如果问哪个临床公共数据库最值得挖掘？NHANES必有一席之地！今天分享的这篇文章“薅”的还是Nhanes 的羊毛，中国学者用“心脏代谢”新指标拿下SCI一区！想发文的朋友抓住这个新思路赶紧上车吧！
2024年6月20日，同济大学联合复旦大学的学者用NHANES数据库，在期刊《Cardiovascular Diabetology》（医学一区top，最新IF=8.5）发表题为：“Is systemic inflammation a missing link betweencardiometabolic index with mortality? Evidence froma large population-based study”的研究论文，旨在阐明心脏代谢指数 （CMI） 作为代谢相关指标与老年人群全因死亡率和心血管死亡率的关联，并进一步检查炎症指标是否在介导这些关联中具有潜在作用。。
心脏代谢疾病，包括糖尿病、心脏病和中风，是有据可查的导致认知健康丧失的独立危险因素，并且，随着人口老龄化变得越来越普遍，60岁及以上的老年人中有4.7%至少患有两种心脏代谢疾病。因此，在老年人群中确定可改变的危险因素，特别是在心脏代谢疾病中，对于促进全球公共卫生和制定预防战略至关重要。
主要研究结果
1.研究设计
本研究采用了美国国家健康和营养调查(NHANES)2011-2018年的数据，最终纳入了3,029名符合条件的参与者。
心脏代谢指数（CMI）的计算公式为：CMI=甘油三酯（TG，mmol/L）/高密度脂蛋白胆固醇（HDL-C，mmol/L）腰围（WC，cm）/身高（cm）
相关指标的计算公式如下：WHtR（腰高比） = WC （cm）/ 高度 （cm），
NLR（中性粒细胞与淋巴细胞比值） = 中性粒细胞 （/L）/淋巴细胞 （/L），
SII（全身免疫性炎症指数）= 血小板 （/L） *中性粒细胞 （/L）/淋巴细胞 （/L）。
主要结局包括全因死亡率和心血管死亡率。
2.基线数据
在纳入的3,029名癌症幸存者中，CMI值为0.74±0.66，三份位数为T1（0.27±0.08） ，T2（0.56±0.10）和T3（1.37±0.80）。
与CMI降低组相比，CMI水平升高的参与者男性、吸烟、教育水平和家庭PIR的比例增加。
此外，高三分位数的参与者表现出显着更高的白细胞、中性粒细胞、淋巴细胞、SII 水平，并且高血压、糖尿病、心力衰竭、中风、冠心病、心绞痛、心脏病发作史的患病率更高。
3.CMI与全因死亡率和心血管死亡率的关联
在平均89.20个月的随访中，总共发生了1015例死亡和348例心血管相关死亡。
在模型 1 中，CMI 与全因死亡率和心血管死亡率无关。
在模型2中，CMI与全因死亡率（HR=1.14,95%CI=1.05-1.24）和心血管死亡率（HR=1.17,95%CI=1.01-1.35）呈正相关。
在调整模型 3 中的所有干扰因素后，全因死亡率组的显著关联持续为正且显著 （HR=1.11,95% CI=1.01-1.21）。
然而，在完全调整的模型 3 中，具有相应置信区的 HR 在 T1、T2 和 T3 之间没有表现出正显著的相关性。
模型1调整为:无；
模型2调整:性别，年龄，种族；
模型3调整了:性别、年龄、种族、吸烟、饮酒、体重、白细胞、血红蛋白、血小板、TC、eGFR、高血压、糖尿病、冠心病、心绞痛、心脏病发作和脑卒中。
在长达69个月的随访中位期内，730人死亡，其中255人死于癌症，155人死于心血管疾病，320人死于其他原因。
此外，Kaplan-Meier生存图如下图所示，表明CMI三分位数的参与者在全因死亡率（P=0.756）和心血管死亡率（P=0.365）方面没有差异。
4.亚组分析
为了评估CMI与全因死亡率和心血管死亡率的关系，进行了亚组分析。
有趣的是，大多数分析没有显示组内差异，除了CMI与心血管死亡率之间的正相关关系在从未或以前吸烟的参与者中更强。
关于全因死亡率组，在所有亚组分析中均未观察到显著差异。
5.与 CMI 和死亡率的关联
使用多变量 logistic 回归分析 CMI 与炎症相关指标的关联。
调整所有干扰因素后，CMI与白细胞、中性粒细胞、淋巴细胞呈正相关；
同时CMI与NLR和SII呈负相关。
此外，使用Cox回归分析炎症与全因死亡率和心血管死亡率相关的指标的关联。
研究结果显示，除淋巴细胞全因死亡率和白细胞心血管死亡率外，大多数指标与死亡率呈正相关。
6.中介作用分析
研究结果显示，白细胞介导了CMI与全因死亡率之间6.6%的关联。在中性粒细胞分析方面，中介比例为13.9%。
统计学方法
本文的研究思路非常清晰，特别是这个新指标的使用，非常值得学习：
采用卡方检验或Kruskal-Wallis H检验分析各种CMI三分位数类别（将具有统计学意义的结果确定为双侧P值<0.05）。
估计多变量 Cox 比例风险模型与 CMI 与全因死亡率和心血管死亡率的关联。
进行Kaplan-Meier曲线以估计随时间推移的生存率，并使用log-rank检验来评估各种生存曲线之间的差异。
此外，还分别在炎症指标与CMI、全因死亡率和心血管死亡率的关联中进行了多因素logistics和Cox回归。
在亚组分析中也使用了上述相同的统计技术来调查特定人群之间的潜在差异，包括性别、种族、教育水平、家庭 PIR、高血压、糖尿病、吸烟和饮酒亚组。
最后进行中介分析，评估炎症指标（白细胞、中性粒细胞、淋巴细胞、NLR 和 SII）对 CMI 与死亡率关联的中介作用
