1区3.5分！恭喜江南大学发表Nhanes数据库DII和中风关系相关文章~

一、文章内容解读

1. 研究背景

研究主题：本研究旨在探究饮食炎症指数（DII）与美国普通人群中中风之间的关系。

研究意义：饮食与炎症之间的联系可能影响中风的发生，而DII作为一种量化饮食炎症潜力的工具，有助于探索饮食与中风之间的关系。

2. 研究方法

数据来源：数据来自1999-2018年的全国健康和营养调查（NHANES）的横断面数据，共包含44,019名参与者。

参与者信息：参与者年龄在18至80岁之间，排除了孕妇和缺乏饮食摄入及中风状态信息的个体。

指标计算：使用45种食物参数计算DII，每个参数根据其对六大炎症生物标志物的影响分配特定的DII分数。

统计分析和方法：

使用加权多变量逻辑回归估计DII与中风的关联，并用限制性立方样条（RCS）回归检验非线性。

最小绝对收缩和选择算子（LASSO）回归用于识别关键的中风相关饮食因素，并建立风险预测列线图模型。

接收者操作特征（ROC）曲线用于评估模型的判别能力。

3.研究结果

3.1.基线特征和DII得分

研究共纳入了44,019名参与者，加权平均年龄为45.83岁，中风的总体患病率为3.38%，中位数DII得分为1.39。

与非中风个体相比，中风患者年龄更大，多为女性、非裔美国人、教育水平较低、吸烟者、不饮酒、糖尿病患者，并且有更高的收缩压、甘油三酯、总胆固醇、白细胞计数、单核细胞计数、淋巴细胞计数、血小板计数和估算肾小球滤过率，以及更低的空腹血糖、糖化血红蛋白、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇和红细胞计数。

3.2.DII与中风的关联

通过加权多变量逻辑回归分析，研究发现随着DII得分的增加，中风的 odds ratios (ORs) 也增加。与最低四分位数相比，较高DII四分位数的调整ORs分别为1.19、1.46和1.87，显示出DII与中风之间存在正相关。

限制性立方样条（RCS）回归分析显示DII与中风之间存在非线性正相关关系。

3.3. 性别差异

在男性中，DII与中风的关联是非线性的，当DII超过2时，中风的风险增加更为迅速；而在女性中，DII与中风的关联则呈现线性。

3.3.亚组分析

研究还对不同性别、年龄、种族/民族、BMI、吸烟状态、饮酒习惯、糖尿病和高血压等亚组进行了分析，结果显示这些亚组变量并未显著影响DII与中风之间的关联。

3.4.关键中风相关饮食因素的识别

通过LASSO回归分析，从26种饮食成分中识别出6种与中风最密切相关的饮食因素：碳水化合物、膳食纤维、胆固醇、PUFA（22:6 n-3）、铁和酒精。

3.6. 风险预测列线图模型

基于上述关键饮食因素以及年龄和种族/民族，构建了一个风险预测列线图模型。该模型的ROC曲线下面积（AUC）为79.8%，表明该模型具有较好的预测中风风险的能力。

3.7. 敏感性分析

敏感性分析与加权逻辑回归分析的结果一致，显示DII与中风之间存在正相关，且在完全调整的模型中，随着DII得分的增加，中风的风险增加。

4. 结论

研究发现：DII与美国普通人群中风之间存在非线性正相关。

临床意义：该研究结果强调了通过监测饮食习惯来评估心血管系统影响和识别中风高风险人群的重要性。

二、统计学知识点梳理

加权多变量逻辑回归：用于估计DII与中风之间的关联，考虑了多个潜在的混杂因素。

限制性立方样条（RCS）回归：用于检验DII与中风之间关系的非线性。

最小绝对收缩和选择算子（LASSO）回归：用于特征选择，通过惩罚项将不重要的特征系数压缩至零，提高模型的预测性能。

接收者操作特征（ROC）曲线：用于评估模型的判别能力，即区分中风和非中风个体的能力，AUC值越接近1，判别能力越强。

三、如何快速开展这类研究

第一步：明确研究主题

确定研究的目的，例如探索DII与中风之间的关系。

第二步：设计研究方案

确定研究设计，如横断面研究，并定义研究变量和预期结果。

第三步：参与者选择

确定参与者的纳入和排除标准，选择合适的样本量。

第四步：计算和定义变量

根据研究目的，选择合适的食物参数计算DII，并定义其他相关的协变量。

第五步：数据分析方法

选择合适的统计方法，如逻辑回归、RCS回归和LASSO回归，进行数据分析。

第六步：结果解读

解释统计分析的结果，包括模型的系数、显著性水平和预测能力。

第七步：撰写研究报告

根据研究结果撰写报告，包括研究背景、方法、结果和结论，并讨论其临床意义。