背景:骨质疏松性骨折是骨质疏松症最严重的并发症,既往的研究已经证实了肠道菌群对骨骼组织具有调节作用,肠道菌群与骨质疏松性骨折有着重要关系,但是二者之间的因果关系尚不清楚。目的:使用孟德尔随机化(MR)方法探索肠道菌群与骨质疏...背景:骨质疏松性骨折是骨质疏松症最严重的并发症,既往的研究已经证实了肠道菌群对骨骼组织具有调节作用,肠道菌群与骨质疏松性骨折有着重要关系,但是二者之间的因果关系尚不清楚。目的:使用孟德尔随机化(MR)方法探索肠道菌群与骨质疏松性骨折之间的因果关系。方法:从IEU Open GWAS数据库和芬兰数据库R9中分别获得了肠道菌群和骨质疏松性骨折的GWAS数据集,以肠道菌群作为暴露因素,骨质疏松性骨折作为结局变量,采用随机效应逆方差加权法、MR-Egger回归、加权中位数法、简单模型法以及加权模型法进行孟德尔随机化分析来评估肠道菌群与骨质疏松性骨折之间是否存在因果关系,通过敏感性分析来检验结果的可靠性和稳健性,并进行反向孟德尔随机化分析来进一步验证正向孟德尔随机化分析中确定的因果关系。结果与结论:①此孟德尔随机化分析结果表明,肠道菌群与骨质疏松性骨折之间存在因果关系。放线菌目(OR=1.562,95%CI:1.027-2.375,P=0.037)、放线菌科(OR=1.561,95%CI:1.027-2.374,P=0.037)、放线菌属(OR=1.544,95%CI:1.130-2.110,P=0.006)、丁酸球菌属(OR=1.781,95%CI:1.194-2.657,P=0.005)、粪球菌属-2(OR=1.550,95%CI:1.068-2.251,P=0.021)、Family ⅩⅢ UCG-001属(OR=1.473,95%CI:1.001-2.168,P=0.049)、产甲烷短杆菌属(OR=1.274,95%CI:1.001-1.621,P=0.049)、罗氏菌属(OR=1.429,95%CI:1.015-2.013,P=0.041)的丰度升高,会增加患者骨质疏松性骨折的风险;②拟杆菌纲(OR=0.660,95%CI:0.455-0.959,P=0.029)、拟杆菌目(OR=0.660,95%CI:0.455-0.959,P=0.029)、克里斯滕森氏菌科(OR=0.725,95%CI:0.529-0.995,P=0.047)、瘤胃球菌科(OR=0.643,95%CI:0.443-0.933,P=0.020)、肠杆菌属(OR=0.558,95%CI:0.395-0.788,P=0.001)、直肠真杆菌属(OR=0.631,95%CI:0.435-0.916,P=0.016)、毛螺菌科-UCG008(OR=0.738,95%CI:0.546-0.998,P=0.048)、瘤胃梭菌属-9(OR=0.492,95%CI:0.324-0.746,P=0.001)的丰度升高,会降低患者骨质疏松性骨折的风险。③文章通过孟德尔随机化方法发现了16种与骨质疏松性骨折相关的肠道菌群,即以肠道菌群为暴露因素,骨质疏松性骨折为结局变量,8种肠道菌群与骨质疏松性骨折呈正向因果关联,另外8种肠道菌群与骨质疏松性骨折呈负向因果关联。④此研究结果不仅为临床上骨质疏松性骨折的早期预测及潜在治疗靶点确定了新的生物标志物,还为骨组织工程中研究通过肠道菌群改善骨质疏松性骨折的发生与预后提供了实验基础和理论依据。展开更多
为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ...为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中筛选了25个研究变量和3870条患者数据,使用因果发现算法进行特征降维。通过NO TEARS算法构建因果图并建立因果贝叶斯网络进行实验,通过机器学习算法验证重要特征的合理性,并对网络结构进行因果效应估计,模型具有最高的受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic,AUROC)分数,为81.7%,优于逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)。此外,模型的重要特征预测能力在各种建模中都很稳健,构建的因果贝叶斯网络具有更好的预测效果并具备良好的解释能力。展开更多
目的:本研究旨在探讨身体质量指数(body mass index,BMI)与子宫内膜癌之间的因果关系。方法:使用全基因组关联研究(GWAS)的公开汇总数据集进行孟德尔随机化(MR)分析。从171977名欧洲血统参与者的汇总数据中,总共提取37个单核苷酸多态性(...目的:本研究旨在探讨身体质量指数(body mass index,BMI)与子宫内膜癌之间的因果关系。方法:使用全基因组关联研究(GWAS)的公开汇总数据集进行孟德尔随机化(MR)分析。从171977名欧洲血统参与者的汇总数据中,总共提取37个单核苷酸多态性(SNP)作为暴露BMI的工具变量。子宫内膜癌的GWAS汇总数据来自子宫内膜癌协会联盟(12906例病例和108979例对照)。采用逆方差加权(IVW)作为MR的主要分析方法,并辅以加权中位数(WME)、MR-Egger法、简单众数法(SM)和加权众数法(WM)。同时进行了多效性分析、异质性分析和留一敏感性分析,以进一步评估BMI与子宫内膜癌之间的因果关系。结果:IVW分析发现,BMI与子宫内膜癌之间存在因果关系(OR:1.734,95%CI:1.442,2.084),BMI每增加一个标准差(4.77 kg/m^(2))与子宫内膜癌总体风险增加相关。异质性分析显示纳入SNP之间无异质性(P=0.055)。水平多效性分析显示BMI与子宫内膜癌之间的相关性无水平多效性(MR Egger截距=0.010,P=0.278)。结论:BMI与子宫内膜癌之间存在因果关系,BMI升高增加患子宫内膜癌的风险。展开更多
文摘背景:骨质疏松性骨折是骨质疏松症最严重的并发症,既往的研究已经证实了肠道菌群对骨骼组织具有调节作用,肠道菌群与骨质疏松性骨折有着重要关系,但是二者之间的因果关系尚不清楚。目的:使用孟德尔随机化(MR)方法探索肠道菌群与骨质疏松性骨折之间的因果关系。方法:从IEU Open GWAS数据库和芬兰数据库R9中分别获得了肠道菌群和骨质疏松性骨折的GWAS数据集,以肠道菌群作为暴露因素,骨质疏松性骨折作为结局变量,采用随机效应逆方差加权法、MR-Egger回归、加权中位数法、简单模型法以及加权模型法进行孟德尔随机化分析来评估肠道菌群与骨质疏松性骨折之间是否存在因果关系,通过敏感性分析来检验结果的可靠性和稳健性,并进行反向孟德尔随机化分析来进一步验证正向孟德尔随机化分析中确定的因果关系。结果与结论:①此孟德尔随机化分析结果表明,肠道菌群与骨质疏松性骨折之间存在因果关系。放线菌目(OR=1.562,95%CI:1.027-2.375,P=0.037)、放线菌科(OR=1.561,95%CI:1.027-2.374,P=0.037)、放线菌属(OR=1.544,95%CI:1.130-2.110,P=0.006)、丁酸球菌属(OR=1.781,95%CI:1.194-2.657,P=0.005)、粪球菌属-2(OR=1.550,95%CI:1.068-2.251,P=0.021)、Family ⅩⅢ UCG-001属(OR=1.473,95%CI:1.001-2.168,P=0.049)、产甲烷短杆菌属(OR=1.274,95%CI:1.001-1.621,P=0.049)、罗氏菌属(OR=1.429,95%CI:1.015-2.013,P=0.041)的丰度升高,会增加患者骨质疏松性骨折的风险;②拟杆菌纲(OR=0.660,95%CI:0.455-0.959,P=0.029)、拟杆菌目(OR=0.660,95%CI:0.455-0.959,P=0.029)、克里斯滕森氏菌科(OR=0.725,95%CI:0.529-0.995,P=0.047)、瘤胃球菌科(OR=0.643,95%CI:0.443-0.933,P=0.020)、肠杆菌属(OR=0.558,95%CI:0.395-0.788,P=0.001)、直肠真杆菌属(OR=0.631,95%CI:0.435-0.916,P=0.016)、毛螺菌科-UCG008(OR=0.738,95%CI:0.546-0.998,P=0.048)、瘤胃梭菌属-9(OR=0.492,95%CI:0.324-0.746,P=0.001)的丰度升高,会降低患者骨质疏松性骨折的风险。③文章通过孟德尔随机化方法发现了16种与骨质疏松性骨折相关的肠道菌群,即以肠道菌群为暴露因素,骨质疏松性骨折为结局变量,8种肠道菌群与骨质疏松性骨折呈正向因果关联,另外8种肠道菌群与骨质疏松性骨折呈负向因果关联。④此研究结果不仅为临床上骨质疏松性骨折的早期预测及潜在治疗靶点确定了新的生物标志物,还为骨组织工程中研究通过肠道菌群改善骨质疏松性骨折的发生与预后提供了实验基础和理论依据。
文摘为了及早发现重症监护室中的急性肾损伤高危患者,为其提供适当的护理,实现医疗资源的合理利用,研究建立因果贝叶斯网络模型进行急性肾损伤高危患者死亡风险预测。从重症监护医学信息市场(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中筛选了25个研究变量和3870条患者数据,使用因果发现算法进行特征降维。通过NO TEARS算法构建因果图并建立因果贝叶斯网络进行实验,通过机器学习算法验证重要特征的合理性,并对网络结构进行因果效应估计,模型具有最高的受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic,AUROC)分数,为81.7%,优于逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)和极端梯度提升树(eXtreme Gradient Boosting,XGBoost)。此外,模型的重要特征预测能力在各种建模中都很稳健,构建的因果贝叶斯网络具有更好的预测效果并具备良好的解释能力。
文摘目的:本研究旨在探讨身体质量指数(body mass index,BMI)与子宫内膜癌之间的因果关系。方法:使用全基因组关联研究(GWAS)的公开汇总数据集进行孟德尔随机化(MR)分析。从171977名欧洲血统参与者的汇总数据中,总共提取37个单核苷酸多态性(SNP)作为暴露BMI的工具变量。子宫内膜癌的GWAS汇总数据来自子宫内膜癌协会联盟(12906例病例和108979例对照)。采用逆方差加权(IVW)作为MR的主要分析方法,并辅以加权中位数(WME)、MR-Egger法、简单众数法(SM)和加权众数法(WM)。同时进行了多效性分析、异质性分析和留一敏感性分析,以进一步评估BMI与子宫内膜癌之间的因果关系。结果:IVW分析发现,BMI与子宫内膜癌之间存在因果关系(OR:1.734,95%CI:1.442,2.084),BMI每增加一个标准差(4.77 kg/m^(2))与子宫内膜癌总体风险增加相关。异质性分析显示纳入SNP之间无异质性(P=0.055)。水平多效性分析显示BMI与子宫内膜癌之间的相关性无水平多效性(MR Egger截距=0.010,P=0.278)。结论:BMI与子宫内膜癌之间存在因果关系,BMI升高增加患子宫内膜癌的风险。