文章一
2025年9月22日，中国人民解放军医学院学者基于CHARLS数据库，在期刊《European Journal of Preventive Cardiology》（医学一区Top，IF=7.5）发表题为:“Variations in remnant cholesterol and the risk of cardiovascular disease: a national longitudinal cohort study”的研究论文，旨在系统评估残余胆固醇（RC）动态变化、累计值、绝对值变化（ΔRC = RC随访 - RC基线）与新发心血管疾病（CVD)风险之间的关联。
（在风暴统计公共数据库微信公众号后台回复“ 原文”即可获得文献PDF等资料，如果进一步需要CHARLS公共数据库方法学习与指导，请联系郑老师团队，微信号：aq566665）
研究基于中国健康与养老追踪调查（CHARLS）数据库2011-2020年的数据，经过筛选，共纳入了3,866名数据完整、符合条件的参与者。并根据基线及随访期间RC水平变化将参与者分为以下4组：
持续较高组
持续较低组
由高到低组
由低到高组
图1 参与者的筛选流程
研究思路
研究采用Cox比例风险模型探究RC水平动态变化、累计值、绝对值变化与CVD风险之间的关联，并使用受试者工作特征（ROC）曲线评估其预测CVD风险的性能。此外，还进行了亚组分析和多重敏感性分析以验证结果的稳健性。
主要研究结果
研究结果显示，RC水平动态变化与CVD风险显著相关。具体而言，相较于RC水平持续较高组，RC水平由高到低组的参与者发生CVD的风险降低了29%。
表1 RC变化与CVD风险的关联
模型1：调整了年龄、性别、婚姻状况、教育程度、当前吸烟者、当前饮酒者、高基线血压（HBP）、低剂量脂质治疗、高敏C反应蛋白（hsCRP）及低密度脂蛋白胆固醇（LDL-C）；
模型2：进一步调整了基线残余胆固醇；
模型3：在模型2的基础上，将LDL-C调整为LDL-C的变化
同时，累计RC暴露与CVD风险升高呈正相关。相较于最低组（T1）的参与者，累积RC暴露量最高组（T3）的参与者CVD风险增加37%。
表2 累计RC暴露与CVD风险的关联
此外，研究进一步发现，ΔRC与CVD风险呈负相关关系。这意味着，在基线高RC的参与者中，ΔRC最低三分位数组的CVD风险显著降低。
表3 RC绝对变化与CVD风险的关联
值得关注的是，加入RC指标后，新模型的预测能力得到了显著改善（AUC从0.61提升到0.63 ）。
图2 ROC分析结果
此外，敏感性分析和亚组分析验证了结果的稳健性。
无独有偶，就在同日，另一高校团队也用CHARLS同一指标，在同一顶刊上发表了研究成果。
文章二
2025年9月22日，首都医科大学学者用CHARLS数据库，在期刊《European Journal of Preventive Cardiology》（医学一区，IF=7.5）发表题为：“Association between remnant cholesterol and the risk of cardiovascular-kidney-metabolic syndrome progression: insights from the China health and retirement longitudinal study”的研究论文，旨在探究RC与我国中老年人群晚期心血管-肾脏-代谢综合征（CKM）风险的关联，并评估在CKM分期0-3期人群中，RC水平对新发心血管疾病（CVD）事件的预测价值。
研究团队基于CHARLS数据库2011-2020年的数据，经过纳排，最终纳入了6,858名基线无CVD的参与者。
研究思路
研究采用横向横断面与纵向分析相结合的设计：
首先，在基线人群中，运用多变量Logistic回归分析RC与晚期CKM分期（3-4期）的关联；
随后，在基线无CVD的CKM 0-3期参与者中，构建多因素Cox比例风险模型，评估基线RC与随访期间CVD发病风险的关系；
此外，进行了RCS、亚组分析、多重敏感性分析和中介分析以验证结果的稳健性与潜在机制。
图1 图形摘要
主要研究结果
横断面分析显示，较高的RC水平与晚期CKM风险呈线性正相关。具体而言，与最低RC四分位数（Q1）相比，处于最高RC四分位数（Q4）的个体患晚期CKM的风险增加了67.7%。
表1 RC水平与晚期CKM风险的关联
模型1：未调整；
模型2：进一步调整年龄和性别；
模型3：额外调整教育程度、居住地、婚姻状况、吸烟饮酒、CRP、BUN、Scr、LDL及降脂药物使用
纵向分析表明，在基线无CVD的CKM人群中，RC水平也与CVD风险呈显著线性正相关关系。其中，与RC最低四分位数（Q1）相比，Q4组的CVD风险升高了19.5%。
表2 RC水平与CVD风险的关联
图2 RCS曲线 (A)RC与晚期CKM；(B)RC与CVD
总而言之，这两篇文章均为CHARLS数据库的经典挖掘案例。它们虽同样聚焦于指标RC，却分别从不同维度展开深入挖掘：
文章一聚焦于RC水平动态变化与累积暴露的长期风险；
文章二则结合横断面关联分析与前瞻性风险验证，研究全面。
这两篇文章为多角度探究同一指标提供了绝佳范本，同时也为我们展示了CHARLS的强大，仅仅通过不同方式挖掘数据库，就能产出高分文章！
