1区3.3分！恭喜南方医科大学发表CHARLS抑郁、高血压、心血管疾病相关文章~
一、文章内容解读
1.研究背景
研究主题：本研究旨在评估中国中老年普通人群中抑郁症状轨迹与新发高血压和心血管疾病（CVDs）之间的关系。
研究意义：抑郁症状与高血压和心血管疾病之间的关系尚不明确，本研究通过分析抑郁症状的长期轨迹，探讨其对心血管健康的影响，对于预防和管理心血管疾病具有重要意义。
2.研究方法
数据来源：数据来自中国健康和退休纵向研究（CHARLS），这是一个全国代表性的样本，包括45岁及以上的中国居民。
参与者信息：研究最终包括6071名参与者，排除了已有高血压和心血管疾病的个体。
指标计算：使用10项流行病学研究中心抑郁量表（CES-D-10）评估抑郁症状，得分范围从0到30，得分越高表示抑郁症状越严重。
统计分析和方法：
利用基于群体的轨迹模型（GBTM）识别具有相似抑郁症状轨迹的参与者子群。
使用多变量逻辑回归模型估计CES-D-10轨迹与新发高血压和CVDs之间的关联。
使用限制性立方样条（RCS）分析CES-D-10得分与高血压和CVDs之间的非线性关系。
使用bootstrap方法评估高血压在CES-D-10得分和CVDs之间的中介效应。
进行敏感性分析，包括使用有向无环图（DAG）选择最小充分协变量集，改变估计值（CIE）方法选择潜在混杂因素，以及E值测试评估未测量混杂因素的影响。
3.研究结果
3.1. 抑郁症状轨迹的识别
研究者通过使用基于群体的轨迹模型（GBTM），在2011年至2015年的数据中识别出四种不同的抑郁症状轨迹：
低稳定（Low-stable）：大多数参与者的CES-D-10得分维持在较低水平。
中度下降（Medium-decreasing）：参与者的CES-D-10得分从中等水平开始并逐渐下降。
中度上升（Medium-increasing）：参与者的CES-D-10得分从中等水平开始并逐渐上升。
高稳定（High-stable）：参与者的CES-D-10得分维持在较高水平。
这些轨迹在图1中有展示，该图显示了2011年至2015年CES-D-10得分的变化趋势。
3.2. 新发高血压和心血管疾病的风险
研究结果显示，与低稳定轨迹相比，其他三种轨迹的个体新发高血压和心血管疾病的风险显著更高。具体来说：
新发高血压：在2018年的随访数据中，有1668名（27.5%）参与者被诊断为新发高血压。中度上升轨迹组的新发高血压事件比率最高（35.7%），其次是高稳定轨迹组（31.4%）和中度下降轨迹组（26.9%）。
新发心血管疾病：959名（15.8%）参与者被新诊断为心血管疾病。中度下降和中度上升轨迹组的事件比率相似，分别为21.6%和21.3%，高稳定轨迹组的比率为26.4%。
这些结果在表2和表3中有详细数据支持。
3.3. 抑郁症状得分与高血压/CVDs的非线性关系
通过限制性立方样条（RCS）分析，研究者发现CES-D-10得分与新发高血压和心血管疾病之间存在S形关系。这意味着随着CES-D-10得分的增加，高血压和心血管疾病的风险也随之增加。这种关系在图2中有展示，其中图2a对应高血压，图2b对应心血管疾病。
3.4. 中介效应分析
中介分析显示高血压在CES-D-10得分和心血管疾病之间起到了部分中介作用。具体来说，高血压介导了CES-D-10轨迹、平均CES-D-10得分与心血管疾病之间10%和9.2%的关联。这一分析结果在图3中有展示。
4.结论
研究发现：抑郁症状与新发高血压和心血管疾病的风险增加有关，高血压部分中介了这一关系。
临床意义：改善中国的抑郁症管理对于进一步预防心血管疾病至关重要，尤其是在女性、低社会经济地位和重病负担的弱势群体中。
二、统计学知识点梳理
基于群体的轨迹模型（GBTM）：用于识别具有相似发展轨迹的参与者群体，是一种有限混合模型，可以灵活地对参与者进行聚类。
多变量逻辑回归模型：用于估计抑郁症状轨迹与新发高血压和心血管疾病之间的关联，同时调整多个协变量。
限制性立方样条（RCS）：用于探索CES-D-10得分与高血压和CVDs之间的非线性关系。
Bootstrap方法：用于评估中介效应，通过1000次重采样来估计高血压在CES-D-10得分和CVDs之间的中介作用。
有向无环图（DAG）：用于建立理论因果模型，选择基于后门标准的最小充分协变量集。
改变估计值（CIE）方法：用于选择潜在混杂因素，通过测试所有协变量，移除对主要变量OR变化小于10%的协变量。
E值测试：用于评估未测量混杂因素对观察到的效应的潜在影响，通过估计未测量混杂因素对风险比的影响。
三、如何快速开展这类研究
第一步：明确研究主题
确定研究的具体问题，例如抑郁症状与心血管疾病之间的关系。
第二步：设计研究方案
制定研究框架，包括研究假设、研究设计和预期结果。
第三步：参与者选择
确定目标人群，选择合适的样本，如45岁及以上的中国居民。
第四步：计算和定义变量
确定主要的暴露变量（如CES-D-10得分）和结果变量（如新发高血压和CVDs）。
第五步：数据分析方法
选择合适的统计方法，如GBTM、逻辑回归、RCS等，进行数据分析。
第六步：结果解读
解释统计分析结果，包括模型的估计值、置信区间和P值。
