1区期刊的CHARLS研究定位
✅ 工作量基准：采用多种指标或多个因变量，突破单一指标或单一因变量的局限性，深化研究维度，挖掘隐形关联，提高应用和实践价值。
✅ 多数据库联合：采用多个数据库联合探索结局，拓宽数据广度，强化结果对比验证，挖掘深层价值，提升结果可靠性。
✅ 核心方法：
-
描述及关联性分析（包括基线信息统计、logistic回归分析、COX比例风险回归分析等）。
-
高级模型（包括预测模型的构建和评估、中介效应分析、归因分析等）。
-
充分的亚组分析和敏感性分析。
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：Air pollution increases the risk of frailty: China Health and Retirement Longitudinal Study (CHARLS)
1️⃣ 数据准备
-
确定使用数据波次：2011为基线数据，2013、2015、2018和2020年为随访数据（n=17,705 → 最终纳入10,584）。
-
评估暴露变量五种常见的空气污染物，包括PM1、PM2.5、PM10、O3及NO2（来源于中国高浓度空气污染物（CHAP）数据集）。
-
计算虚弱指数FI，包括44个健康缺陷项目。
2️⃣ 统计分析
主分析：多因素COX回归+RCS曲线
高级分析：多污染物模型评价多种污染物间存在的联合作用
3️⃣ 结果呈现
表2：多污染物模型探索不同多种污染物间对虚弱发生风险的联合作用
图2：COX比例风险模型：探索不同的污染物与虚弱发生风险之间的关联
图3：RCS曲线探索不同污染物与虚弱发生之间的剂量反应关系并检验是否存在非线性效应
图4：亚组分析：评估不同人群中污染物与虚弱发生风险之间的关联
附录：
表1：虚弱指数中包含的健康缺陷项目列表
附录2：体力活动评估
附录3：混杂变量的详细分类及其选择理由
表5：研究中参与者的基线特征（未缺失数据）以及缺失有关暴露、结果和/或混杂因素的数据的参与者
表6：基线波次空气污染物浓度分布
表7、表8、表9：敏感性分析（时变Cox回归分析的结果、排除了在前两波中出现虚弱的参与者、添加睡眠持续时间和社交活动
时变 Cox 回归分析的结果（滞后效应调整了2年）、虚弱前和虚弱的Cox回归、低强度、中等强度和高强度空气污染物）
图1：中国五种空气污染物的城市级年浓度暴露分布图
图2：按衰弱状态划分的空气污染物年平均浓度
案例二：
文章标题：Joint assessment of abdominal obesity and non-traditional lipid parameters for primary prevention of cardiometabolic multimorbidity: insights from the China health and retirement longitudinal study 2011-2018
1️⃣ 数据准备
-
确定使用数据波次：2011为基线数据，2013、2015、2018和2020年为随访数据（n=17,708 → 最终纳入7,597）；
-
计算暴露变量腹腔肥胖（腰围）和全身肥胖（BMI）；
-
计算暴露变量非传统脂质参数，包括AIP、非HDL-C、AC、CRI-I、CRI-II及LCI。
2️⃣ 统计分析
主分析：COX回归+Kaplan-Meier 生存曲线+RCS曲线
高级分析：
-
阈值效应分析探索暴露变量与因变量之间的非线性关联（包括拐点前后）
-
中介效应分析探索中介因子对暴露变量和结局变量之间的直接和间接关联
3️⃣ 结果呈现
表2：COX回归探索不同肥胖和脂质参数与CMM的关系
表3：阈值效应分析构建两段式COX回归以更准确探索不同肥胖和脂质参数与CMM的关系
表4：联合作用的敏感性分析探索肥胖参数和脂质参数对CMM的联合作用，并验证主要研究结果的稳健性
图2：Kaplan - Meier 生存曲线探索不同肥胖和脂质参数组对CMM的发生风险的差异
图3：RCS曲线研究不同肥胖和脂质参数与CMM发生风险之间的趋势和剂量反应关系
图4：亚组分析探索不同肥胖和脂质参数与CMM发生风险之间的脆弱人群及探索是否存在交互作用
图5：中介效应分析探索腹部肥胖在不同脂质参数与CMM发生风险间的中介作用
附录：
表1：拐点前非传统脂质参数对无腹部肥胖者CMM风险的阈值效应分析
表2、3、4、5：敏感性分析（补充缺失数据；排除基线时接受过糖尿病、心脏病、中风、高血压或血脂异常治疗的参与者；排除基线时患有糖尿病、心脏病或中风的参与者；进一步排除基线时患有高血压和癌症的参与者）
表6：腹部肥胖与不同参与者患CMM风险之间关联的多变量模型
表7：不同脂质参数在识别 CMM 中的 AUC、最佳阈值、灵敏度和特异度
图1：非传统血脂参数与无腹部肥胖者CMM风险之间的关系
图2：腹部肥胖参与者和非腹部肥胖参与者在基线时非传统血脂参数水平的差异
图3：不同亚组的hs-CRP水平
图4：不同亚组的TyG 水平
图5：非传统和传统脂质参数预测腹部肥胖患者 CMM 风险能力的 ROC 曲线
案例三：
文章标题：Stress hyperglycemia ratio and the risk of new-onset chronic diseases: results of a national prospective longitudinal study
1️⃣ 数据准备
-
确定使用数据波次：2011为基线数据，2013、2015、2018和2020年为随访数据（n=17,708→ 最终纳入8,942）。
-
评估暴露变量SHR和结局变量14种慢性疾病的是否发生。
2️⃣ 统计分析
主分析：COX回归
高级分析：不同慢性病的RCS曲线和Kaplan-Meier生存曲线探索不同慢性病受到SHR的影响差异
3️⃣ 结果呈现
表2：COX回归探索SHR与不同慢性病发生风险之间的关联
表3：敏感性分析探索去除第二波发生慢性病人群后SHR与不同慢性病发生风险之间的关联，并检验模型的稳健性
图2：RCS曲线探索SHR与不同慢性病发生之间的剂量反应关系及检验非线性效应
图3：Kaplan-Meier生存曲线探索不同SHR组与不同慢性病发生之间的风险差异
附录：
表1：SHR四分位数与不同慢性病发生风险之间的关联
表2-15：亚组分析（高血压、血脂异常、糖尿病、癌症、肺部疾病、肝病、心脏病、中风、肾脏疾病、消化系统疾病、精神疾病、记忆病、关节炎或风湿病、哮喘）
表16：新发慢性病队列中失访参与者与完成者失访的参与者的基线特征
案例四：
文章标题：Long-term exposure to ambient ozone and cardiovascular diseases: Evidence from two national cohort studies in China
1️⃣ 数据准备
-
选择CHARLS数据库2011-2020年所有的随访人群（包括基线和各随访年份新增加的人群）（n=25,533 → 最终纳入18,177）。
-
选择CFPS数据库2010-2018年所有的随访人群（包括基线和各随访年份新增加的人群）（n=52,074 → 最终纳入30,226）。
-
评估暴露变量：环境臭氧（数据来源：全球地面PM2.5数据集）。
2️⃣ 统计分析
主分析：时间依赖的Cox比例风险回归模型
高级分析：归因分析探索由于O3导致心血管疾病发生的比例
3️⃣ 结果呈现
图1：时间依赖的COX回归探索长期暴露于O3与总心血管疾病、心脏病、高血压和中风的发病率之间的关联
图2：亚组分析识别长期暴露于O3导致总心血管疾病、心脏病、高血压和中风的发病的脆弱人群并检验不同亚组间是否有交互作用
图3：归因分析识别长期暴露于O3导致总心血管疾病、心脏病、高血压和中风发病的人群归因分数
附录：
图1：CHARLS数据库抽样流程
图2：CHARLS数据库人群纳排标准
图3：CFPS数据库抽样流程
图4：CFPS数据库人群纳排标准
表1：分类变量赋值和定义
表2：CFPS数据库中患总心血管疾病、高血压和中风的人群特征
表3：CHARLS数据库人群PM2.5、O3和环境温度之间的相关性
表4：CFPS数据库人群PM2.5、O3和环境温度之间的相关性
表5：长期暴露于O3对总心血管疾病、高血压和中风之间的COX回归
表6：长期暴露于O3导致总心血管疾病、高血压和中风发生的人群归因分数
表7：敏感性分析（调整不同混杂因素）
表8：以往研究的文献和主要结果
表9：两个数据库中不同地区PM2.5、O3和环境温度的基本特征
表10：长期暴露于O3导致总心血管疾病、高血压和中风发生的归因负担
表11：CHARLS数据库中纳入和排除人群的特征差异
表12：CFPS数据库中纳入和排除人群的特征差异
表13：长期暴露于O3和体力活动与总心血管疾病的关联
案例五：
文章标题：Association of metabolic syndrome severity with frailty progression among Chinese middle and old-aged adults: a longitudinal study
1️⃣ 数据准备
-
确定使用数据波次：2011为基线数据，2013、2015及2018年为随访数据（n=17,708 → 最终纳入6,220）。
-
计算因变量虚弱指数平均虚弱症状。
-
评估暴露变量代谢综合征：计算2012-2015年期间的累积MetS评分来评估MetS评分的变化。
2️⃣ 统计分析
主分析：COX回归+logistic回归+RCS曲线
高级分析：
-
线性混合模型检验了MetS评分与FI轨迹之间的关系；
-
GBTM模型定义FI轨迹。
3️⃣ 结果呈现
表2：COX回归探索MetS评分与FI之间的纵向关联
表3：线性混合模型探索MetS评分与FI轨迹之间的纵向关联
表4：logistic回归模型探索MetS评分与FI轨迹之间的关联
图2：RCS曲线探索MetS评分与FI之间的剂量反应关系并检验两者间非线性关联
图3：亚组分析识别MetS评分与FI轨迹之间的脆弱人群并检验不同亚组间是否存在交互作用
图4：敏感性分析验证结果的稳健（GBTM模型）
附录：
图1：排除人群和纳入人群的特征比较
表1：虚弱评分的32个条目
表2：MetS的计算公式
表3：按MetS的四分位数分类时的人群基线特征（包括基线患有虚弱人群）
表4：按累积MetS的四分位数分类时的人群基线特征（不包括基线患有虚弱人群）
表5：按累积MetS的四分位数分类时的人群基线特征（包括基线患有虚弱人群）
表6：基于逆概率加权样本的MetS与虚弱的关联
表7：基于逆概率加权样本的MetS评分与FI变量率之间的纵向关联
表8：MetS评分与基于GBTM结果的FI轨迹之间的纵向关联（不包括基线患有虚弱人群）；
表9：MetS评分与基于GBTM结果的FI轨迹变化率之间的纵向关联（不包括基线患有虚弱人群）
表10：MetS评分与基于GBTM结果的FI轨迹变化率之间的纵向关联（包括基线患有虚弱人群）
评论列表