UK Biobank | 广义加性模型+Cox比例风险模型+中介分析=三区，IF=4.6

2023年5月28日，美国学者在《Toxics》（三区，IF=4.6）发表题为："Association between Residential Exposure to Air Pollution and Incident Coronary Heart Disease Is Not Mediated by Leukocyte Telomere Length: A UK Biobank Study" 的研究论文。

这项研究利用英国生物银行的数据，进行了一项前瞻性研究，将住宅空气污染暴露(PM2.5, PM10, NO2, NOx)和LTL与冠心病事件联系起来，平均随访12.6年。采用Cox比例风险模型和带惩罚样条函数的广义加性模型来模拟污染物浓度和LTL与冠心病的关系。结果表明，空气污染通过不涉及LTL的途径影响冠心病。需要通过改进空气污染测量来更准确地评估个人暴露情况。

摘要与主要结果

一、摘要

背景：较高的空气污染暴露和较短的白细胞端粒长度(LTL)都与冠心病(CHD)的风险增加有关，并且有共同的合理机制，包括炎症。LTL可以作为空气污染暴露的生物标志物，可以通过干预来降低冠心病的风险。据我们所知，我们首次测试了LTL在空气污染暴露与事件冠心病之间的中介作用。

方法：利用英国生物银行(UKB)的数据(n = 317,601)，我们进行了一项前瞻性研究，将住宅空气污染暴露(PM2.5, PM10, NO2, NOx)和LTL与冠心病事件联系起来，平均随访12.6年。采用Cox比例风险模型和带惩罚样条函数的广义加性模型来模拟污染物浓度和LTL与冠心病的关系。

结果：我们发现空气污染暴露与LTL和冠心病呈非线性关系。较低范围内的污染物浓度与较长的LTL和降低冠心病风险的相关性逐渐减弱。然而，较低的污染物浓度与降低冠心病风险之间的关联在LTL介导下的作用最小(<3%)。

结论：我们的研究结果表明，空气污染通过不涉及LTL的途径影响冠心病。需要通过改进空气污染测量来更准确地评估个人暴露情况。

二、研究结果

1.描述性分析

在平均12.6年的随访中，CHD发病率为7.3%（SD=0.79），诊断时的平均年龄为67.3岁（SD=7.6）。老年人（CHD病例的中位基线年龄为61岁，而无CHD对照组为56岁）、男性（10.2%对4.8%）和南亚人（白人为10.9%对7.3%，黑人为4.3%）发生CHD的风险更高（表1）。较高的教育和更健康的生活方式（较低的BMI、不吸烟、较高的体育活动和绿地百分比）与较低的CHD发病率相关（表1）。相反，适度饮酒（每月1-3次至每周3-4次）对冠心病事件具有保护作用（表1）。

CHD病例的LTL较无CHD对照组的LTL短（中位数0.80（T/S比））（中位数0.83（T/S比值））（表1）。2010年，CHD病例住所的PM2.5、NO2和NOx高于无CHD对照住所的PM2.5、NO2和NOx（表1）。LTL和污染物浓度的分布有些右偏（图S1）。空气污染物浓度之间呈正相关（图S2）。2010年PM2.5、NO2和NOx高度相关（Spearman r>0.85），2010年PM2.5-10和PM10也高度相关（Spearman r=0.77）。有趣的是，与2005-2007年和2010年的NO2平均浓度（Spearman r=0.88）相比，2007年至2010年的PM10浓度相关性较低（Spearmman r=0.43）。

2.空气污染物与白细胞T细胞长度的关系

污染物浓度和LTL之间的关联在未调整的模型中显示出显著的非线性（图S3中的有效自由度（edf）>>1和非线性p<0.05），由于样本量较小，在高浓度和低浓度下具有宽的置信区间。在调整协变量后，空气污染物对LTL的非线性和部分影响减弱，但除2010年的PM2.5–10外，大多数非线性关联仍然存在（p>0.05）。如图3所示，左侧的上升趋势表明，较低范围内的NO2、NOx、PM2.5和PM2.5吸收浓度与较长的LTL有关。根据大多数数据（z分数在0到2之间），这些空气污染物的较高浓度似乎与LTL无关。极高的污染物浓度（z分数>2）与LTL的关联是不确定的，这反映在宽的置信区间和与单调曲线的显著偏差中。有趣的是，PM10与LTL呈U型关系，但同样具有很大的不确定性。

3.白细胞T细胞长度和空气污染物与冠心病发病的关系

校正协变量后，LTL与CHD事件的相关性显著降低，非线性不再具有统计学意义（p>0.05）（图4a）。假设在Cox比例风险模型中LTL与冠心病之间存在线性关系，LTL每SD增加一次，CHD事件的调整后危险比（HR）为0.95（95%CI 0.94至0.96，p＜0.001）。在没有线性假设的情况下，将给定z评分与LTL的平均z评分（=0）进行比较的调整后HR如图4所示。例如，将z=2与z=0进行比较的调整HR为0.94（95%CI 0.89至0.99），而将z=−2与z=0进行比较的HR为1.12（95%CI 1.07至1.16）（图4a）。所选的z分数是LTL和单个空气污染物最接近−3、−2、−1、1、2和3的观察到的z分数。

相反，未经调整和调整的污染物浓度与CHD事件的相关性相似（图4）。较低范围内的污染物浓度与冠心病发病风险呈正相关（不包括PM2.5-10和PM10）。当污染物浓度高于平均水平时，患冠心病的风险增加，但在浓度达到临界水平后，风险下降，临界水平随空气污染物的不同而变化，例如，NOx的z分数为2，PM2.5的z得分为3，NO2的z分为1（图4）。然而，极高的污染物浓度与CHD事件的关联具有很大的不确定性。

4.LTL是否介导了空气污染物与突发心脏病之间的联系？

如果空气污染物与CHD事件的关联是由LTL介导的，我们预计调整LTL的关联将显著减弱它们。然而，LTL的中介作用并没有得到我们研究结果的支持。当将z评分与仅调整协变量和协变量加LTL的模型中空气污染物浓度的平均z评分（=0）进行比较时，我们发现发生CHD的风险比相似（假设与发生CHD呈线性关系，因为非线性不显著，p=0.380（图4）（图5）。

接下来，我们考虑了在较低浓度范围内与LTL和CHD呈负相关的空气污染物，即NO2、NOx、PM2.5和PM2.5吸光度。我们进行了一项分析，以估计LTL对较低范围的污染物浓度与CHD发展之间的关联的中介作用。在所有空气污染物中，将较低的污染物浓度范围与以平均值为中心的范围进行比较，LTL对CHD的影响比例小于3%（表S2–S6），为LTL在该关联中的中介作用提供了证据。 

设计与统计学方法

一、研究设计

P（Population）研究对象 ：英国生物银行(UKB)的数据(n = 317,601)。

E（exposure）暴露因素：LTL在空气污染暴露与事件冠心病之间的中介作用。

O（Outcome）结局：冠心病发生风险。

S（Study design）研究类型：前瞻性研究。

二、统计方法

1.参与者的特征通过发生冠心病的状况进行描述性总结。使用卡方检验和双侧Wilcoxon秩和检验对分类变量进行比较。绘制了直方图，使空气污染物的分布可视化。采用Spearman秩相关法对空气污染物浓度进行相关性分析。

2.LTL和空气污染物浓度的数据在关联分析之前根据逆正态变换进行Z变换。使用广义加性模型（GAM）检验了空气污染物与LTL的相关性。LTL或空气污染物和CHD事件采用Cox比例风险模型。上述关联根据协变量（年龄、性别、种族、教育程度、BMI、吸烟状况、酒精摄入频率、体育活动组和1000m缓冲区中绿地百分比）进行了调整，允许其为非线性，并通过惩罚三次样条函数（基中的样条数为10）进行建模。上面的模型是使用R函数拟合的：“cs”和“gam”，以及“pspline”和“coxph”。

3.在Cox比例风险模型中，LTL和一次一种空气污染物被联合建模，以探索LTL在污染物浓度和CHD事件之间的关联中的中介作用。此外，我们进行了中介分析以测试如果较低暴露范围内的空气污染与CHD保护之间的关联是由较长的LTL介导的。由于缺乏解决密集计算挑战的工具，我们使用线性回归模型而不是广义加性模型进行了中介分析，以模拟空气污染与LTL之间的关联，以及代替包括三次样条函数的Cox回归模型的逻辑回归模型，以对空气污染和LTL与CHD事件的关联进行建模。明确地我们将每种空气污染物的z评分分为（−Inf，−2]、（−2，−1]、（−1，−0.5]、（−0.5，0.5]、（0.5，1]、（1，2]和（2，Inf]。通过比较暴露于空气污染范围较低的一组的平均LTL（（−Inf，−2]，（−2、−1]或（−1、−0.5]）与参考组的平均值，使用线性回归模型对LTL的中介作用进行建模（−0.5，0.5）。使用逻辑回归模型对CHD事件进行建模，包括LTL和低于平均值的污染物浓度水平。两个模型都对协变量进行了调整。低污染物浓度和LTL介导的影响比例的直接和间接影响由CHD事件的状态和平均值报告。中介分析是使用R包“中介”（一种估计置信区间的准贝叶斯近似方法）进行的。

一个专门做公共数据库的公众号，关注我们

‍