数据库简介
国家健康和营养检查调查（NHANES）
往期我们也对NHANES数据库做过详细拆解，感兴趣的朋友可以点击链接进行学习。☞NHANES数据库及适用科室详解
中国健康与养老追踪调查（CHARLS）
往期我们也对CHARLS数据库做过详细拆解，感兴趣的朋友可以点击链接进行学习。☞CHARLS数据库及适用科室详解
双数据库联合使用的优势
跨国健康比较研究：NHANES代表美国全人群健康状况，CHARLS聚焦中国45岁及以上中老年人群，联合使用可进行中美两国健康状况的系统性比较，为全球健康研究提供关键证据。
多维度健康指标整合：整合NHANES的全美健康营养数据与CHARLS的中国中老年健康数据，NHANES集中于一些营养和血清学数据，CHARLS聚焦于社会经济学数据，联合使用可以帮助构建涵盖营养、慢性病、社会经济因素的更全面健康指标体系。
方法学互补优势：NHANES的横断面调查设计与CHARLS的纵向数据收集相结合，能够弥补单一数据库的局限性，提高研究的科学性和可靠性。
双数据库联合使用的难点
数据标准化挑战：两个数据库由于代表的是不同国家和地区，因此健康指标定义、测量方法和数据采集流程上存在系统性差异，需要进行复杂的标准化处理，确保跨数据库比较的准确性。
人群特征差异：NHANES覆盖美国全人群，CHARLS聚焦中国45岁以上中老年人，人群年龄结构、文化背景和健康状况差异显著，在比较时需要重点区别这些来源于不同地区的基本差异。
数据整合复杂性：由于两个数据的数据提取和处理方式有所不同，因此需要不同数据格式、时间点和采集方法，整合过程技术难度高，工作量较大。
双数据库联合使用可研究问题/方向
抑郁症影响因素研究：基于两个数据库的抑郁症状（NHANES数据库采用PHQ-9问卷，CHARLS数据库采用CESD-10问卷），从横断面和纵向研究相结合的设计深入考察并比较代谢特征、炎症指标及生活习惯对抑郁症状的发病影响及不同人群的特征。
抑郁症状对健康的不良影响：基于两个数据库的抑郁症状问卷数据（NHANES数据库采用PHQ-9问卷，CHARLS数据库采用CESD-10问卷），从横断面和纵向研究相结合的设计探究抑郁症状/抑郁严重程度对健康的不良影响。
案例分析
变量定义：CHARLS数据库使用CESD-10量表评估CHARLS的抑郁症状。该量表由10个问题组成，总分范围为0至30。≥12分被定义为“抑郁症状阳性”，表明有临床意义的抑郁症。在NHANES数据库中，使用PHQ-9量表评估抑郁症，该量表由9个问题组成，总分范围为0至27。低于10分表示没有抑郁症，而10分或更高表示抑郁症。
方向1：抑郁症影响因素研究
标题：Burden and risk factors of depression in seniors from 1990 to 2021: a multi-database study based on EMR mining methods
期刊：Transl Psychiatry Transl （IF=6.2）
研究方法：从CHARLS中总共选择了120个变量。这些变量是通过调查或物理测量获得的。调查数据分为7类，包括人口统计、健康状况、生活方式、治疗、心理、家庭环境和社会经济因素。身体测量数据主要分为两类，包括身体能力和血液标志物。从 NHANES中总共选择了89个变量。这些变量是通过调查或物理测量获得的。调查数据分为5类，包括人口统计、饮食、检查、实验室和问卷数据。采用数据驱动的方法开发了一种机器学习模型，用于使用XGB算法识别和预测抑郁症。随后，SHAP被用于模型的可解释性分析突出了最显著的特征。最初，使用主成分分析（PCA）和选择K最佳（SKB）算法进行特征提取。使用K-Fold交叉验证将数据集分为训练集和测试集。
研究结果：中国老年人中影响最大的10个因素是“失眠”、“健康满意度”、“中风治疗”、“生活满意度”、“工作满意度”、“职业”、“疼痛”、“收入”、“肺部治疗”和“肝脏治疗”。NHANES SHAP值图全局突出显示了对模型产生重大影响的主要因素。美国老年人中最有影响力的10个因素是“过去一个月服用处方药”、“年龄”、“种族”、“性别”、“糖尿病”、“服用处方药的数量”、“冷冻食品的数量”、“健康饮食”、“婚姻状况”和“体重”。
研究结论：NHANES和CHARLS数据库的ML建模的SHAP值分析为影响抑郁症的关键因素提供了更多见解。失眠、健康满意度、卒中治疗、生活满意度和工作满意度等因素是关键的预测因素，表明在管理抑郁症时同时解决生理和心理方面的重要性。包括年龄、性别和社会经济地位在内的社会人口变量也发挥着重要作用，这加剧了对精神卫生保健中全面和个性化方法的需求。
方向2：抑郁症状的不良健康影响
标题：Synergistic effects of triglyceride-glucose index and body mass index combined with depression in predicting stroke events: a study based on two national cohorts
期刊：Frontiers in Nutrition（IF=5.1）
研究方法：该研究利用了CHARLS中的6,417名参与者的和包括NHANES中的17,754名参与者纵向数据。分析方法包括应用多因素logistic回归分析来评估中风的风险，并结合TyG-BMI和抑郁症的评估。此外，还进行了平滑曲线拟合、亚组分析、交互作用检验和预测建模以进行进一步评估。
研究结果：来自两个国家队列的24,171名参与者被纳入分析。其中，1,223人有中风病史。与TyG-BMI较低且无抑郁症的人相比，TyG-BMI较高且无抑郁症的人患中风的风险明显更高。限制性三次样条（RCS）模型表明，TyG-BMI升高与抑郁的结合对脑卒中发生具有较强的预测价值。
研究结论：TyG-BMI与抑郁症在中风风险评估中存在显著正相关。研究结果强调了联合暴露于TyG-BMI和抑郁症对脑卒中发生的影响，并提示在临床实践中应采用TyG-BMI与抑郁症的联合评估，进一步对脑卒中风险进行分层，优化一级预防策略。
评论列表