最近的Charls資料庫風頭正盛，可謂是真正的「國貨之光」人的！用別人的數據進行二次挖掘，找好選題下載數據，加上統計學方法得出結果就能寫文章，這誰能不心動？今天分享的這篇文章就是用Charls資料庫，用上一個新指標- 胰島素抵抗 ，就又發文一區！
2024年6月6日，中國學者用 Charls資料庫 做了一項研究，在期刊 【Cardiovascular Diabetology 】 （ 醫學一區top，IF=9.3 ） 發表了題為：「Insulin resistance assessed by estimated glucosedisposal rate and risk of incident cardiovascular diseases among individuals without diabetes: findings from a nationwide, population based, prospective cohort study」的研究論文，近年來的研究表明， 胰島素抵抗(IR)與心血管疾病(CVD)的發生有關，而葡萄糖處置率(eGDR)被認為是胰島素抵抗的可靠替代指標。 本研究 旨在探討eGDR與非糖尿病參與者CVD發病率的關系。
胰島素抵抗(IR)作為多種慢性疾病發病的共同土壤，危害巨大。近年來又有多項研究表明，胰島素抵抗(IR)與心血管疾病(CVD)的發生有關。但先前大多數研究都涉及糖尿病患者，可能會導致結果不準確。
1.研究設計
本研究采用了 中國健康與養老追蹤調查（Charls）資料庫2011-2020年 的數據，經過納排，最終納入了 5512名 年齡>45歲沒有心血管疾病和糖尿病，但基線時有完整的eGDR數據符合條件的參與者。
生化參數包括 ：高敏C反應蛋白（hsCRP）、血尿素氮（BUN）、血清肌酐、糖化血紅蛋白A1c（HbA1c）和血脂譜。
高血壓 定義為：基於醫生診斷和/或任何抗高血壓藥物使用和/或血壓≥140/90mmHg的自我報告的高血壓。
糖尿病 定義為：依據醫生自我報告的診斷、降糖藥物的使用或FBG≥126mg/dL和/或基線時HbA1c水平≥6.5%。
腎臟疾病 定義為：自我報告的醫生診斷和估計腎小球濾過率<60ml/min/1.73m2 。
體重指數（BMI） 計算公式為：BMI（kg/m2 ）=體重/身高2， BMI ≥ 28 kg/m2 為肥胖。
本研究的暴露是基線時的 eGDR。 eGDR （mg/kg/min） = 21.158 − （0.09 × 腰圍） − （3.407 × 高血壓） − （0.551 × HbA1c） [腰圍 （cm）、高血壓 （yes = 1/no = 0） 和 HbA1c （%）]。
主要結局 是心血管疾病，包括心臟病和中風。
2.基線數據
該研究共納入 5512 名 參與者，其中女性占54.1%，並根據 eGDR 的四分位數 （Q） 進一步分為四個亞組。
平均年齡、女性比例、收縮壓、舒張壓、BMI、腰圍、血紅蛋白水平、HbA1c、TC、TG、LDL、UA 和 hsCRP 水平 均隨 eGDR 的增加而降低 （均 P < 0.001）。
然而， eGDR水平較高的人往往生活在農村和南部地區，吸煙的占比較高。
在eGDR第四分位數，酒精消費比例最高（42.7%）。
3.觀察性研究發現eGDR與CVD疾病之間存在關聯
eGDR和CVD之間的劑量-反應曲線如下圖所示， RCS曲線表明，無論是否調整協變量，eGDR 與 CVD、心臟病和卒中發病率之間存在顯著的線性關系 （總體P均為 < 0.001，非線性P > 0.05）。
在完全調整協變量（模型 3）後， eGDR 每增加 1.0 SD，心血管疾病風險降低 17% （HR：0.83,95% CI：0.78 − 0.89）， 心臟病風險降低 13% （HR：0.87,95% CI：0.81 − 0.94）， 卒中風險降低 30% （HR：0.63 − 0.78）。
Kaplan-Meier生存曲線
表明，eGDR較高的個體CVD、心臟病和卒中的累積發病率較低。
使用Cox比例風險回歸模型得出的結果 與先前一致。
模型2:調整了年齡、性別、農村居住、婚姻狀況、教育程度、吸煙、飲酒狀況；
模型3:在模型2的基礎上進一步調整地區、TC（總膽固醇）、HDL（高密度脂蛋白）、TG（甘油三酯）、LDL（低密度脂蛋白）、BUN（血尿素氮）、UA（尿酸）、hsCRP（高敏c反應蛋白）、血紅蛋白、慢性腎臟疾病、肥胖；
a 每1000人年隨訪的發生率。
4.亞組分析結果
研究團隊使用 亞組分析 ，用於評估 eGDR（連續和分類）與 CVD 發病率之間的關聯是否被預先指定的亞組所改變。
在大多數亞組中， eGDR與CVD發病率之間的關系與主要結果一致 。 eGDR 對 CVD 發病率的預測效能僅透過吸煙亞組進行修改（交互作用的 P = 0.012）。
同時，在這些亞組中， 未觀察到eGDR四分位組與不同終點發生率之間的顯著互動作用。
5.納入eGDR評估其對的CVD預測價值
基於Model 3，研究團隊構建了基本模型（包括年齡、性別、農村居住地、婚姻狀況、教育程度、吸煙情況、飲酒狀況、地區、TC、HDL、TG、LDL、BUN、UA、hsCRP、血紅蛋白、慢性腎臟病和肥胖）。
在添加eGDR後，顯著最佳化了CVD （C統計量：0.671 vs. 0.608，P < 0.001）、 心臟病 （C統計量：0.671 vs. 0.611，P < 0.001）和 卒中 （C統計量：0.685 vs. 0.620 P < 0.001） 基本模型的預測能力。
此外，心血管疾病、心臟病和卒中的所有NRI和IDI均顯著（均P<0.001）。
盡管將高血壓納入基本模型後，缺失增強了其對心血管結局的預測能力，但與納入 eGDR 的相比，它的強度較差。
本文使用的統計學方法主要分為以下幾部份：
1.觀察性研究
分別使用 變方分析 和 Kruskal-Wallis H 檢驗 對正態分布數據和偏態分布數據進行基線數據比較。
使用eGDR每個四分位數的中值進行了
趨勢檢驗
。
采用 多重插補法 對缺失值進行插補。
2.暴露與結局之間的關聯性分析
生成 Kaplan-Meier 曲線 來說明 CVD 的累積發病率，並使用對數秩檢驗比較差異。
擬合三個 Cox 比例風險模型 以估計 eGDR 和 CVD 之間的風險比 （HR） 以及相應的 95% 置信區間 （CI）。
使用 Schoenfeld殘留誤差檢驗 檢查模型中每個變量的比例風險假設，未觀察到違規行為。
為了研究eGDR與CVD發生率的劑量-反應關系，構建了基於Cox回歸模型的 RCS曲線 。
3.評估eGDR對CVD發病率的預測價值
建立
RCS曲線
來評估eGDR對CVD發病率的預測價值，並采用C統計量進行量化。
為了進一步估計基本模型之外的預測能力，計算了 凈重分類改進（NRI） 和 綜合歧視改善（IDI）指數。
4.亞組分析
進行 亞組分析 以評估 eGDR（連續和分類）對幾個亞組 CVD 發病率的影響，包括年齡（< / ≥ 60 歲）、性別（男性/女性）、吸煙（是/否）和飲酒（是/否）。
5.敏感性分析
進行了幾項 敏感性分析 ，以評估主要發現的穩健性。
首先，在血糖狀態正常的參與者中重復分析；
其次，根據高血壓（130/80 mm Hg） 重新定義了eGDR；
最後，在非糖尿病參與者中檢查 eGDR 與 CVD 的關聯的結果。
好的選題非常關鍵，這個Charls資料庫的新指標可要好好把握。本公眾號去年就介紹了一篇關於溫州醫科大學的學者使用Nhanes+胰島素抵抗（IR）發表SCI的文章。
