IF6.9!南昌大学二附院团队CHARLS数据库新发现:CHG指数或成抑郁人群脑卒中新预警指标!

Research Background

抑郁症与卒中风险升高有关，但传统单一指标预测效能有限。CHG指数作为整合脂糖代谢的新兴复合参数，在心血管领域中初显身手，不过它在抑郁人群卒中预警中的价值尚属空白。借着CHARLS队列数据，我们打算从纵向视角挖一挖这其中的关联，看看这个指数能否补上这块拼图。

Research Methodology

本研究基于CHARLS数据库（2011-2018），纳入5138名有抑郁症状的中老年人，采用Cox回归评估CHG指数与新发卒中的关联，辅以Logistic回归验证方向一致性。通过多重插补处理缺失值，并利用限制性立方样条和分段回归探索非线性关系与阈值效应。

图1.样本筛选流程图

01

基线特征“老生常谈”，但差异扎眼

卒中组CHG中位数5.39 vs 5.26（P<0.001），高血压翻倍、糖尿病翻倍，这俩才是硬茬子。表扬表格干净，批评肝病史P=0.038大概率多重比较碰出来的，别过度解读（表1）。

表1.研究人群的基线特征

复现思路

基线对比照搬格式——正态用t检验，非正态Mann-Whitney，分类卡方。缺失率超5%的变量学他用多重插补，但附表放完整案例分析结果，方便甩证据。

Model 3每单位CHG的HR=1.48（P=0.003），但RCS非线性P=0.005直接打脸。分段回归：CHG<5.59时HR=2.17，超过后HR=1.00完全平了。表扬D1统计量做非线性检验讲究，批判Bootstrap才200次稳定性堪忧（表2)。

表2.CHG指数与新发脑卒中关联的Cox回归分析

复现思路

先线性后非线性的阶梯策略可照抄——RCS节点设10/50/90百分位，两段式Cox找拐点用segmented包。关键把线性vs分段模型的似然比检验结果怼进正文，证明非线性更优。

03

拐点漂亮但临床落地困难

低CHG阶段代谢紊乱边际破坏最大，超过5.59后其他通路接管主导权(图2，图3)。

但是单时点基线数据，动态变化全忽略，跟刻舟求剑有啥区别？

图2.CHG指数与新发脑卒中关联的限制性立方样条曲线

图3.CHG指数与新发脑卒中关联的两段式Cox回归曲线

复现思路

RCS可视化用rms包配合ggplot2，拐点稳定性用Bootstrap至少500次（他200次太少）。若有重复测量暴露，别学他用基线单点，考虑时依Cox模型做动态预测。

生存数据用Logistic粗暴二分还能得到几乎一样的效应值（OR=1.54 vs HR=1.48），怀疑多重插补把数据“抹平”了。但高血压OR=2.10才是真·危险因素，CHG在它面前就是个弟弟（表3）。

表3.新发脑卒中相关因素的多变量Logistic回归分析

复现思路

Logistic作为Cox的“僚机”可以照搬，但记住OR只能用于方向性佐证，别跟HR并列讨论效应大小。更聪明的做法是加竞争风险的Fine-Gray作为补充敏感分析。

排除前2年事件、四分位数、中位二分全指向同一结论。致命伤：死亡当删失处理导致HR被高估，作者自己承认做不了Fine-Gray（表4）。

表4.CHG指数与新发脑卒中关联的敏感性分析汇总

复现思路

四板斧（排除早期事件、分位数、中位二分、换模型）直接抄进自己的敏感性分析小节。务必用cmprsk包补上Fine-Gray竞争风险，有死因登记还能做原因别分析，从一堆Cox文章里脱颖而出。

05

亚组雨露均沾，但糖尿病亚组P>0.05暴露问题

所有亚组HR>1且交互P不显著，说明预测能力“一视同仁”。但糖尿病和重度抑郁亚组跨过1了——恰恰代谢最紊乱的人CHG反而失灵，基础疾病严重时单一复合指标被稀释（图4）。

图4.CHG指数与新发脑卒中关联的亚组分析森林图

复现思路

森林图用forestplot包照搬格式。亚组本质是多重比较，他用10个亚组没校正P值，你复现时要么Bonferroni校正α到0.005，要么讨论里承认“交互检验未校正，需谨慎解读”。BMI分类必须写明cutoff，否则别人复现不了。