.69倍。

表3 睡眠质量与蛋白尿人群的OR值、95%CI

与表2的分析思路相同，将睡眠质量总评分与蛋白尿做回归分析，并做趋势性检验。

表4 睡眠质量与平均eGRF、95%CI

将睡眠质量总评分与eGFR水平做回归分析，并做趋势性检验。

细心的读者会从表3、4发现，这两步分析只是换了一个Y，分别是CKD诊断的两个实验室检查指标。通过对结局指标更全面的分析，会让论文更加的饱满。

到这里可能大多数读者都会认为这篇文章的分析已经结束了，但是这是一篇高分文章，除了上述亮点之外，这篇文章还有一个彩蛋，在分析结果部分最后还有一段话：

“In the sensitivity analyses… P interaction >0.05 for all.”

意思是还做了补充分析，分别是敏感性分析和交互作用检验，更进一步的验证了这篇文章的主要结论。

所以总体来说这篇文章的分析是非常全面和深入的，能给我们在做横断面研究设计和数据分析时非常多的启发。

最后总结下启示：

横断面研究不一定非要单独开展，也可以利用队列研究中的横断面数据。
在收集数据时，暴露因素尽可能从多维度进行评估，这样在分析时会比较充分。
结局变量若为是否患病，不仅可以从患病状态来进行分析，还可以定义患病前高危人群，以及从生化指标的角度来进行分析；
使用趋势性检验，将连续性变量转换为分类变量，更容易出阳性结果。
做些补充分析放在论文的附表里，使文章更有说服力。