山东多中心健康管理纵向观察队列

目的介绍山东多中心健康管理纵向观察队列,描述该队列资料的主要变量和疾病的特征,阐明本队列构建的目标。方法山东多中心健康管理纵向观察队列为前瞻性、动态开放式队列。自2004年开始了数据采集、数据库构建、队列随访等一系列工作,迄今队列总人数已近100万人,最长观察时间已达12年,大约20%个体与医疗保险疾病结局数据和死因数据库实现了合并。信息收集包括问卷调查、体格检查和实验室检测。结果本次研究个体数为76 368人,男43 818人,女32 550人。高血压、糖尿病、脑卒中、冠心病的累积发病风险分别为49.40%、23.98%、4.74%和6.82%。结论山东多中心健康管理纵向观察队列是研究各种因素在慢性病发生、发展和转归过程中的作用、构建适用于健康管理人群疾病风险评估模型的基础,基于该队列的各项研究结果能够为慢性病的健康干预提供科学依据。

影响哮喘发病的因素——一项开放式队列研究

目的分析影响哮喘发病的因素。方法采用开放式队列研究,以2007年1月至2015年12月建立的山东多中心健康管理纵向动态开放式队列中的74 492名20岁以上、未患过支气管哮喘及类似气道慢性疾病、且近10年未搬离原地的健康人群为队列成员,随访至2016年,观察其哮喘发生情况,分析影响哮喘发病的因素。基线资料包括研究对象的社会人口学资料、吸烟状况、既往病史、家族疾病史等。采用多因素Poisson回归模型进行统计分析。结果回归分析表明,年龄(40～50岁)(RR=3. 3,95%CI=1. 8～6. 0)、女性(RR=1. 6,95%CI=1. 1～2. 3)、鼻息肉(RR=9. 5,95%CI=2. 3～39. 6)、肺炎(RR=6. 5,95%CI=3. 7～11. 2)、气管炎(RR=8. 7,95%CI=5. 1～14. 7)以及慢性阻塞性肺疾病(RR=6. 6,95%CI=3. 1～13. 8)均增加了哮喘的发病风险。结论年龄、性别、气道既往病史与哮喘发病风险存在显著相关性。

健康医疗大数据驱动的健康管理学理论方法体系

当今互联网、云计算和物联网技术的成熟和发展,医疗/卫生信息化的广泛普及,使得医疗/卫生相关数据正在以惊人的速度增长;同时,组学技术(基因组、影像组等)的推广应用,以及可穿戴移动医疗与移动健康技术的迅猛发展,促使健康医疗领域快速进入"大数据"时代;"健康医疗大数据驱动的健康管理"的新时代已经来临,即大数据驱动的健康/疾病管理实践已经成为现实。基于此,创建了涵盖健康/疾病检测、风险评估与干预的"大数据驱动的健康/疾病管理学的理论方法体系"。该体系包括健康医疗大数据背景下生命历程流行病学与暴露组学理论指导的健康/疾病管理学理论框架与概念模型、健康/疾病检测指标筛选及证据获取的理论方法、健康/疾病风险评估的理论方法、制定健康/疾病干预策略的理论方法。该体系对于指导大数据驱动的健康/疾病管理的理论和实践、推进健康/疾病管理学转型升级和健康医疗大数据产业化发展具有理论和实际意义。

基于网络爬虫技术的健康医疗大数据采集整理系统

目的快速、准确地获得公共卫生服务系统的医疗数据,并进行数据整理,为建立人群健康风险评估模型提供数据基础。方法运用聚焦网络爬虫技术,设计算法并编程,在自动记录和修正URL异常、原始数据存档、保持登录方式3个方面进行算法改进。将设计好的爬虫应用于爬取已获得授权网站的医疗数据,通过医学数据库系统,对数据进行解析、整理与导出。结果获得多个公共卫生服务基地数据,为当地政府部门提供数据分析报告,利用整理分析的数据完成多项健康风险评估模型建立。结论基于网络爬虫技术建立的数据采集整理系统,可以解决获取及整理网络许可数据的难题,将此技术应用于医药卫生领域,可使现有丰富的医学数据资源得以充分利用并提高利用效率。

多中心健康管理人群心脑血管疾病负担分析

目的了解山东省多中心健康管理人群主要心脑血管疾病的流行情况和疾病负担,为山东省卫生资源的合理配置提供参考。方法对山东省多中心健康管理人群2015年的心脑血管疾病的患病、死亡和病死情况进行描述。用WHO推荐的DisMod II软件和DALY calculation template计算心脑血管疾病的伤残调整生命年(DALYs)和伤残调整生命年强度(DALYs rate),并将伤残调整生命年强度作为反映疾病负担的量化指标。结果山东省多中心健康管理人群的心脑血管疾病的患病率、死亡率和病死率较高且随着年龄递增。伤残调整生命年强度随着年龄的增加呈上升趋势。男性平均每千人损失33.7个DALYs,女性平均每千人损失33.0个DALYs,总体人群平均每千人损失33.4个DALYs。结论山东省多中心健康管理人群的心脑血管疾病负担较高,且随着年龄的增长而增加,政府需要采取控制措施来减少疾病负担,70岁以上的人群需要重点防护。

健康管理人群脑卒中风险预测模型

目的构建20岁以上健康管理人群脑卒中发病风险预测模型。方法依托山东多中心健康管理纵向观察大数据库,构建20岁以上人群的脑卒中发生队列。采用Fine-Gray竞争风险模型分性别分别构建脑卒中风险预测模型。结果观察期间共新发生脑卒中患者1 299例,其中男829例,女470例,发病密度为4.51‰。男性预测模型纳入变量为年龄、高血压、冠心病史、糖尿病、吸烟、体质量指数、甘油三酯、白细胞计数、血小板计数、高密度脂蛋白、总胆固醇;女性预测模型纳入变量为年龄、高血压、冠心病史、红细胞计数、血红蛋白、体质量指数。男性与女性预测模型的受试者工作特征曲线下面积(AUC)分别为0.846(95%CI:0.828~0.864)、0.878(95%CI:0.858~0.898)。结论成功构建的脑卒中风险预测模型在健康管理人群中具有很好的预测能力。

健康管理人群高脂血症风险预测模型

目的建立20岁以上健康管理人群高脂血症风险预测模型并对其预测效果进行评价。方法依托山东多中心健康管理纵向观察队列共纳入30 056人,采用Cox比例风险回归建立高脂血症预测模型,利用ROC曲线下面积(AUC)进行模型评价,十折交叉验证法检验模型的预测效果和判别能力。结果随访期间共新发高脂血症5 063例,发病密度为47.78‰。预测模型纳入的变量为年龄、性别、吸烟、饮酒、总胆固醇、甘油三酯、总胆红素、高密度脂蛋白、糖尿病和高血压10个变量。预测模型的ROC曲线下面积AUC为0.741(95%CI:0.731~0.752),经十折交叉验证平均AUC为0.741。结论构建的高脂血症风险预测模型在健康管理人群中具有较好预测能力。

基于健康管理队列的心血管事件风险预测模型

目的基于健康管理队列构建心血管事件风险预测模型。方法数据来源于山东多中心健康管理纵向观察队列,共72 843人纳入队列。随机抽取70%队列人群作为训练组,其余30%作为校验组,应用Cox比例风险回归模型对影响心血管事件发生的因素进行变量筛选,利用部分分布竞争风险模型建立心血管事件预测模型,并使用十折交叉验证法检验模型稳定性。结果队列随访期间共发生心血管事件2 463例,发病密度为88.79/1 000人年,死于非心血管事件164例。最终纳入模型的变量包括年龄、吸烟、体质量指数、高血压、糖尿病、血脂异常、ST-T改变、T波改变、异常Q波、心律失常及肾脏疾病。训练组ROC曲线下面积男性为0.837(95%CI:0.821~0.853),女性为0.897(95%CI:0.880~0.913);校验组ROC曲线下面积男性为0.838(95%CI:0.813~0.862),女性为0.893(95%CI:0.872~0.914)。结论构建的心脑血管事件预测模型在健康管理人群中有较好的预测能力。

健康管理人群2型糖尿病发病风险预测模型

目的构建健康管理人群2型糖尿病3年发病风险预测模型。方法依托山东多中心健康管理纵向观察大数据库,选择20~75岁的基线未患2型糖尿病者构建队列。采用Cox比例风险回归构建2型糖尿病预测模型,以受试者工作特征曲线下面积(AUC)评价模型的预测效能,以十折交叉验证法检验模型的稳定性。结果随访期间共新发糖尿病1 624例,男性和女性的发病密度分别为15.00‰、10.83‰。男性预测模型最终纳入的变量包括年龄、体质量指数、空腹血糖、甘油三酯、谷丙转氨酶、白细胞计数。纳入女性预测模型的变量包括年龄、空腹血糖、甘油三酯、高密度脂蛋白、谷丙转氨酶。男性和女性预测模型的AUC分别为0.795(95%CI:0.764~0.827)和0.707(95%CI:0.654~0.759)。结论分性别建立的2型糖尿病发病风险预测模型在健康管理人群中均具有较好预测能力。

健康管理人群慢性肾脏病风险预测模型

目的构建健康管理人群慢性肾脏病(CKD)发病风险预测模型。方法从山东多中心健康管理纵向观察队列中选取年龄20岁以上、至少有两次纵向观察结果、初次观察结果未患CKD的健康管理对象,共17 654人,随访观察结局为CKD。应用Cox比例风险回归模型建立风险预测模型,以受试者工作特征曲线下面积(AUC)评价模型的拟合效果,应用十折交叉验证法验证模型的稳定性。结果观察期间共有770例新发CKD病例,发病密度为17.69/1 000人年。最终纳入模型的预测因子有年龄、性别、高血压、糖尿病、血肌酐、血尿素氮、血尿酸、嗜碱性粒细胞百分比。模型AUC为0.685(95%CI:0.678~0.692),且稳定性较好。结论建立的CKD风险预测模型在健康管理人群中有较好的预测能力。

基于健康管理队列的冠心病风险预测模型

目的构建基于山东省健康管理队列的冠心病风险预测模型。方法构建山东省健康管理队列,基于国际上较为通用的冠心病风险预测模型变量,应用Cox比例风险回归模型进行单因素分析,利用竞争风险模型建立心脑血管事件预测模型,使用十折交叉验证法检验模型稳定性。结果共纳入队列73 386人,其中男41 968人,女31 418人。队列中位随访时间3.10年。经随访共有1 545人发生冠心病,其中男958人,发病密度为5.95/1 000人年;女587人,发病密度为4.90/1 000人年。建立的男性模型AUC为0.809(95CI:0.804~0.815),O/E值为0.98;女性模型AUC为0.869(95%CI:0.863~0.874),O/E值为1.02。经十折交叉内部验证,男性模型AUC为0.806(95%CI:0.801~0.812),女性为0.866(95%CI:0.860~0.872)。结论构建的冠心病预测模型在健康管理队列中有较好的预测能力。

基于体检人群的非酒精性脂肪肝筛查工具的建立

目的建立一个非酒精性脂肪肝(NAFLD)筛查模型并对其进行验证。方法对"山东多中心健康管理纵向观察队列"中8 993名接受健康体检且无过量饮酒个体随机抽取80%进行建模,并做组内评价,剩余20%作组外评价。通过逐步Logistic回归,建立NAFLD筛查模型,并进行评价及验证。结果多因素Logistic回归分析表明,性别、体质量指数、高血压、血脂异常、谷草转氨酶/谷丙转氨酶(AST/ALT)和血糖(FBG)进入了模型,构建了NAFLD筛查模型并可通过计算得到脂肪肝指数(fatty liver index,FLI)。筛查模型的鉴别能力采用受试者工作特征曲线下面积(AUC)进行评价(组内:0.859,95%CI:0.851~0.867;组外:0.853,95%CI:0.835~0.869)。当FLI≤1.25时排除疾病,组内和组外的阴性预测值分别为93.1%和93.3%,FLI≥2.25诊断为NAFLD,两组的阳性预测值分别为74.6%和72.7%。结论 FLI是一个简单有效的筛查工具,可以用于高危人群的筛查,具有一定的实用价值。

原因别竞争风险模型及其在健康风险评估中的应用

目的介绍原因别竞争风险模型原理及其在健康风险评估中的应用。方法围绕慢性病风险评估广泛存在竞争风险这一问题,对比传统的Cox模型,分别从建模原理、参数估计等方面介绍原因别竞争风险,进一步结合山东多中心出血性脑卒中病例随访队列,阐明原因别竞争风险模型的实际应用和效果。结果在竞争风险框架下,原因别风险模型针对不同的原因别结局分别建立Cox类(Cox-type)生存分析模型,在参数和累积风险函数估计上,沿用了经典的偏似然函数方法,保证了估计量的相合性和有效性,为精确计算绝对风险奠定了基础。依托山东多中心出血性脑卒中病例随访队列,将其用于脑卒中死亡结局风险评估,显示出良好的实用性。结论在健康风险评估中,当竞争风险不容忽视时,可选取原因别竞争风险模型消除竞争风险的影响,避免产生错误的结论。

健康管理人群代谢综合征发病风险预测模型

目的基于健康管理人群队列,构建代谢综合征的5年发病风险预测模型。方法依托山东多中心健康管理纵向观察队列,选取20~80岁且基线未患代谢综合征者构建队列,采用Cox比例风险回归构建预测模型,并利用十折交叉验证法检验模型的稳定性,通过受试者工作特征曲线(ROC)下面积(AUC)和观测/期望(OE比)评价模型的预测效果。结果随访期间共发生代谢综合征1 591例(男1 273例,女318例),发病密度为38.57/1 000人年。男性代谢综合征预测模型纳入的变量包括年龄、BMI、空腹血糖、甘油三酯、高密度脂蛋白、血尿酸、总胆固醇和是否高血压,女性模型纳入变量包括年龄、BMI、空腹血糖、甘油三酯、血尿酸和是否高血压;模型ROC曲线下面积分别为0.751(95%CI:0.742~0.759)和0.745(95%CI:0.734~0.756);OE比分别为1.03和1.00;十折交叉验证ROC曲线下面积平均值分别为0.749和0.746。结论本研究利用健康管理纵向队列数据,建立了代谢综合征5年发病风险预测模型,经十折交叉验证结果表明,其在健康管理人群中有较好的预测效果,有助于识别高发病风险人群,进而减少和预防代谢综合征的发生。

健康管理人群缺血性异常心电图的影响因素

目的阐明健康管理人群的缺血性异常心电图的影响因素及非缺血性异常心电图对重要的缺血性异常心电图的预测价值。方法选择山东多中心健康管理纵向观察队列中至少参加2次体检的个体,排除冠心病及缺血性异常心电图患者,构建随访队列。对随访中发生缺血性异常心电图者与未发生缺血性异常心电图者,比较其基线信息,并筛选影响缺血性异常心电图的危险因素,进一步构建缺血性异常心电图的Cox回归分析模型。结果队列中共纳入45 546例,随访时间1~7年,平均3.24年,随访中共有7 656例出现缺血性异常心电图,发病密度为77.57/1 000人年。缺血性异常心电图发生的主要影响因素是年龄偏高、女性、高收缩压和舒张压、高空腹血糖、白细胞计数高以及非缺血性异常心电图R波高电压。结论本研究探讨导致缺血性异常心电图的危险因素,为制定切实可行的健康干预措施提供了科学依据。

基于社区2型糖尿病患者的心脑血管事件5年风险预测模型

目的构建新诊断的2型糖尿病患者5年内首次发生心脑血管事件的预测模型。方法研究对象选自青岛市黄岛区疾病预防控制中心慢性病管理系统,选择未发生过心脑血管事件的2型糖尿病患者2 899例作为训练样本,建立Cox模型和评分模型,并对模型进行内部验证;用"山东多中心健康管理纵向观察队列"中的1 016例2型糖尿病患者作为验证样本,对模型进行外部验证。结果随访期间训练样本共发生228例心脑血管事件,发病密度为16.86‰。模型变量包括年龄、性别、收缩压、低密度脂蛋白、高密度脂蛋白和心脑血管病家族史。训练样本Cox模型ROC曲线下面积(AUC)为0.678(95%CI:0.660~0.695),评分模型AUC为0.663(95%CI:0.648~0.680);外部验证Cox模型AUC为0.640(95%CI:0.608~0.676),评分模型AUC为0.631(95%CI:0.600~0.661)。结论研究建立的2型糖尿病患者心脑血管事件5年预测模型可以为社区糖尿病患者管理初期提供参考。

健康管理队列慢性阻塞性肺疾病风险预测模型

目的构建健康管理队列慢性阻塞性肺疾病(COPD)的风险预测模型,对模型预测效果进行评价,为COPD的防治提供理论依据。方法模型队列的建立基于"山东多中心健康管理纵向观察大数据队列",共有33 383人进入队列。通过对慢性阻塞性肺疾病发生的危险因素进行变量筛选,应用Cox比例风险回归建立COPD的预测模型,十折交叉验证法判别模型准确性,受试者工作特征曲线下面积(AUC)衡量模型的辨别能力。结果队列观察期间,共发生慢性阻塞性肺疾病136例,发病密度为118.08/10万人年。最终纳入模型的变量为年龄、性别、吸烟、白蛋白、血压和血白细胞计数。模型ROC曲线下面积为0.872(95%CI:0.810~0.934),十折交叉验证后ROC曲线下面积为0.866(95%CI:0.809~0.923)。结论构建的慢性阻塞性肺疾病预测模型在健康管理队列中有较好的预测能力。

基于健康管理队列的高血压风险预测模型

目的基于健康管理队列,构建高血压风险预测模型。方法依托山东多中心健康管理纵向观察队列,排除基线高血压、心脑血管疾病、血肌酐>177μmol/L、年龄<20岁者,构建高血压研究队列(共22 177人,其中男12 044人,女10 133人),分性别采用Cox回归建立高血压预测模型,并评价模型预测效果。结果观察期间新发高血压4 571例,发病密度为62.84/1 000人年。最终男性模型中的变量包括年龄、体质量指数、收缩压、舒张压、空腹血糖和红细胞压积,ROC曲线下面积(AUC)为0.821(95%CI:0.812~0.830);女性模型中的变量包括年龄、体质量指数、收缩压、红细胞计数和高密度脂蛋白,AUC为0.818(95%CI:0.806~0.828)。十折交叉验证结果显示,男女AUC分别为0.819(95%CI:0.810~0.828)、0.814(95%CI:0.803~0.825)。结论该模型具有较好的预测能力,可用来识别高血压高危个体。

基于体检队列的胃炎风险预测模型

目的构建基于体检者的胃炎风险预测模型。方法在2004年5月到2016年9月山东多中心健康管理纵向观测队列中选取初次体检未诊断为胃炎的体检者33 416人,通过多元逐步回归进行变量选择,建立Cox比例风险模型。最后通过十折交叉法进行内部验证。结果在观察期间有842例体检者出现新发胃炎情况,发病率为2.52%,发病密度为18.74‰,最后纳入模型的变量包括:年龄、幽门螺旋杆菌感染、白蛋白水平、嗜碱性粒细胞百分数以及淋巴细胞计数。预测模型的ROC曲线的AUC值为0.691(95%CI:0.670~0.712)。模型十折交叉验证后的AUC值为0.673(95%CI:0.652~0.694)。结论建立基于体检队列的胃炎风险模型的预测能力较好。

中性粒细胞计数与非酒精性脂肪肝关联性的前瞻性队列研究

目的探讨中性粒细胞计数与非酒精性脂肪肝(NAFLD)的关联性。方法基于大规模健康管理队列,针对队列基线中无NAFLD的15 463例健康体检对象随访,平均随访时间2.54年,随访结局为发生NAFLD;将基线中性粒细胞计数根据四分位数由低到高划分为4个组段(Q1、Q2、Q3、Q4);采用多元Cox回归计算中性粒细胞计数与NAFLD关联性的相对危险度(HR)。结果随访期间3 846人被诊断为NAFLD。Cox结果显示,以Q1为参照,在调整年龄、性别后,中性粒细胞计数的Q2、Q3、Q4三个组段的HR(95%CI)分别为1.265(1.057,1.514)、1.446(1.214,1.724)、1.605(1.350,1.907),上述基础上再调整谷丙转氨酶和γ-谷酰胺转酞酶后,Q2、Q3、Q4三个组段的HR(95%CI)分别为1.264(1.056,1.512)、1.434(1.202,1.710)、1.582(1.330,1.882),进一步调整血脂四项、空腹血糖、体质量指数(BMI)和高血压后,HR(95%CI)分别为1.181(0.986,1.415)、1.189(0.995,1.420)、1.226(1.026,1.464)。结论中性粒细胞计数是NAFLD发病的独立危险因素。