华人学者NHANES用上中介分析，发了10分！
⭕️文献标题
Associations between serum micronutrients and all-cause, cancer, and cardiovascular mortality in a national representative population: Mediated by inflammatory biomarkers
（血清微量营养素与全因、癌症及心血管死亡率的关联：炎症生物标志物的中介作用）
⭕️研究背景
癌症和心血管疾病是全球主要死因，慢性炎症是二者共有的关键病理机制。尽管既往研究提示微量营养素（如维生素C、维生素D、β-胡萝卜素等）可能通过抗炎作用降低死亡风险，但结果不一致，且机制不明确。本研究基于美国NHANES大样本数据，首次系统探讨血清微量营养素与死亡率的关系，并解析炎症标志物（CRP、白细胞计数）的中介效应。
⭕️统计过程
数据来源：NHANES 2001-2006及2017-2018数据，纳入11,539名≥40岁成年人，平均随访10.5年。
分析方法：
Cox比例风险模型：评估微量营养素与死亡率的关联（分位数分析）。
中介分析（R包mediation）：量化炎症标志物（CRP、WBC）的中介效应。
限制性立方样条：探索非线性剂量反应关系。
多变量调整：年龄、性别、BMI、吸烟、饮酒、慢性病史等。
⭕️关键结果
死亡风险降低：
维生素C、25(OH)D、β-胡萝卜素、番茄红素的血清水平越高，全因、癌症及心血管死亡率越低（如25(OH)D最高四分位组HR=0.66）。
炎症介导效应：
CRP介导了5.3%-20.4%的关联（如维生素C与全因死亡率中CRP介导17.5%）。
非线性关系：
维生素D、β-胡萝卜素与死亡率呈L型关联，叶酸与心血管死亡率呈U型关联。
⭕️简要结论
高血清维生素C、D、β-胡萝卜素和番茄红素可通过抑制炎症（如降低CRP）显著降低全因、癌症及心血管死亡风险，为膳食干预提供新证据！
思维分享 💡
大样本+长期随访：NHANES数据的代表性是研究可靠性的基石，适合探索慢性病风险因素。
中介分析提升机制深度：从“是否相关”到“为何相关”，中介模型为机制假说提供统计支持。
非线性关系是亮点：传统线性假设可能掩盖阈值或U型效应，限制性立方样条让结果更贴近生物学真实。
多维度控制混杂：调整吸烟、慢性病等变量，避免“伪关联”，增强结果说服力。
1. 数据来源与收集
- 数据来源：研究数据来源于美国国家健康与营养调查（NHANES）2001–2006 年和 2017–2018 年的周期数据。这些周期的数据同时包含了研究所需的血清微量营养素和炎症生物标志物的信息。
- 样本选择：研究纳入了年龄≥40 岁的参与者，共 11,539 人。研究排除了以下人群：年龄小于 40 岁、怀孕、缺少体重数据或协变量数据、随访时间少于 1 个月的个体。
- 数据收集内容：
- 人口统计学信息：包括年龄、性别、种族/民族等。
- 生活方式因素：如 BMI、教育水平、吸烟状况、饮酒状况等。
- 病史：包括癌症、高血压、糖尿病、心力衰竭、冠心病、心绞痛、心肌梗死和中风等。
- 实验室检测：血清微量营养素（如维生素C、25(OH)D、α-生育酚、β-胡萝卜素、番茄红素、叶酸和铁）和炎症生物标志物（C 反应蛋白 CRP 和白细胞计数 WBC）的水平。
2. 数据处理与定义
- 变量处理：血清微量营养素和炎症生物标志物均经过对数转换，以近似正态分布。
- 结局变量定义：
- 全因死亡率：指任何原因导致的死亡。
- 癌症死亡率：指因癌症导致的死亡。
- 心血管死亡率：指因心脏病和脑血管病导致的死亡。
- 随访时间计算：从参与者在移动检查中心的检查日期到死亡日期或 2019 年 12 月 31 日（以较早者为准）。
3. 统计分析方法
3.1 描述性统计分析
- 样本特征描述：使用加权均值±标准误（SE）描述连续变量，使用加权比例描述分类变量。通过加权 ANOVA 和加权 Rao-Scott 卡方检验比较不同 CRP 四分位数组间的差异。
3.2 相关性分析
- 微量营养素与炎症生物标志物的相关性：使用 %SURVEYCORRCOV SAS 逐行计算血清微量营养素与炎症生物标志物之间的皮尔逊相关系数。
- 线性回归分析：评估血清微量营养素与炎症生物标志物之间的线性关联。
- 逻辑回归分析：评估血清微量营养素水平与 CRP 水平（≥3 mg/L）之间的关系，将微量营养素分为四分位数，以最低四分位数为参考组。
3.3 Cox 比例风险回归分析
- 目的：评估血清微量营养素和炎症生物标志物与全因、癌症和心血管死亡率之间的关系。
- 模型构建：将血清微量营养素和炎症生物标志物分为四分位数，以最低四分位数为参考组。模型调整了年龄、性别、种族、BMI、教育水平、吸烟状况、饮酒状况和病史等混杂因素。
- 趋势检验：通过将每个四分位数的中位值作为连续变量纳入模型，检验血清微量营养素和炎症生物标志物与死亡率之间的线性趋势。
- 非线性剂量反应关系分析：使用限制性立方样条函数（三个节点分别位于第 5 百分位、第 50 百分位和第 95 百分位）评估非线性关系。
3.4 中介效应分析
- 目的：评估炎症生物标志物（CRP 和 WBC）在血清微量营养素与死亡率之间关系的中介作用。
- 方法：使用 R 包 mediation 进行中介效应分析，计算中介效应的比例（通过间接效应估计值除以总效应估计值得出）。
- 判断标准：显著的间接效应、显著的总效应以及中介效应比例表明存在中介效应。
3.5 敏感性分析
- 目的：通过排除随访时间少于 2 年的参与者，探索可能的逆向因果关系。
- 方法：重复上述分析流程，验证结果的稳健性。
4. 结果呈现
- 描述性统计结果：展示了不同 CRP 四分位数组间的人口统计学特征、生活方式因素、病史和血清微量营养素水平的差异。
- 相关性分析结果：血清微量营养素与炎症生物标志物之间的相关系数，以及逻辑回归分析中血清微量营养素水平与 CRP 水平的关联。
- Cox 回归分析结果：血清微量营养素和炎症生物标志物与全因、癌症和心血管死亡率之间的风险比（HR）及其 95% 置信区间（CI），并展示了线性和非线性剂量反应关系。
- 中介效应分析结果：炎症生物标志物在血清微量营养素与死亡率之间关系中的中介效应比例。
- 敏感性分析结果：排除短期随访参与者后，主要结果保持不变，验证了分析结果的稳健性。
