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。
Chronic low back pain causal risk factors identified by Mendelian randomization: a cross-sectional cohort analysis
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。
BACKHOME队列(美国慢性腰痛成人电子队列) 横断面分析样本(n=1376)
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
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。
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。
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。
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。
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。
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。
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 | SAS软件 | SAS Institute Inc. | version 9.4 |
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 |