研究队列构建与CKM分期
筛选符合CKM 0-3期且无临床CVD的参与者。
基于CHARLS数据,通过排除CKM 4期、基线CVD及缺失数据,最终纳入7132名参与者。CKM分期采用适应性定义,使用CHARLS可用的指标。
Baseline, repeated-measure burden, and two-time-point patterns of the triglyceride-glucose index-visceral lipid ratio (TyG-VLR) and incident cardiovascular disease in cardiovascular-kidney-metabolic (CKM) syndrome stages 0-3: a longitudinal China Health and Retirement Longitudinal Study (CHARLS) analysis
该研究为大规模前瞻性队列分析,包含基线及重复测量的生物标志物数据,并通过Cox回归、限制性立方样条、K-means聚类及多重敏感性分析验证了关联的稳健性。
CHARLS队列(中国健康与养老追踪调查)中的CKM 0-3期成人
基线TyG-VLR每SD增加的HR:CVD 1.15(95%CI 1.10-1.21) 重复测量TyG-VLR负担每SD增加的HR:CVD 1.21(95%CI 1.12-1.30) 两点模式中最高组(Cluster 3)相对最低组的HR:1.51(95%CI 1.22-1.85) 亚型分析:基线TyG-VLR与卒中的关联(HR 1.21)强于心脏病(HR 1.11)
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
筛选符合CKM 0-3期且无临床CVD的参与者。
基于CHARLS数据,通过排除CKM 4期、基线CVD及缺失数据,最终纳入7132名参与者。CKM分期采用适应性定义,使用CHARLS可用的指标。
评估个体代谢负担的基线水平和长期累积水平。
计算TyG、CVAI、VLR和TyG-VLR。重复测量负担为Wave 1和Wave 3的平均TyG-VLR乘以两次评估间隔。
基于Wave 1和Wave 3的TyG-VLR变化模式进行分组。
使用K-means聚类对标准化的Wave 1和Wave 3 TyG-VLR进行聚类,根据肘部法则确定最佳簇数(K=3)。
检验基线、重复测量负担和两点模式与CVD及亚型的关联。
使用Cox比例风险模型估计HR和95%CI,并调整潜在混杂因素。此外进行剂量-反应分析、标志物比较、增量预测能力评估及多种敏感性分析。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 统计分析 | R软件4.5.2版 | -- | -- |
| 聚类分析 | cluster包 | -- | -- |
| factoextra包 | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据来源与队列定义 | CHARLS数据版本,Wave 1(2011)基线、Wave 3(2015)重复测量、2020年随访终点 阅读提示:Methods: Study design and participants; Fig. 1 |
| TyG-VLR计算 | 空腹甘油三酯、空腹血糖、LDL-C、CVAI公式所需变量(年龄、BMI、腰围、HDL-C) 阅读提示:Methods: Assessment of TyG-VLR; Supplementary Table S1 |
| 重复测量负担与两点模式 | Wave 1和Wave 3 TyG-VLR值,间隔年数;K-means聚类簇数(K=3)及肘部法则 阅读提示:Methods: Statistical analysis; Fig. 2; Supplementary Figure S1 |
| Cox回归模型调整变量 | 模型3调整的协变量:年龄、性别、婚姻状况、居住地、教育、吸烟、饮酒、高血压、糖尿病、血脂异常、肾病、癌症、收缩压、HbA1c、白细胞计数、C反应蛋白 阅读提示:Methods: Statistical analysis; Table 2 footnotes |