2区期刊的NHANES研究定位
变量新颖且实用：采用多个单独变量的集合或整合计算得到复合变量，突破了单一指标的局限性，展现出独有的信息增量与视角创新性。
方法多样与创新：不仅基于常用的回归分析（logistic或Cox），还利用高级统计分析方法来提升结果在临床实践中的外推性和决策指导价值。
核心方法：
✅ 加权统计分析（包括基线信息统计、关联性分析等）
✅ 高级模型（包括预测模型的构建和评估、因果关联的判断等）
✅ 充分的亚组分析和敏感性分析
逻辑清晰且完整：利用清晰的思路将每一种方法串联起来，有效解决提出的科学问题，形成严谨的研究框架。
工作量框架与5篇案例对照
典型工作量拆解
案例一：
文章标题：Mediating role of systemic immune-inflammation index between heavy metal exposure and hepatic steatosis/hepatic fibrosis: evidence from NHANES 2005-2020
1️⃣ 数据准备
-
合并NHANES 2005-2020周期（n=76,496→最终纳入5,613）。
-
评估自变量共13种元素：As、Ba、Co、Cs、Mo、Pb、Sb、Tl、Tu、Ur、Be、Cd、Pt。
-
计算中介变量系统免疫炎症指数(SII)：
2️⃣ 统计分析
主分析：偏回归分析+加权线性回归
高级分析：
-
限制性立方样条（RCS）验证非线性剂量反应关系
-
加权分位数(WQS)分析自变量对因变量的影响并对影响程度进行排序
-
中介效应分析评估中介变量对自变量与因变量间关联的影响
3️⃣ 结果呈现
表2：WQS指数的关联：探索重金属暴露组合WQS指数与NAFLD相关标志物及SII的之间的关联
图2：偏相关回归：了解重金属、SII和NAFLD相关标志物之间的相关性
图3：logistic回归：探索不同重金属对NAFLD相关标志物之间的关联
图4：WQS估计权重：评估并比较不同重金属组合暴露时对NAFLD相关标志物的影响权重差异
图5：RCS曲线：探索WQS模型种权重前3位的重金属对NAFLD相关标志物的剂量反应关系
图6：中介效应分析：评估SII在影响WQS模型中权重前3位的重金属与NAFLD相关标志物间关联的中间作用
案例二：
文章标题：Epigenetic age acceleration and rheumatoid arthritis: an NHANES-based analysis and survival prediction models
1️⃣ 数据准备
-
合并NHANES 1999-2002周期（n=4,449→最终纳入2,532）。
-
评估表观遗传年龄：通过5种不同方法（Horvath、Hannum、PhenoAge、GrimAge、GrimAge2）来评估。
-
计算表观遗传加速：实际年龄-表观遗传年龄（>0表示加速衰老；<0表示非加速衰老）。
2️⃣ 统计分析
主分析：Cox比例风险回归+logistic回归
高级分析：
-
限制性立方样条（RCS）验证非线性剂量反应关系
-
列线图及ROC曲线预测生存率并评估预测性能
3️⃣ 结果呈现
表2：logistic回归：探索不同方式的表观遗传年龄和遗传加速与RA之间的关联
表3：筛选预测变量：通过检验不同协变量与RA之间是否存在显著性关联来选择后续预测变量
图2：RCS曲线：检验具有较强显著性的表观遗传年龄和遗传加速（GrimAge、GrimAge2）与RA之间的剂量反应关系（呈现非线性还是线性）
图3：Cox比例风险回归：探索不同方式的表观遗传年龄加速与RA全因死亡率的关联
图4、图5：列线图+校准曲线+ROC曲线：评估在具有最强显著性的表观遗传加速（GrimAge2）对RA生存率的预测效率
附录：图1、图2：Grim表观遗传年龄和遗传加速时的对RA 的预测效果（包括列线图+ROC曲线）
案例三：
文章标题：Association of composite dietary antioxidant index with high risk of prostate cancer in middle-aged and elderly men: insights from NHANES
1️⃣ 数据准备
-
合并NHANES 2003-2010周期（n=41,156→最终纳入5,658）。
-
评估复合膳食抗氧化剂指数（CDAI）：
2️⃣ 统计分析
主分析：加权线性回归
高级分析：
-
限制性立方样条（RCS）验证非线性剂量反应关系
-
阈值效应分析探索出现非线性效应曲线的拐点
-
年龄调节分析探索不同年龄分组中自变量与因变量之间的关联（年龄如何影响两者之间的关联）
3️⃣ 结果呈现
表2：阈值效应分析：发现RCS曲线中非线性效应时的拐点
表3：亚组分析：探索不同亚组的成年男性CDAI与前列腺癌高危之间的关联以识别脆弱人群
图2、图3：年龄调节分析：探索不同年龄组人群对CDAI与前列腺癌高危标志物之间效应的影响
图4：加权logistic回归：探索CDAI与前列腺癌高危之间的关联
图5：RCS曲线：探索CDAI与前列腺癌高危之间的剂量反应关系并检验是否存在非线性效应
图6：组成CDAI的各组分营养素的logistic回归：探索维生素E、A、C、硒、锌和总类胡萝卜素与前列腺癌标志物的关联
附录：
表1：加权信息表（按是否有前列腺高危风险分组）
表2：logistic单因素分析
表3：组成CDAI的各组分营养素的logistic回归结果（具体OR、95%CI及P）
表4：研究的原始数据
表5：亚组分析结果（具体OR、95%CI及P）
图1：平滑曲线拟合CDAI与前列腺高危之间的剂量反应关系
图2：CDAI、每种抗氧化成分与前列腺高危的Pearson相关系数
案例四：
文章标题：Exploring the triglyceride-glucose index's role in depression and cognitive dysfunction: Evidence from NHANES with machine learning support
1️⃣ 数据准备
-
合并NHANES 2011-2014周期（n=19,931→最终纳入1,352）
-
计算甘油三酯-葡萄糖指数(TyG)：
2️⃣ 统计分析
主分析：加权多元线性回归
高级分析：
-
孟德尔随机化(MR)探索显著因果关联
-
机器学习性能评价筛选最佳预测模型
-
变量重要性评价发现预测模型最佳影响因子
3️⃣ 结果呈现
表2：加权多元线性回归：探索TyG与抑郁症及认知障碍之间的关联
表3：亚组分析：识别脆弱人群并检验各组间是否存在交互作用
图2：机器学习：A：评估BMI对抑郁症的预测性能影响；B：不同机器学习模型（Xgboost，随机森林，LightGBM、支持向量机）的预测性能比较（ROC曲线）；C：变量重要性评分：发现对抑郁症影响最强的因子。
附录：
表1：TyG-BMI与抑郁症和认知障碍之间的关联
图1、图2、图3：MR结果
图4、图5：敏感性分析
案例五：
文章标题：The association between endocrine disrupting chemicals and MAFLD: Evidence from NHANES survey
1️⃣ 数据准备
-
提取NHANES 2017-2018周期（最终纳入5,073名参与者）。
-
确定研究自变量：3种尿金属（砷（As），镉（Cd）和汞（Hg）），19种尿PAEs代谢产物及9种血清PFASs代谢产物。
-
确定因变量：基于肝脂肪变性或肥胖或2型糖尿病或代谢异常。
2️⃣ 统计分析
主分析：logistic回归
高级分析：
-
贝叶斯核机回归（BKMR）探索自变量同时暴露时与因变量之间的关联
-
调节效应分析探索不同协变量是否会影响自变量和因变量之间的关联效应
3️⃣ 结果呈现
表2：logistic回归：探索不同EDCs代谢物与MAFLD之间的关联
图2：BKMR：探索EDCs代谢物单独暴露和共同暴露时与因变量之间的关联
图3：亚组分析：按年龄、性别及是否患有肝炎进行分组探讨不同EDCs代谢物与MAFLD之间的关联以识别脆弱人群并检验不同亚组间是否具有交互作用
图4：调节效应分析：探索BMI、膳食炎症指数（DII）、体力活动和HOMA-IS对EDCs代谢物暴露与MAFLD之间关联的调节效应
附录：
表1：各种EDCs代谢物暴露的描述性分析
表2：各种EDCs代谢物暴露的四分位数与MAFLD之间的关联
表3：按年龄、性别及是否患有肝炎进行分组时EDCs代谢物暴露与MAFLD之间关联的交互作用
表4：按年龄、性别及是否患有肝炎进行分组时EDCs代谢物暴露的四分位数与MAFLD之间关联的交互作用
表5：BMI、膳食炎症指数（DII）、体力活动和HOMA-IS对EDCs代谢物暴露的四分位数与MAFLD之间关联的调节效应
评论列表