孟德尔随机化确定的慢性腰痛因果危险因素:一项横断面队列分析

Chronic low back pain causal risk factors identified by Mendelian randomization: a cross-sectional cohort analysis

作者信息Patricia Zheng, Aaron Scheffler, Susan Ewing, Trisha F Hue, Sara Jones Berkeley, Saam Morshed, Wolf Mehling, Abel Torres-Espin, Anoop Galivanche, Jeffrey Lotz, Thomas Peterson, Conor O'Neill, REACH Investigators
PMID39818276
期刊Spine J
发布时间2025-06
DOI10.1016/j.spinee.2024.12.029

实验完整度

研究为横断面观察性分析,采用ESC-DAG方法识别混杂因素并调整,但无干预或机制验证,属于分析性研究。

主要模型

BACKHOME队列(美国慢性腰痛成人电子队列) 横断面分析样本(n=1376)

重点核对

暴露定义:睡眠障碍(PROMIS睡眠障碍6a T分数)、抑郁(PROMIS抑郁4a T分数)、BMI(分类)、饮酒(每周饮酒次数)、吸烟状况(当前/既往/从不) 混杂识别:使用ESC-DAG方法,主要调整年龄、性别、教育、关系状态、经济压力、焦虑、恐惧回避和灾难化 结局测量:PEG(疼痛、生活享受和一般活动)评分 统计方法:多元线性回归,计算未调整和调整后的回归系数,以及敏感性分析 样本特征:平均年龄54.9岁,67.4%女性,主要肥胖和超重

摘要

背景:非特异性慢性腰痛(cLBP)存在许多来自生物、心理和社会领域的危险因素。许多cLBP治疗针对危险因素,并假设目标因素不仅与cLBP相关,而且是病因(即因果危险因素)。在大多数情况下,这是一个强有力的假设,主要由于混杂变量的可能性。关于危险因素与cLBP之间因果关系的错误假设可能导致cLBP治疗效果通常不佳。目的:本研究旨在a)使用严格的混杂控制,比较孟德尔随机化(MR)研究确定的可改变的因果危险因素与cLBP人群中的关联;b)估计这些危险因素与cLBP结局的关联。研究设计/环境:一项纵向、在线、观察性研究的横断面分析。患者样本:BACKHOME研究共1376名参与者,这是一项针对美国cLBP成人的纵向观察性电子队列,属于NIH腰背痛联盟(BACPAC)研究计划的一部分。结局指标:疼痛、生活享受和一般活动(PEG)量表。方法:基于随机化研究的证据,选择了五个危险因素:睡眠障碍、抑郁、BMI、饮酒和吸烟状况。使用ESC-DAG方法(一种基于因果标准构建有向无环图的严格方法)确定混杂因素。发现年龄、女性性别、教育程度、关系状态、经济压力、焦虑、恐惧回避和灾难化有强有力的混杂证据。这些变量用于确定主要分析的调整集。证据较弱的潜在混杂因素用于敏感性分析。结果:参与者特征如下:年龄54.9±14.4岁,67.4%为女性,60%从不吸烟,29.9%超重,39.5%肥胖,PROMIS睡眠障碍T分数54.8±8.0,PROMIS抑郁T分数52.6±10.1,恐惧回避信念问卷11.6±5.9,患者灾难化量表4.5±2.6,PEG 4.4±2.2。在调整模型中,饮酒、睡眠障碍、抑郁和肥胖与PEG相关(基于通过严格方案构建的DAG调整混杂变量)。调整后的效应估计(暴露每增加或减少标准差或类别变化时PEG结局的预期变化)在睡眠障碍和肥胖中最大。PROMIS睡眠障碍T分数每增加一个标准差,基线PEG评分平均增加0.77(95% CI: 0.66, 0.88)分。与正常BMI参与者相比,超重参与者调整后的平均PEG评分略高0.37分(95% CI: 0.09, 0.65),肥胖I级和II级参与者约高0.8至0.9分,最肥胖参与者高1.39(95% CI: 0.98, 1.80)分。PROMIS抑郁T分数每增加一个标准差,基线PEG评分平均增加0.28(95% CI: 0.17, 0.40)分,而每周饮酒量每减少一个标准差,基线PEG评分平均增加0.12(95% CI: 0.01, 0.23)分(调整模型)。结论:在调整了通过严格方案构建的DAG识别的混杂变量后,cLBP的几个可改变的因果危险因素——饮酒、睡眠障碍、抑郁和肥胖——与PEG相关。我们的发现与MR研究(具有不同设计和偏倚)在睡眠障碍、抑郁和肥胖方面的趋同,加强了对这些危险因素与cLBP之间因果关系的证据。危险因素变化对PEG变化的估计效应在睡眠障碍和肥胖中最大。未来的分析将使用纵向数据评估这些关系。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
孟德尔随机化研究表明可改变的因果危险因素(饮酒、吸烟、睡眠障碍、抑郁、肥胖)是否与慢性腰痛患者的疼痛结局(PEG)相关联,并评估这些关联的强度。
核心机制
睡眠障碍、抑郁和肥胖是慢性腰痛的因果危险因素,可能通过影响疼痛感知和干扰导致更差的结局;饮酒与PEG的关联方向与MR相反,但效应量小;吸烟与PEG无显著关联。
主要证据
基于BACKHOME队列的横断面分析,采用ESC-DAG方法识别混杂因素并调整,发现睡眠障碍和肥胖与PEG的关联最强,抑郁亦有显著关联,但与MR研究相比,吸烟和饮酒的关联未得到支持。
研究意义
研究结果支持将睡眠障碍和肥胖作为慢性腰痛干预的潜在靶点,可能通过多模式治疗改善患者结局,但需进一步纵向研究确认。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

队列选择和样本确定

建立符合条件的慢性腰痛受试者样本,以便分析危险因素与结局的关联。

从BACKHOME研究中纳入年龄≥18岁、符合NIH定义的慢性腰痛标准、完成基线调查的参与者,排除具有特定疾病或状况者。

2

暴露和结局测量

量化五个危险因素(饮酒、吸烟、睡眠障碍、抑郁、肥胖)和结局(PEG评分)。

使用标准化工具测量暴露:PROMIS睡眠障碍6a T分数、PROMIS抑郁4a T分数、BMI分类(基于自我报告的身高体重)、每周饮酒次数、吸烟状态。结局为PEG评分。

3

混杂因素识别和DAG构建

使用ESC-DAG方法系统地识别混杂因素,以调整分析中的偏倚。

遵循ESC-DAG的映射、翻译和整合步骤,构建包含所有暴露和潜在混杂因素的DAG,确定最小充分调整集。

4

统计分析关联估计

估计每个危险因素与PEG评分的关联,调整混杂后确定效应量。

使用多元线性回归模型,分别对每个暴露估计未调整和调整(根据DAG确定的最小充分调整集)的回归系数,并报告95%置信区间。

5

敏感性分析

评估额外潜在混杂因素对关联估计的影响。

在调整集中加入Type B潜在混杂因素,重新评估每个暴露的关联,比较结果的方向和大小。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
SAS软件SAS Institute Inc.version 9.4

关键环节

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
队列样本
纳入和排除标准,样本量(1376),参与者特征(年龄、性别等)
阅读提示:Methods中的Participants部分
暴露测量
PROMIS睡眠障碍和抑郁T分数的具体版本,BMI分类标准,饮酒频率定义,吸烟状态分类
阅读提示:Methods中的Measurements部分及附录A
结局测量
PEG量表的定义和范围
阅读提示:Methods中的Outcome and Exposures部分
混杂识别
ESC-DAG方法的具体步骤,Type A和Type B混杂因素的定义
阅读提示:Methods中的Confounders部分及附录B
统计分析
最小充分调整集(MSAS)的确定,回归模型的调整变量,敏感性分析的额外变量
阅读提示:Methods中的Analysis methods部分及附录C