NHANES美国营养数据库这周发表了哪些重要论文?

美国国家健康和营养检查调查(NHANES)是一项旨在评估美国成人和儿童健康和营养状况的研究计划。该调查的独特之处在于它结合了访谈和体格检查。由美国疾病控制和预防中心(CDC)负责为国家提供健康统计数据。

NHANES计划始于20世纪60年代初,并作为一系列针对不同人口群体或健康主题的调查进行。自1999年以来,对美国的人口健康状况进行了更为定期的调查。每次调查中,来自美国约3000个县中30个选定县的约10000名参与者被要求在移动检查中心(MEC)参加家庭访谈、随后的身体检查和实验室测试。

NHANES访谈包括人口统计,社会经济,饮食和健康相关问题。检查部分包括医疗,牙科和生理测量,以及由训练有素的医务人员进行的实验室测试。

1c86256f052993d3053a97fdf96875b5.jpeg

一、2023年NHANES文献预览

本周PubMed数据库“标题/摘要:NHANES”搜索发现,共发表17篇NHANES论文。

1.外国学者文章介绍(一)

a828c8170c957438f30973eed741b5b1.png

文章题目:使用新开发的美国行星健康饮食指数对美国成年人对拟议的可持续和健康饮食模式的遵守情况进行横断面测量

研究背景:饮食选择是改善粮食系统可持续性的重要途径。行星健康饮食由EAT-柳叶刀委员会提出,作为健康和可持续饮食模式的参考。本研究旨在评估美国成年人对行星健康饮食的依从性,本研究开发并评估了美国行星健康饮食指数(PHDI-US),该指数改编自在巴西人群中验证的原始PHDI。

数据来源:2017-2018年国家健康和营养检查调查(NHANES)的4,741名参与者。

方法:PHDI-US有十六个组成部分,分数在0-150之间,分数越高表明对行星健康饮食的依从性越好。来自2017-2018年国家健康和营养检查调查(NHANES)的4,741名参与者的横断面饮食数据用于评估PHDI-US的有效性和可靠性。

结果:有效性和可靠性测试总体上是可接受的,主成分分析确定了6个成分;PHDI-US 和健康饮食指数 2015 年总分呈正相关(ß = 0.67,SE = 0.03,p <0.0001; R 2 = 0.39);并发标准有效性分析发现男性、日常吸烟者和年轻人的得分显著较低;和克朗巴赫的阿尔法值 0.54。PHDI-US的平均得分为46.7分(满分150分),表明美国成年人的饮食远未达到行星健康饮食建议。根据成分PHDI-US分数,许多美国成年人可以通过增加植物性食物的摄入量来提高饮食的质量和可持续性,包括全谷物,坚果和花生,豆类,水果和蔬菜,并减少动物性食品的摄入量,包括红肉和加工肉类。

结论:PHDI-US是一种新工具,可以评估对行星健康饮食的依从性,并确定美国成年人饮食的关键方面,这些方面可以改变,以帮助提高饮食的可持续性和质量。

a42bab6b832ccbbfbf8ae5ab064d1f82.png

2.外国学者文章介绍(二)

fcc3933247fd849464489fe538a0d84d.png

文章题目:美国成年人的苦味敏感性,十字花科蔬菜摄入量,肥胖和糖尿病:NHANES 2013-2014的横断面研究

研究目的:研究美国成年人苦味敏感性、十字花科蔬菜消费与肥胖和糖尿病可能性之间的关联。

数据来源:2013-2014年国家健康和营养检查调查(NHANES)中2129名40-80岁的成年参与者。

方法:横断面观察。苦味敏感性通过苦味的广义标记量表(gLMS)评级来估计(非品尝者:最低25%,其他人是品尝者)。十字花科蔬菜的消费量由2天24小时饮食记录记录。肥胖被定义为体重指数(BMI)≥30公斤米 -2 。糖尿病被定义为自我报告的医生诊断的糖尿病,或报告服用糖尿病药物或空腹血糖(FPG)≥126毫克dL -1 或血红蛋白A1c≥6.5%的个体。

结果:调整年龄、性别、种族/民族、膳食能量摄入、体力活动、教育程度、吸烟和收入水平后,两天内食用十字花科蔬菜的比例在苦味者中为29.5%,显著低于非品尝者(P=0.04)的比例(P=0.04)。在吃十字花科蔬菜的参与者中,苦味师平均每天比不品尝者少消耗15.5克(±7.0)克十字花科蔬菜。与食用十字花科蔬菜的非品尝者相比,食用十字花科蔬菜的苦味品尝者、不吃十字花科蔬菜的非品尝者以及不吃十字花科蔬菜的苦味品尝者肥胖的多变量调整比值比分别为1.29(95%置信区间(CI):0.76-2.17)、1.40(95%置信区间(CI):0.90-2.18)和1.68(95%CI:1.05-2.67)。糖尿病患病率分别为17.3%和13%。苦味品尝者和非品尝者分别为0%,多调整比值比为1.32(95%CI:1.02-1.69,P = 0.033),通过进一步调整十字花科蔬菜消费和肥胖,多调整比值比为1.32(95%CI:1.02-1.69,P = 0.033),中介效应为17.8%(95%CI:2.9%-60.9%;P = 0.069)。

结论:苦味敏感性与十字花科蔬菜的摄入量减少和肥胖的可能性高有关,这可能介导其与糖尿病的关联。

fb6922d21ed494ca17db6ed4c444138f.png

3.中国学者文章介绍(三)

b20f2b1cf5efb436c5e1846fa2942636.png

文章题目:循环极长链饱和脂肪酸与NHANES心血管死亡率的关联(2015-2016)

研究目的:有限的研究表明,超长链饱和脂肪酸(VLSFAs)对健康老龄化、糖尿病、心力衰竭和心血管疾病(CVD)相关的危险因素具有保护作用,但VLSFAs对死亡风险的作用尚不清楚。我们旨在研究血清二十二酸(C22:0)和血清木质素酸(C24:0)与全因死亡率和疾病特异性死亡率的关联,并确认VLSFAs对整个、高脂血症和高血压人群死亡风险的影响。

数据来源:选取2015-2016年全国健康与营养检查调查(NHANES)的4132例纳入本研究对象。

方法:高脂血症和高血压人群分别有1326名和1456名受试者。使用国家死亡指数(NDI)确认死亡率信息。使用COX回归分析对已知危险因素进行多模型校准,以探索循环VLSFA与全因或CVD或冠心病(CHD)死亡率之间的关联。

结果:在整个人群中,循环C22:0较高的个体和 C24:0作为血清总脂肪酸水平的百分比降低了全因死亡风险(C22:0:HR = 0.409,95%CI = 0.271-0.618;C24:0:HR = 0.430,95%CI = 0.283-0.651),CVD(C22:0:HR = 0.286,95%CI = 0.134-0.612;C24:0:HR = 0.233,95%CI = 0.101-0.538)和冠心病(C22:0:HR = 0.401,95%CI = 0.187-0.913;C24:0:HR = 0.263,95%CI = 0.082-0.846)。与整个人群相似,循环C22:0较高的个体和 C24:0高脂血症和高血压人群中脂肪酸水平占总血清水平的百分比也对全因冠心病和心血管疾病死亡率具有保护作用。

结论:我们的结果证实了高水平的循环VLSFAs的保护作用(C22:0和C24:0)关于心血管疾病,冠心病和整个死亡,高脂血症和高血压人群的全因。

b5d985a0d549cf0f0c7d64c496f9ec7d.png

4.中国学者文章介绍(四)

8360ecc2df19cec81fa9d86f8a33b4fe.png

文章题目:牙周炎与美国慢性肾脏病成人全因和病因特异性死亡风险的关联

背景:调查美国具有全国代表性的慢性肾脏病(CKD)成人样本中牙周炎与全因和特定原因死亡风险的关联。

数据来源:4,271名年龄≥30岁的个体,其中包括1988-1994年,1999-2004年和2009-2014年国家健康和营养检查调查(NHANES)的CKD参与者。

方法:CKD 定义为估计的肾小球滤过率 (eGFR) <60 ml/min/1.73m 2 和/或尿白蛋白/肌酐比值 (uACR) ≥30 mg/g。使用多变量cox比例风险回归模型来估计CKD受试者根据牙周炎的全因和原因特异性死亡率的风险比(HRs)和95%置信区间(CIs)。使用第一四分位数作为参考组,检查平均临床附着损失(CAL)和平均牙周探查深度(PPD)水平的四分位数与死亡率的关联。

结果:在中位数8.67年的随访中,记录了2,146例死亡。多因素调整后,中重度牙周炎与全因显著相关(HR:1.28;95% CI:1.11-1.47;P = 0.001)和心血管疾病(CVD)相关死亡率(HR:1.44;95%CI:1.14-1.81;P = 0.002)在CKD受试者中。与参考组平均CAL和平均PPD水平相比,全因(CAL:HR,1.58;95%CI,1.32-1.89,P <0.001;PPD:HR,1.35,95%CI,1.09-1.67,P = 0.011)和CVD相关死亡率(CAL:HR,1.70,95%CI,1.21-2.40,P = 0.001)在最高四分位数的参与者中增加。

结论:本研究表明,在美国,中度/重度牙周炎和高水平的平均CAL和平均PPD与全因死亡率增加有关,中/重度牙周炎和平均CAL与CVD相关死亡率相关。

5628521d7608a251cbee6d0d9b065eae.png

5.中国学者文章介绍(五)

1567aae5b1e464d6e456d0e59a753ae1.png

文章题目:美国成人糖尿病患者乳酸脱氢酶与糖尿病视网膜病变的关系

研究目的:本研究的目的是评估成人糖尿病(DM)中乳酸脱氢酶(LDH)与糖尿病视网膜病变(DR)发生之间的关系水平。

数据来源:2009年至2018年国家健康和营养检查调查中获得的五个分段数据周期的参与者。

方法:本研究涉及从复杂的多阶段概率样本中选择DM样本。这些样本随后被分为两个不同的组,即无DR(NDR)和DR组。本研究全面调查了与DR相关的生物学和社会危险因素。本调查检查的生物学因素包括血压、血常规、血红蛋白 A1c、血糖和合并症。社会层面包括教育和性。

结果:在考虑所有因素后,多元回归模型表明DR与LDH增加之间存在显著相关性(调整后比值比= 1.007,95%置信区间:1.003-1.011)。亚组分析显示,LDH对亚组DR存在的效应大小保持一致,所有p值均大于0.05。在糖尿病患者中,LDH水平升高>134U / L与DR风险升高之间存在统计学上的显着关系。

结论:LDH浓度与DM受试者DR患病率增加有关。我们的研究强调,LDH>134 U/L的患者与糖尿病并发DR有明显关系。DR在患有冠心病的糖尿病患者中更常见。

3c74d291118ad53f5a1076eb765aa066.png

更多文章如下:

外国学者:

cfce9763a89a28e7838f10e5f9c66cdc.png

中国学者:

7f65fd4a9d3e57bdc3cbdb582da3960f.png


本公众提供各种科研服务了!

一、课程培训

2022年以来,我们召集了一批富有经验的高校专业队伍,着手举行短期统计课程培训班,包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、nhanes、孟德尔随机化等10门课。如果您有需求,不妨点击查看:

发表文章后退款!2023年郑老师团队多门科研统计直播课程,欢迎报名

二、统计服务

为团队发展,我们将与各位朋友合作共赢,本团队将开展统计分析服务,帮忙进行临床科研。欢迎了解详情:

医学统计服务| 医公共数据库论文一对一指导

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值