高分SCI都在做的中介分析是什么，为何它能轻松撬动一区期刊？哪些数据库可以做中介分析？

在科研追求深度与机制的今天，相关分析已不足以满足顶尖期刊的胃口。研究者们不再满足于知道“A与B有关”，而是迫切想知道“什么介导了A和B的关系”。中介分析，正是回答这个“黑匣子”问题的金钥匙，它让简单的关联研究升级为有深度的机制探索，这也是其能频频亮相高分期刊的核心原因。

中介分析是什么？一张图看懂核心思想

中介分析旨在探索一个变量（自变量X）如何通过一个中间变量（中介变量M）来影响另一个变量（因变量Y）。它分解了X对Y的总效应。

核心分解：

• 总效应 (c)：X对Y的全部影响（路径 A → B）。

• 直接效应 (c')：X不通过M，直接对Y产生的影响（移除路径 A → C → B 后，剩余的 A → B 部分）。

• 间接效应 (a×b)：X通过M对Y产生的影响（路径 A → C → B）。这即是中介效应。

简单来说：它验证了“X通过影响M，进而影响了Y”这一机制链条是否存在。

为什么中介分析容易发高分？三大核心优势

1️⃣ 回答更深刻的问题：将研究从“是什么”（关联）推进到“为什么/如何”（机制），科学价值陡增。

2️⃣ 提升故事完整性：为研究发现提供了合乎逻辑的生物学或社会学解释，使论文叙事更丰满、更具说服力。

3️⃣ 方法学加分项：展现了研究者掌握高级统计方法的能力，满足顶尖期刊对方法学严谨性的高要求。

哪些公共数据库是中介分析的“富矿”？

几乎所有具有横断面或纵向设计、并包含多层次变量的公共数据库都适用。关键在于数据库是否同时测量了暴露、潜在中介和结局。

例文拆解：看顶刊如何玩转中介分析

案例一：NHANES数据库

标题：系统性免疫炎症指数介导的复合膳食抗氧化指数与儿童和青少年肥胖的关联：基于NHANES 2011–2018

期刊：Lipids Health Dis（中科院二区，IF=4.2）

研究内容与结果：该研究旨在探讨CDAI与儿童肥胖症之间的关系，并进一步考察系统性免疫炎症指数（SII）在该关联中的潜在中介作用。该研究利用2011-2018年美国国家健康与营养调查（NHANES）的数据，采用限制性三次样条（RCS）和逻辑回归分析，探讨了儿童疾病活动指数（CDAI）、系统性炎症指数（SII）与儿童肥胖之间的关系。此外，还运用中介分析来确定SII的中介作用。最终纳入4134名参与者，肥胖率为29.05%。完全调整后的回归模型显示，CDAI与儿童肥胖之间存在显著的负相关关系（OR 0.93；95%CI 0.89–0.97， P=0.001）。RCS分析发现二者之间存在线性关联（非线性P值=0.816）。中介分析结果表明，在CDAI与儿童和青少年肥胖的关联中，SII的中介作用比例为15.46%。

案例二：CHARLS案例

标题：生命历程中的不良生活事件与中老年人新发心血管-肾脏-代谢多重疾病风险：来自CHARLS的纵向证据

期刊：J Am Heart Assoc（中科院一区，IF=5.3）

研究内容与结果：该研究探讨了童年和成年期不良生活事件与新发CKM多重疾病风险之间的关联，并探索了心理健康在其中的中介作用。该研究数据来源于中国健康与养老追踪调查（CHARLS，2011-2018）中6258名年龄≥45岁且基线时无心血管、肾脏和代谢性疾病（CKM）多重合并症的参与者。CKM多重合并症定义为同时存在至少两种心血管、肾脏和代谢性疾病。回顾性评估了参与者童年和成年期不良事件（ALEs）（分别为10种和6种）。采用多状态时间模型估计了CKM多重合并症部分和完全的转变，并通过中介分析评估了心理健康在其中的作用。与无不良生活事件（ALE）的参与者相比，仅童年期不良生活事件（ALE）的CKM多病风险比为1.22（95%CI，1.06-1.40），仅成年期不良生活事件（ALE）的CKM多病风险比为1.18（95%CI，1.00-1.41），童年期和成年期均有不良生活事件（ALE）的CKM多病风险比为1.81（95%CI，1.52-2.15）。每增加一次童年期和成年期不良生活事件，风险分别增加13%和19%。不良生活事件主要影响从基线到部分CKM多病的转变，而心理健康在这些关联中起到了部分中介作用。

案例三：UKB数据库

标题：与严重肝脏不良事件相关的心血管-肾脏-代谢进展：血浆代谢物的介导作用

期刊：Front Nutr（中科院二区，IF=5.1）

研究内容与结果：该前瞻性研究利用了英国生物银行（UKB）队列的数据，该队列包含415,713名无既往肝病或物质使用障碍的个体。CKM综合征分期依据美国心脏协会主席咨询意见进行定义。主要结局指标为主要不良肝脏事件（MALOs），包括代谢功能障碍相关脂肪肝（MASLD）住院、严重肝病（SLD）和肝脏特异性死亡。采用Cox比例风险模型分析CKM分期与MALOs之间的关联。使用CMAverse R包研究血浆代谢组学数据的潜在中介效应。经多变量调整后，较高的CKM分期与MASLD住院风险升高相关[风险比（HR）=7.38，95%置信区间（CI）：4.34，12.55]，SLD住院风险升高（HR=3.46，95%CI：1.94，6.16），以及肝脏特异性死亡率升高（HR=4.35；95%CI：1.38，13.69）。CKM各组分均与MALOs相关，且具有累积相关性（所有p<0.05）。中介分析表明，酪氨酸部分介导了CKM分期与MASLD相关住院（7.62%）、SLD相关住院（9.46%）和肝脏相关死亡（11.19%）之间的关联，而亚油酸与总脂肪酸的比率部分介导了MASLD住院（41.18%）、SLD住院（34.30%）和肝脏相关死亡（45.17%）之间的关联（所有p<0.001）。

案例四：MIMIC数据库

标题：应激性高血糖比值调节器官功能障碍对房颤危重患者死亡风险的影响：来自MIMIC-IV数据库的启示

期刊：Cardiovasc Diabetol（中科院一区，IF=10.6）

研究内容与结果：该研究旨在探讨SHR在改善危重房颤患者风险预测中的作用。本研究对MIMIC-IV 3.1队列中合并房颤的危重症患者进行回顾性队列研究。主要终点为住院死亡率、30天死亡率和1年死亡率。患者按SHR四分位数分层，并根据SHR和SOFA评分的联合值分为四组。采用Kaplan-Meier生存分析和多因素Cox回归评估与死亡率的关联，并使用限制性三次样条（RCS）检验非线性关系。采用Bootstrap法进行中介分析，量化血清碳酸氢盐的作用。利用多因素logistic回归构建列线图，纳入SHR、SOFA评分以及通过向后选择筛选出的显著协变量。SHAP分析用于深入了解各预测因子的贡献。纳入队列的15358例患者中，中位年龄为66岁（四分位间距：55-76岁），其中56.8%为男性。SHR-SOFA联合评分显著将患者分为四个不同的风险组（Q1-Q4），其中SHR和SOFA评分均高的组（Q4）在所有时间点的预后均最差（log-rank检验P<0.001）。多因素Cox回归分析证实，Q4组在所有时间点的死亡风险最高（住院期间HR：5.32，95%CI：4.31-6.57；30天HR：4.27，95%CI：3.62-5.04；1年HR：3.18，95%CI：2.82-3.59）。RCS分析表明，SHR与死亡率之间存在非线性相关性，在SOFA评分较低的患者中，SHR=1.0时存在阈值效应。相反，SOFA评分较高的患者则呈现J形曲线，理想的SHR值为1.2。通过向后逐步回归验证的预测列线图包含SHR、SOFA评分、年龄、平均动脉压（MBP）、白细胞计数（WBC）、碳酸氢盐、血红蛋白、钠和总钙作为关键预测因子。SHAP分析强调SHR和SOFA评分是最具影响力的预测因子，年龄也发挥着关键作用。中介分析表明，血清碳酸氢盐介导了SHR对院内死亡率影响的22.7%，且该作用随时间推移而减弱。

实操指南：开始你的中介分析

基础流程（以R语言mediation包为例）：

总结

中介分析之所以成为高分期刊的“宠儿”，是因为它将研究深度从地表关联挖掘到了地下机制。它要求研究者具备更强的理论构思和统计能力。

成功秘诀：

• 讲一个好故事：构思一个逻辑严密、有意义的“X通过M影响Y”的故事。

• 选一个富矿数据库：利用如NHANES、CHARLS等多维度数据库的优势。

• 用一套严谨方法：规范使用统计模型，重视稳健性检验。