参与者招募与数据收集
收集AATD相关肺病患者的临床和人口学数据。
从AlphaNet管理组织中招募异常AAT基因型且接受增强治疗的患者，参与者完成CAAT问卷，提供人口学和健康信息。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
慢性气道评估测试：AlphaNet人群中的表现与健康预测因素
Chronic Airways Assessment Test: performance and health predictors in the AlphaNet population
实验完整度
中研究基于779名参与者的横断面队列分析，包含问卷调查、临床特征收集和统计建模，但缺乏实验干预或功能验证。
主要模型
AlphaNet队列中的AATD相关肺病患者
重点核对
CAAT评分分组阈值：<10 vs ≥10 基因型分组：ZZ组（ZZ、ZNull、NullNull）与其他组（SZ、MZ等） mMRC呼吸困难评分分级：0、1、≥2 过去一年急性加重次数：0、1、≥2
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
- 评估CAAT在AATD相关肺病中的表现，并确定与较差健康状况相关的因素。
- 核心机制
- 文中未明确说明
- 主要证据
- 基于779名参与者的横断面数据，多变量逻辑回归显示每日咳痰和吸氧使用是CAAT≥10的最强预测因子（OR分别为4.73和5.54），急性加重次数≥2的OR为3.84。
- 研究意义
- CAAT可作为AATD相关肺病中疾病影响的实用测量工具，用于识别健康状况不佳风险个体。
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。
评估CAAT分布及分组
描述CAAT分数的分布并根据分数分组。
计算CAAT总分（0-40），根据分数<10和≥10分为两组。
组间特征比较
比较CAAT分组之间的临床特征差异。
使用χ2检验和标准化差异比较组间的年龄、性别、吸氧使用、急性加重次数、mMRC评分、每日咳痰、支气管扩张、吸烟史和基因型。
多变量预测模型
确定与CAAT≥10相关的独立因素。
使用LASSO惩罚逻辑回归选择预测因子，然后进行未惩罚的逻辑回归估计OR和95%CI。
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 |
|---|---|---|---|
| 数据收集 | 慢性气道评估测试 | -- | -- |
| 改良医学研究委员会呼吸困难量表 | -- | -- |
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 |
|---|---|
| 参与者纳入标准 | 必须为异常AAT基因型（如ZZ、SZ、MZ等）且处方增强治疗的患者，并注册于AlphaNet。 阅读提示：Methods 部分 |
| CAAT评分分组 | CAAT<10为低影响，CAAT≥10为中至极高影响。 阅读提示：Methods 部分 |
| 基因型分类 | ZZ组包括ZZ、ZNull、NullNull；其他组包括SZ、MZ等；缺失组为基因型数据不可用。 阅读提示：Methods 部分 |
| 预测因子定义 | 包括年龄、性别、基因型、常规吸氧使用、急性加重次数、每日咳痰、支气管扩张、吸烟史。mMRC因概念重叠未纳入。 阅读提示：Methods 部分 |
| 统计模型 | LASSO惩罚逻辑回归选择penalty参数基于AIC，然后使用未惩罚逻辑回归获得OR及95%CI。 阅读提示：Methods 部分 |