在医学观察性研究中，混杂因素调整是确保因果推断准确性的核心步骤。然而，当研究涉及多个风险因素时（如心血管疾病、糖尿病、痴呆等），混杂因素的调整方法是否合适往往被忽视！
但是，不恰当的混杂因素调整可能导致效应大小的低估、高估甚至反转。
2025年3月5日，中南大学湘雅公共卫生学院学者团队在《BMC Medicine》（医学一区，IF=7.0）杂志发表的一篇方法学文章，旨在总结针对多个风险因素进行混杂因素调整的方法及相关问题。
结果令人震惊！仅有6.2%的研究采用了推荐方法，且这些研究都聚焦于检验焦点风险因素。
文章题为：“Confounder adjustment in observational studies investigating multiple risk factors: a methodological study”。
我们一起看看！
研究者检索了PubMed数据库，时间范围为2018年1月至2023年3月，以确定针对三种慢性疾病（心血管疾病、糖尿病和痴呆），研究多个风险因素的队列研究和病例对照研究。两名研究人员独立进行研究筛选和数据提取，共纳入162项研究。
这些研究被分为两类，（1）广泛探索潜在风险因素，88项（54.3%）；（2）考察特定风险因素，74项（45.7%）。
根据纳入研究的总结，研究者将混杂因素调整的方法分为六类：
1.分别对每个风险因素调整潜在混杂因素（☆推荐方法）；
2.相互调整所有风险因素（即在多变量模型中包含所有因素）；
3.分别对所有风险因素调整相同的混杂因素；
4.部分相互调整：对所有风险因素调整相同的混杂因素，并对部分因素进行相互调整；
5.相互调整方式不明确：所有风险因素调整相同的混杂因素，但不清楚是否进行了相互调整；
6.无法判断混杂因素调整方式。
研究发现，在162项研究中，仅10项（6.2%） 采用了推荐方法（类别A），且全部聚焦于考察特定风险因素的研究。
相比之下，超过70%的研究采用了相互调整的方法。
其中，在广泛探索潜在风险因素的研究（n=88）中，24项（27.3%）仅基于先验知识选择混杂因素；28项（31.8%） 仅采用数据驱动方法（如单变量分析、逐步回归等）；20项（22.7%） 结合先验知识与数据驱动方法进行混杂因素选择。
在考察若干特定风险因素的研究（n=74）中，60项（81.1%） 仅依赖先验知识进行混杂因素选择；2项（2.7%） 仅采用数据驱动方法；10项（13.5%） 结合先验知识与数据驱动方法。
所有采用推荐方法（类别A）的研究都基于先验知识选择混杂因素；仅依赖数据驱动方法进行变量选择的研究，最终都采用了“相互调整”方法。
综上所述，在研究多个风险因素的观察性研究中，混杂因素调整方法存在较大差异。其中，最常采用的方法是相互调整，但这种方法可能导致过度调整偏倚，并产生误导性的效应估计。
所以，建议研究人员应考虑为每个风险因素与结果的关系单独调整混杂因素，而不是简单地将所有因素纳入多变量模型中。
-gqWJ.jfif)
