杭州学者，CHARLS+HRS发了中科院1区！
浙大医学院等研究者近日在8.5分公共数据库神刊《Cardiovascular Diabetology》发了篇研究，小编拆解给大家食用！
⭕️研究设计
⭕️关键结果
eGDR越高，衰弱进展越慢：与eGDR最低组（T1）相比，最高组（T3）的FI年增幅显著降低（CHARLS：β=-0.294；HRS：β=-0.378）。每增加1个标准差eGDR，FI进展减缓0.14-0.17分（P<0.001）。
糖尿病与非糖尿病人群一致：无论是否患糖尿病，eGDR与衰弱进展的负相关均显著（尤其CHARLS队列）。
排除基线衰弱后结果仍稳健：提示eGDR可能延缓从健康到衰弱的转变。
💡数据选择亮点
👉双队列验证增强普适性
同时纳入 中国CHARLS 和 美国HRS 两大前瞻性队列，覆盖东西方不同种族、文化背景的中老年人群，减少单一队列的地域偏倚，验证结果的跨人群一致性。
延伸思考：队列选择时需关注“外部效度”，避免结论仅适用于特定人群。
👉大样本长期随访数据
总样本量近1.5万人，平均随访4-8年，提供充足统计效力（Power）捕捉衰弱进展的细微变化，降低II类错误风险。
关键点：长期追踪数据更适合研究“进展性结局”（如衰弱指数累积）。
👉基线数据清洗严谨
排除基线已存在严重衰弱或关键变量缺失的个体，减少“疾病-暴露”反向因果干扰（如衰弱可能影响血糖控制）。
💡统计分析亮点
混合效应模型处理重复测量
采用线性混合效应模型（LMM），同时纳入固定效应（eGDR、年龄、性别等）和随机效应（个体间差异），更精准捕捉eGDR对衰弱进展的 纵向影响。
对比传统方法：优于单纯线性回归（忽略个体内多次测量相关性）。
分层分析与交互作用检验
按糖尿病状态分层分析，并通过交互项检验（eGDR×糖尿病）验证结果异质性，明确eGDR的作用是否因糖尿病存在差异。
统计逻辑：避免将异质人群混为一谈，提高结论针对性。
多维度敏感性分析
排除基线衰弱个体、调整不同高血压定义（如是否包含服药史）、控制更多混杂因素（教育水平、吸烟等），验证结果的稳健性。
启示：敏感性分析是观察性研究排除混杂干扰的核心手段。
临床意义量化与阈值探索
报告eGDR每增加1个SD（标准差）对应的FI变化值（β=-0.14~-0.17），量化临床意义；通过三分位分组（T1-T3）探索“阈值效应”，为干预目标提供参考。
1. 数据来源
研究使用了两个前瞻性队列研究的数据：中国健康与养老追踪调查（CHARLS）和健康与退休研究（HRS），数据收集过程如下：
- CHARLS：使用2011年（基线）至2018年（第3轮）数据，以前12为访查线。
- HRS：使用2006年（基线）至2020年数据，以8波访查线。
数据包括中国和美国人口的样本特征、生活方式因素、临床健康测量（如腰围、糖化血红蛋白A1c、血压等）以及用于评估胰岛素敏感性的健康指标。
2. 研究人群的选择
- 初始样本：CHARLS纳入17,139名参与者，HRS纳入17,938名参与者。
- eGDR的计算样本：
- 计算估算葡萄糖处置率（eGDR）的数据（共19,266人）。
- 评估基础健康指数（FI）数据的参与者（共8,271人）。
- 逐步排除有关键数据缺失的样本（共799人）。
- 最终样本：CHARLS纳入8,872名参与者，HRS纳入5,864名参与者，用于分析eGDR与基础健康指数的关系。
3. eGDR的计算
eGDR 通过以下公式计算：
eGDR (mg/kg/min) = 21.158 – (0.09×腰围) – (3.407×高血压) – (0.551×糖化血红蛋白 A1c)
其中：
- 腰围以厘米（cm）为单位。
- 高血压（是=1，无=0）。
- 糖化血红蛋白 A1c 以百分比表示。
- eGDR按三分位值分组（T1: 最低三分位；T2: 中间三分位；T3: 最高三分位）。
4. 基础健康指数（FI）的评估
- FI定义：基础健康指数（FI）是基于年龄相关健康缺陷定义的。
- 包含内容：疾病诊断、症状、身体功能、残疾、知觉和认知障碍等。
- 计算方法：FI按变量数计算，所有变量数共计100个计算单位，范围为0到1.00，数值越高表示健康程度越差。
- FI在CHARLS数据集中选取25项，在HRS数据集中选取30项。
5. 协变量选择与处理
- 人口统计学变量：年龄、性别、教育水平、婚姻状况、饮酒状况、体力活动、BMI、总胆固醇（TC）和C反应蛋白（CRP）。
- 生活方式因素：吸烟状态、饮酒频率。
- 健康状况：糖尿病、高血压、心血管疾病、中风、肾病、关节炎等。
- eGDR 变量以三分位值（T1、T2、T3）进行分类。
- FI 变量以5个等级分类（≤0.2、0.21-0.3、0.31-0.4、0.41-0.5、>0.5）。
6. 统计分析方法
6.1 描述性统计
- 对连续变量进行均值（标准差）或中位数（四分位距）的描述。
- 对分类变量进行百分比的描述。
- 采用方差分析（ANOVA）或Kruskal-Wallis 秩检验检验变量差异。
6.2 线性回归与eGDR的关联
- 多变量线性回归分析 eGDR（按三分位和连续变量）与基础健康指数（FI）的关系。
- 校正协变量，包括人口统计学特征、健康状况、饮酒状况、吸烟状况、体力活动、BMI、总胆固醇和C反应蛋白等。
6.3 纵向eGDR变化对FI的影响
- 计算随访期间eGDR的变化（每5年计算一次）。
- 使用混合效应模型评估eGDR与FI随时间的交互作用。
- 使用结构方程模型（SEM） 评估eGDR对FI的直接和间接影响。
- 使用Cholesky分解 研究eGDR与FI的遗传和环境相关性。
- 进行性别分层分析，以评估eGDR变化与FI的关系是否存在性别差异。
- 进行敏感性分析，以排除样本选择偏倚的可能性。
7. 额外敏感性分析
- 采用不同年龄组进行分析：<50岁、50-60岁、≥60岁。
- 分析不同FI分位数的eGDR变化趋势。
- 在CHARLS样本中检验eGDR与基础健康指数的稳健性。
- 在HRS样本中检验eGDR与基础健康指数的跨国比较。
8. 结果解释
- 健康老龄化：通过比较不同 eGDR 之间 FI 评分的不同差距，以及每增加一个 SD 的 eGDR 对 FI 的影响。
- 纵向趋势：分析 eGDR 的时间趋势，观察随时间变化的FI进展速度。
- 跨国比较：比较 CHARLS 和 HRS 样本中 eGDR 与 FI 的关系是否一致。
