NHANES数据库中科院1区SCI文章常见工作量

1区期刊的NHANES研究定位

✅ 工作量：联合多个指标或多个结局，集合多种分析方法，做到系统性深入研究，增强研究结果说服力或临床转化价值。

✅ 多数据库联合：构建多库协同、交叉验证的研究范式，以群体互证拓宽数据疆域，借多维比对淬炼结论信度，于纵深挖掘中释放潜藏价值，全方位提升成果的稳健性与说服力。

✅ 常用的统计分析方法：logistic 回归、Cox 比例风险回归、RCS 曲线、Kaplan-Meier 生存曲线、竞争风险模型、阈值效应分析、亚组分析、敏感性分析、中介分析、ROC 曲线、机器学习等。

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：Associations between serum micronutrients and all-cause, cancer, and cardiovascular mortality in a national representative population: Mediated by inflammatory biomarkers

1️⃣ 数据准备

该研究使用 2001-2006 年和 2017-2018 年 NHANES 数据，排除了年龄小于 40 岁（n = 27,040），怀孕（n = 10），没有体重（n = 843）或协变量（n = 1299）数据，或随访时间少于一个月（n = 32）的参与者，最终 11,539 名参与者可用于最终分析。

暴露变量：血清维生素 C 、25（OH）D、α-生育酚、β-胡萝卜素、番茄红素、铁和叶酸

中介变量：血清 CRP 和血白细胞计数

结局变量：全因、癌症和心血管死亡风险

2️⃣ 统计分析

主分析：线性回归+Logistic 回归+COX 比例风险回归+RCS 曲线

高级分析：中介分析

3️⃣ 结果呈现

表2：线性回归血清微量营养素与炎症生物标志物之间的关联

表3：血清微量营养素与高浓度血清 C 反应蛋白（>3 mg/L）的关联

表4：COX 比例风险模型血清微量营养素和炎症生物标志物与全因、癌症和心血管死亡率的相关性

图1-3：RCS 曲线血清微量营养素和炎症生物标志物与全因（图1）、癌症（图2）和心血管（图3）死亡率的非线性剂量反应关联

（图1）

（图2）

（图3）

表5：中介分析炎症生物标志物的中介作用（CRP）

附录：

图1：研究人群流程图

图2-3：血清营养素与 CR P或 WBC 的非线性关联图

表1：血清营养素与 CRP 或 WBC 皮尔逊相关系数

表2：中介分析炎症生物标志物的中介作用（WBC）

案例二：

文章标题：The association between stress-induced hyperglycemia ratio and cardiovascular events as well as all-cause mortality in patients with chronic kidney disease and diabetic nephropathy

1️⃣ 数据准备

该研究使用 1999-2018 年NHANES数据，排除了缺少生活方式数据（n = 23,469），缺失疾病相关数据（n = 410），关键自变量数据缺失（n = 23,322），非 CKD 参与者（n = 17,843），和生存状态数据缺失（n = 346）的参与者，最终 3,507 名参与者被纳入全因死亡率分析 2,568 名参与者拥有完整的心血管死亡率数据。

暴露变量：SHR

结局变量：全因和心血管死亡风险

2️⃣ 统计分析

主分析：COX 比例风险回归+RCS 曲线

高级分析：阈值效应分析+Kaplan-Meier 生存曲线

3️⃣ 结果呈现

表1：COX 比例风险模型 SHR 与全因和心血管死亡率的相关性(CKD人群)

图2：Kaplan-Meier 生存曲线

图3：RCS 曲线 SHR 与全因和心血管死亡率的非线性剂量反应关联

表3：阈值效应分析 SHR 与全因和心血管死亡率的阈值效应分析（CKD）

表4：阈值效应分析 SHR 与全因和心血管死亡率的阈值效应分析（DKD）

案例三：

文章标题：Relationship between circadian eating behavior (daily eating frequency and nighttime fasting duration) and cardiovascular mortality

1️⃣ 数据准备

该研究使用2003-2014 年NHANES数据，在排除食物摄入量和死亡率信息缺失的参与者后，研究纳入了 30,646 名参与者。

暴露变量：每日进食频率和夜间禁食时间

结局变量：全因和心血管死亡风险

2️⃣ 统计分析

主分析：COX 比例风险回归+RCS 曲线

3️⃣ 结果呈现

表3：COX 比例风险模型每日进食频率与全因和心血管死亡率的相关性

COX 比例风险模型夜间禁食时间与全因和心血管死亡率的相关性

图1：RCS 曲线每日进食频率和夜间禁食持续时间和全因/心血管死亡率的非线性剂量反应关联

附表：

补充图1.每日进食频率与夜间禁食持续时间之间关系的散点图

补充图2.心脏病特异性和中风特异性每日进食频率和夜间禁食持续时间和死亡率的剂量反应关联

补充表1.排除随访年限少于两年的参与者后，每日进食频率与全因、心血管疾病、心脏病和中风死亡率的关联

补充表2.排除随访年限少于两年的参与者后，夜间禁食持续时间与全因、心血管疾病、心脏病和中风死亡率的关联

补充表3.排除不吃早餐的参与者后，每日进食频率与全因、心血管疾病、心脏病和中风死亡率的关联

补充表4.排除不吃早餐的参与者后，夜间禁食持续时间与全因、心血管疾病、心脏病和中风死亡率的关联

补充表5.排除不吃午餐的参与者后，每日进食频率与全因、心血管疾病、心脏病和中风死亡率的关联

补充表6.排除不吃午餐的参与者后，夜间禁食持续时间与全因、心血管疾病、心脏病和中风死亡率的关联

补充表7.排除不吃晚餐的参与者后，每日进食频率与全因、心血管疾病、心脏病和中风死亡率的关联

补充表8.排除不吃晚餐的参与者后，夜间禁食时间与全因、心血管疾病、心脏病和中风死亡率的关联

补充表9.潜在混杂因素对每日进食频率和夜间禁食持续时间与死亡率结果相关性的修改效应的 p 值

补充表10.AHEI 低于或高于中位数的参与者的每日进食频率与全因和 CVD 死亡率的关联

案例四：

文章标题：A Comparison of the Predictive Value of 12 Body Composition Markers for Metabolic Dysfunction-Associated Steatotic Liver Disease, At-Risk Metabolic Dysfunction-Associated Steatohepatitis, and Increased Liver Stiffness in a General Population Setting

1️⃣ 数据准备

该研究使用 2017-2023 年NHANES数据，在排除年龄超过 80 岁、过量饮酒（>60 g/d）、病毒性肝炎和人体测量缺失的参与者后，研究纳入了 11,579 名参与者。

暴露变量：12 个身体成分参数（ABSI, BAI,BMI, BRI, FM, HC, wBMI, WC, weight, WHR, WHtR, WWI)

结局变量：代谢功能障碍相关脂肪性肝病（MASLD）、代谢功能障碍相关脂肪性肝炎（MASH）、肝脏硬度测量值（LSM）增加

2️⃣ 统计分析

主分析：基本描述分析+RCS 曲线

高级分析：AUC +DeLong 检验+LOESS 平滑

3️⃣ 结果呈现

图1：AUC 检测 MASLD、高危 MASH 和肝脏硬度增加的每个身体成分标志物 AUC

图2：AUC 按性别分层的身体成分参数和肝脏健康受损

图3：LOESS 标准化身体成分参数的 MASLD、高危 MASH 和 LSM 增加的预测概率。使用局部估计散点图平滑（LOESS）为所有标准化身体成分参数生成图

图4：RCS 标准化身体成分参数与 MASLD、高危 MASH 和 LSM 增加的剂量反应关系

附录：

表1：检测 MASLD、高危 MASH 和肝脏硬度增加的每个身体成分标志物 AUC

表2：身体成分标志物计算方法

图1：研究人群流程图

图2：检测 MASLD、高危 MASH 和肝脏硬度增加的每个身体成分标志物 AUC（糖尿病和代谢障碍人群）

案例五：

文章标题：Predictive value of the combined triglyceride-glucose and frailty index for cardiovascular disease and stroke in two prospective cohorts

1️⃣ 数据准备

该研究使用 2001-2011 年 NHANES 数据，排除年龄小于 45 岁、有中风或 CVD 病史，或者血清甘油三酯或葡萄糖值缺失参与者，最终， 5448 名参与者可用于最终分析。 CHARLS数据库使用2011年基线数据，排除年龄小于 45 岁、有中风或 CVD 病史，或者血清甘油三酯或葡萄糖值缺失参与者，最终 1139 名参与者可用于最终分析。

暴露变量：甘油三酯-葡萄糖和衰弱指数

结局变量：心血管疾病和中风

2️⃣ 统计分析

主分析：Logistic 回归+COX 比例风险回归

高级分析：事后功率分析

3️⃣ 结果呈现

表2：Logistic 回归模型 TyG-FI 指数与心血管疾病风险的关联