阜外学者挖NHANES发了1区

⭕️文献标题

Role of oxidative balance score in staging and mortality risk of cardiovascular-kidney-metabolic syndrome: Insights from traditional and machine learning approaches

⭕️研究背景

心血管-肾脏-代谢综合征（CKM）是一种系统性进展性疾病，涉及肥胖、糖尿病、慢性肾病和心血管疾病的复杂交互。氧化应激是CKM病理机制的核心，但如何量化其整体影响仍不明确。本研究首次引入氧化平衡评分（OBS），结合抗氧化与促氧化因子，探讨其在CKM分期及死亡风险中的作用，并利用机器学习模型优化预测。

⭕️统计过程亮点

数据来源：基于NHANES（1999-2018）的2.1万例样本，通过多重填补处理缺失值。

分析方法：

传统统计：多分类Logistic回归分析OBS与CKM分期的关联；Cox比例风险模型评估OBS对死亡率的影响。

机器学习：LightGBM、随机森林等模型预测CKM分期和死亡率，结合SHAP值解析特征重要性。

中介分析：验证OBS在炎症指数（SII）、健康评分（LS7）与死亡率间的中介效应。

⭕️关键结果

低OBS=高风险：

OBS最低四分位（Q1）患者的全因死亡风险比Q4高31%（HR=1.31），心血管死亡风险高44%。

OBS<22是死亡风险分层的最佳阈值。

CKM分期：OBS越低，晚期（3-4期）CKM比例显著升高（OR最高达4.41）。

机器学习预测：

LightGBM模型预测晚期CKM的AUC达0.905，全因死亡率预测AUC为0.875。

关键特征：吸烟标志物（可替宁）、BMI、体力活动、维生素B6和镁。

⭕️结论与启示

OBS是CKM风险分层和预后管理的有效工具，抗氧化饮食和生活方式干预或可延缓疾病进展。

机器学习+传统统计的结合能提升预测精度，SHAP值可解释模型，助力临床决策。

⭕️思维分享

选题创新：从新兴概念（CKM）切入，结合氧化应激这一热点机制，填补研究空白。

方法融合：传统统计验证假设，机器学习增强预测效能，中介分析深化机制探索。

数据利用：公共数据库（NHANES）的高效挖掘+多重填补处理缺失值，值得借鉴。

数据来源

数据来自美国国家健康与营养调查（NHANES）1999-2018 年的数据。
初始筛选了 55,081 名年龄 ≥20 岁的参与者，排除了 CKM 相关数据、OBS 相关数据、怀孕、失踪死亡随访数据以及极端饮食摄入的参与者，最终样本量为 21,609 人。

数据预处理

缺失值处理：使用 Python 的 miceforest 包进行多重插补，基于随机森林模型进行链式方程的多重插补，共进行 10 次迭代。

变量定义与分组：

CKM（三合血管-肾-代谢综合征）：根据 AHA 定义，分为四个阶段（0-4）。
OBS（氧化平衡评分）：由 16 种饮食营养素和 4 种生活方式因素组成，通过两次 24 小时饮食回忆计算每种营养素的摄入量。
生存结局：包括全因死亡、心血管死亡和非心血管死亡，数据来源于 CDC 网站，截止 2019 年 12 月 31 日。
协变量：包括人口统计学信息、体格测量、生活方式因素、生物标志物等。

统计分析

描述性统计：

连续变量：以中位数和四分位数范围（IQR）描述，使用 Kruskal-Wallis 检验进行组间比较。
分类变量：以频数和百分比描述，使用 Fisher 精确检验进行组间比较。

OBS 与 CKM 阶段的关系

使用多变量多类别逻辑回归（multinomial logistic regression）评估 OBS 与 CKM 各阶段（0-4）的关系，调整 7 年权重，报告边际效应估计，结果以边际效应图形式展示。

OBS 与死亡率的关系

Kaplan-Meier 生存曲线：绘制不同 OBS 四分位数组的生存曲线，使用 Log-rank 检验比较组间差异。
限制性立方样条（RCS）分析：用于探索 OBS 与死亡率的非线性关系，筛选 Akaike 信息准则（AIC）和贝叶斯信息准则（BIC）选择最优的节点。
Cox 回归模型：构建多变量 Cox 模型，估计 OBS 四分位组的死亡率风险比（HR）和 95% 置信区间（CI），以 Q1 为参考组，调整了上述混杂因素。

亚组分析：评估年龄（<65 岁 vs. ≥65 岁）、性别、BMI（<30 kg/m² vs. ≥30 kg/m²）和 CKM 阶段（1-2 vs. 3-4）对 OBS 与死亡率关系的影响。
敏感性分析：
排除随访前两年内死亡的 CKM 患者，重新评估 OBS 与死亡率的关系。
排除肿瘤患者的 CKM 患者，验证主要分析结果的稳健性。

风险分层阈值的确定

使用 survminer 包中的 surv_cutpoint 函数，基于最大化选择株样转换计量方法确定 OBS 在死亡率风险分层中的最佳截断点。

中介效应分析

使用 R 的 mediation 包进行中介分析，评估 OBS 是否可穿过 SII（系统炎症免疫指数）、LS7（Life’s Simple 7 Score）和影响性评估与死亡率结果之间的关系，采用自助法（1000 次重采样）估计中介效应的 95% 置信区间。

机器学习模型开发与验证

数据集划分：

将数据集随机分为训练集（70%）和测试集（30%）。

模型构建：

使用 Python 的 Scikit-learn 和 lightgbm 包构建了五种机器学习模型：