最近的Charls数据库风头正盛，可谓是真正的「国货之光」人的！用别人的数据进行二次挖掘，找好选题下载数据，加上统计学方法得出结果就能写文章，这谁能不心动？今天分享的这篇文章就是用Charls数据库，用上一个新指标- 胰岛素抵抗 ，就又发文一区！
2024年6月6日，中国学者用 Charls数据库 做了一项研究，在期刊 【Cardiovascular Diabetology 】 （ 医学一区top，IF=9.3 ） 发表了题为：「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」的研究论文，近年来的研究表明， 胰岛素抵抗(IR)与心血管疾病(CVD)的发生有关，而葡萄糖处置率(eGDR)被认为是胰岛素抵抗的可靠替代指标。 本研究 旨在探讨eGDR与非糖尿病参与者CVD发病率的关系。
胰岛素抵抗(IR)作为多种慢性疾病发病的共同土壤，危害巨大。近年来又有多项研究表明，胰岛素抵抗(IR)与心血管疾病(CVD)的发生有关。但先前大多数研究都涉及糖尿病患者，可能会导致结果不准确。
1.研究设计
本研究采用了 中国健康与养老追踪调查（Charls）数据库2011-2020年 的数据，经过纳排，最终纳入了 5512名 年龄>45岁没有心血管疾病和糖尿病，但基线时有完整的eGDR数据符合条件的参与者。
生化参数包括 ：高敏C反应蛋白（hsCRP）、血尿素氮（BUN）、血清肌酐、糖化血红蛋白A1c（HbA1c）和血脂谱。
高血压 定义为：基于医生诊断和/或任何抗高血压药物使用和/或血压≥140/90mmHg的自我报告的高血压。
糖尿病 定义为：依据医生自我报告的诊断、降糖药物的使用或FBG≥126mg/dL和/或基线时HbA1c水平≥6.5%。
肾脏疾病 定义为：自我报告的医生诊断和估计肾小球滤过率<60ml/min/1.73m2 。
体重指数（BMI） 计算公式为：BMI（kg/m2 ）=体重/身高2， BMI ≥ 28 kg/m2 为肥胖。
本研究的暴露是基线时的 eGDR。 eGDR （mg/kg/min） = 21.158 − （0.09 × 腰围） − （3.407 × 高血压） − （0.551 × HbA1c） [腰围 （cm）、高血压 （yes = 1/no = 0） 和 HbA1c （%）]。
主要结局 是心血管疾病，包括心脏病和中风。
2.基线数据
该研究共纳入 5512 名 参与者，其中女性占54.1%，并根据 eGDR 的四分位数 （Q） 进一步分为四个亚组。
平均年龄、女性比例、收缩压、舒张压、BMI、腰围、血红蛋白水平、HbA1c、TC、TG、LDL、UA 和 hsCRP 水平 均随 eGDR 的增加而降低 （均 P < 0.001）。
然而， eGDR水平较高的人往往生活在农村和南部地区，吸烟的占比较高。
在eGDR第四分位数，酒精消费比例最高（42.7%）。
3.观察性研究发现eGDR与CVD疾病之间存在关联
eGDR和CVD之间的剂量-反应曲线如下图所示， RCS曲线表明，无论是否调整协变量，eGDR 与 CVD、心脏病和卒中发病率之间存在显着的线性关系 （总体P均为 < 0.001，非线性P > 0.05）。
在完全调整协变量（模型 3）后， eGDR 每增加 1.0 SD，心血管疾病风险降低 17% （HR：0.83,95% CI：0.78 − 0.89）， 心脏病风险降低 13% （HR：0.87,95% CI：0.81 − 0.94）， 卒中风险降低 30% （HR：0.63 − 0.78）。
Kaplan-Meier生存曲线
表明，eGDR较高的个体CVD、心脏病和卒中的累积发病率较低。
使用Cox比例风险回归模型得出的结果 与先前一致。
模型2:调整了年龄、性别、农村居住、婚姻状况、教育程度、吸烟、饮酒状况；
模型3:在模型2的基础上进一步调整地区、TC（总胆固醇）、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反应蛋白）、血红蛋白、慢性肾脏疾病、肥胖；
a 每1000人年随访的发生率。
4.亚组分析结果
研究团队使用 亚组分析 ，用于评估 eGDR（连续和分类）与 CVD 发病率之间的关联是否被预先指定的亚组所改变。
在大多数亚组中， eGDR与CVD发病率之间的关系与主要结果一致 。 eGDR 对 CVD 发病率的预测性能仅通过吸烟亚组进行修改（相互作用的 P = 0.012）。
同时，在这些亚组中， 未观察到eGDR四分位组与不同终点发生率之间的显著交互作用。
5.纳入eGDR评估其对的CVD预测价值
基于Model 3，研究团队构建了基本模型（包括年龄、性别、农村居住地、婚姻状况、教育程度、吸烟情况、饮酒状况、地区、TC、HDL、TG、LDL、BUN、UA、hsCRP、血红蛋白、慢性肾脏病和肥胖）。
在添加eGDR后，显著优化了CVD （C统计量：0.671 vs. 0.608，P < 0.001）、 心脏病 （C统计量：0.671 vs. 0.611，P < 0.001）和 卒中 （C统计量：0.685 vs. 0.620 P < 0.001） 基本模型的预测能力。
此外，心血管疾病、心脏病和卒中的所有NRI和IDI均显著（均P<0.001）。
尽管将高血压纳入基本模型后，缺失增强了其对心血管结局的预测能力，但与纳入 eGDR 的相比，它的强度较差。
本文使用的统计学方法主要分为以下几部分：
1.观察性研究
分别使用 方差分析 和 Kruskal-Wallis H 检验 对正态分布数据和偏态分布数据进行基线数据比较。
使用eGDR每个四分位数的中值进行了
趋势检验
。
采用 多重插补法 对缺失值进行插补。
2.暴露与结局之间的关联性分析
生成 Kaplan-Meier 曲线 来说明 CVD 的累积发病率，并使用对数秩检验比较差异。
拟合三个 Cox 比例风险模型 以估计 eGDR 和 CVD 之间的风险比 （HR） 以及相应的 95% 置信区间 （CI）。
使用 Schoenfeld残差检验 检查模型中每个变量的比例风险假设，未观察到违规行为。
为了研究eGDR与CVD发生率的剂量-反应关系，构建了基于Cox回归模型的 RCS曲线 。
3.评估eGDR对CVD发病率的预测价值
建立
RCS曲线
来评估eGDR对CVD发病率的预测价值，并采用C统计量进行量化。
为了进一步估计基本模型之外的预测能力，计算了 净重分类改进（NRI） 和 综合歧视改善（IDI）指数。
4.亚组分析
进行 亚组分析 以评估 eGDR（连续和分类）对几个亚组 CVD 发病率的影响，包括年龄（< / ≥ 60 岁）、性别（男性/女性）、吸烟（是/否）和饮酒（是/否）。
5.敏感性分析
进行了几项 敏感性分析 ，以评估主要发现的稳健性。
首先，在血糖状态正常的参与者中重复分析；
其次，根据高血压（130/80 mm Hg） 重新定义了eGDR；
最后，在非糖尿病参与者中检查 eGDR 与 CVD 的关联的结果。
好的选题非常关键，这个Charls数据库的新指标可要好好把握。本公众号去年就介绍了一篇关于温州医科大学的学者使用Nhanes+胰岛素抵抗（IR）发表SCI的文章。
