糖尿病心血管并发症预测模型的构建

目的 筛选糖尿病心血管并发症的危险因素并构建预测模型,为早期预防和减缓进展提供依据。方法∶基于京津冀社区自然人群慢性病队列,选取基线(2017—2019年)糖尿病患者作为研究对象,根据自报患病时间先后顺序判定是否发生心血管并发症作为结局指标。按7Lasso结合Logistic回归模型方法筛选危险因素,将其纳入多因素Logistic回归模型构建糖尿病心血管并发症发生风险的预测模型,并绘制列线图进行可视化。绘制受试者工作特征曲线并计算曲线下面积,Hosmer-Lemeshow拟合优度检验和绘制校准曲线评估校准度,对预测模型进行评价和验证。结果 共纳入813例2型糖尿病患者,平均年龄为(62.6±10.4)岁,其中训练集569例,测试集244例,两组患者除超敏C反应蛋白水平具有差异(P=0.028)外,其他基本特征差异均无统计学意义。多因素Logistic回归分析显示,糖尿病心血管并发症的危险因素包括年龄[OR=1.040,95%CI(1.010,1.073),P=0.010]、高血压[OR=2.211,95%CI(1.263,3.975),P=0.006]、糖尿病病程[OR=1.063,95%CI(1.028,1.099),P <0.001]、空腹血糖水平[OR=1.186,95%CI(1.075,1.309),P=0.001]、血脂异常[OR=2.051,95%CI(1.167,3.583),P=0.012]、心血管病家族史[OR=2.794,95%CI(1.650,4.774),P <0.001]和吸烟[OR=1.975,95%CI(1.133,3.462),P=0.017];而保护因素为血清胆红素[OR=0.940,95%CI(0.889,0.991),P=0.027]。列线图显示2型糖尿病患者可根据模型中8个预测因素的动态变化计算出发生糖尿病心血管并发症的概率。训练集和测试集ROC曲线下面积分别为0.803和0.820,HosmerLemeshow检验P值分别为0.776和0.554,校准曲线与理想曲线的平均绝对误差为0.013,表明预测模型区分度和校准度均较好。结论 本研究基于社区自然人群构建的糖尿病心血管并发症风险预测模型效果较好,为糖尿病患者心血管并发症的早期预测预警提供了便利可行的工具。

绿地暴露与心血管代谢性疾病的关联研究及PM_(2.5)的中介效应

目的描述我国社区自然人群心血管代谢性疾病(cardiovascular metabolic disease,CMD)的流行现状,探讨绿地暴露与CMD的关联及细颗粒物(fine particulate matter,PM_(2.5))的中介效应。方法采用多阶段分层整群抽样方法,选取2017—2019年“京津冀地区生活社区自然人群慢性病队列研究”的社区自然人群(≥18岁),采用归一化植被指数(normalized difference vegetation index,NDVI)和增强植被指数(enhanced vegetation index,EVI)评估人群的绿地暴露水平。采用广义线性混合效应模型进行绿地暴露与CMD的关联性分析,并分析PM_(2.5)在其中的中介效应。结果36429名研究对象中男16095名(44.2%),女20334名(55.8%);年龄18~92岁,平均(51.3±14.7)岁;其中CMD患者18025例,患病率为49.5%;同时患两种及以上CMD患者6232例(17.1%),其中高血压合并糖尿病患病率最高,为2584例(7.1%)。绿地与CMD呈负相关(主模型:NDVI500m,OR=0.951,95%CI:0.908~0.995;EVI500m,OR=0.907,95%CI:0.844~0.975)。PM_(2.5)在NDVI500m、EVI500m与CMD关联的中介效应占比分别为17.300%、22.370%。结论我国社区自然人群CMD患病率较高,较高的绿地暴露水平与自然人群CMD患病风险呈负相关,PM_(2.5)在其中发挥中介效应。增加居民住宅周围绿地可能是预防社区自然人群CMD患病的有效措施。

北京市密云区大气污染物短期暴露与呼吸系统疾病住院人数的关联性研究

目的探索北京市密云区大气污染物短期暴露与呼吸系统疾病住院人数的关联。方法收集北京市密云区医院2014年4月10日—2019年8月10日呼吸内科病房住院病例数据,北京市生态环境监测中心的每日大气污染物监测数据和中国气象数据网的每日气象数据。运用广义相加模型,调整星期几效应、节假日效应、温度、湿度、风速和时间长期趋势变量,分析密云区大气PM_(2.5)、PM_(10)、SO_(2)、NO_(2)、CO和O_(3)-8 h与呼吸系统疾病住院人数的关联性。通过双污染物模型和敏感性分析,评价各污染物模型的稳健性。结果PM_(10)质量浓度在lag 7 d每上升1个四分位间距(IQR)时,呼吸系统疾病住院人数增加2.29%(95%CI:0.04%~4.60%);O_(3)-8 h质量浓度在lag 0 d每上升1个IQR时,呼吸系统疾病住院人数增加5.80%(95%CI:0.06%~11.86%)。在亚组分析中PM_(10)在lag 3 d与男性的关联高于女性(P_(交互)=0.006);CO在lag 3 d与80岁及以上人群的关联高于65~79岁人群(P_(交互)=0.047)。在双污染物模型中,O_(3)-8 h在lag 0 d与呼吸系统疾病住院人数的关联在调整PM_(2.5)、PM_(10)、NO_(2)、CO后仍存在统计学意义,提示O_(3)暴露与呼吸系统疾病住院人数增加的正向关联具有稳健性。结论O_(3)-8 h短期暴露与呼吸系统疾病住院人数增加相关;PM_(10)污染与呼吸系统疾病住院人数增加存在关联,且存在滞后效应。

多组学大数据分析方法在高血压研究中的应用进展

高血压是一种病因复杂、以持续性血压升高为主要表现的系统性疾病,可原发或继发于其他疾病,涉及基因、表观遗传、生活行为方式等多种因素的共同作用^([1]),其患病率高、合并症多、病因不清、需长期服用降压药控制血压,给患者、家庭和整个社会造成沉重的疾病负担^([2-3])。当前,随着测序技术的不断普及和发展,通过各类分析技术将种类繁多的组学数据整合,进行复杂疾病的致病机制探索和发病风险预测已成为生命科学领域的重要研究方向和趋势。

拔管前应用利多卡因预防血流动力学变化的Meta分析

目的系统评价全身麻醉后气管拔管前应用利多卡因预防血液动力学变化的效果。方法计算机检索PubMed、Ovid、Web of Science、EMbase、The Cochrane Library、CBM、CNKI、VIP和WanFang Data数据库,搜集有关全麻手术后拔管前应用利多卡因预防血流动力学变化的随机对照试验(RCT),检索时限均从建库至2018年10月。由2名研究者独立筛选文献、提取资料并评价纳入研究的偏倚风险后,采用RevMan 5.3和Stata13.0软件进行Meta分析。结果共纳入10个RCTs,包括525例患者。Meta分析结果显示:相对于空白对照,利多卡因可降低气管拔管后5 min平均动脉压升高[MD=–5.10,95%CI(–9.41,–0.79),P=0.02]、减弱拔管前至拔管后5 min由拔管引起的收缩压升高[拔管前:MD=–7.22,95%CI(–10.34,–4.11),P<0.000 01;拔管时:MD=–14.02,95%CI(–19.42,–8.62),P<0.000 01;拔管后1 min:MD=–15.82,95%CI(–22.20,–9.45),P<0.000 01;拔管后3 min:MD=–12.55,95%CI(–20.36,–4.74),P=0.002;拔管后5 min:MD=–12.05,95%CI(–20.35,–3.74),P=0.004]、抑制拔管时由拔管引起的舒张压升高[MD=–9.71,95%CI(–16.57,–2.86),P=0.005]。此外,利多卡因可抑制其他时刻(除拔管前和拔管后10 min)的心率加快。结论当前证据表明,拔管前应用利多卡因在大部分时间点能抑制拔管引起的血压升高和心率加快。受纳入研究数量和质量的限制,上述结论尚待更多高质量研究予以验证。

大型人群队列研究随访监测设计研究进展

随着人们对复杂性疾病病因研究需求的日益提升,大型队列研究逐渐替代传统小样本队列研究,成为流行病学研究的热点。随访作为队列研究中的获取疾病发病、死亡以及迁移或失访资料的重要环节,其质量对队列研究的结论有着直接影响。因此,制定合理的随访监测方案成为大型队列研究成功的关键。本文主要针对目前国内外大型队列研究随访监测的内容和方法进行综述,旨在为新建队列研究的随访方案设计和现有队列随访方案改进提供建议和思路。