分门别类 | NHANES发文思路：没阳性结果怎么办？别慌，分个层先

Nhanes美国营养调查数据库的培训课程来了！

“Nhanes数据挖掘”课程即将开始! 欢迎报名, 发表文章即退款

近年来，全球肾结石的发病情况有所上升，给医疗支出和社会负担带来很大压力，也逐渐引起国内外学者更多关注。先前的推文中提到一个指标：全身免疫炎症指数(SII)，它最初被认为是多种疾病的预后指标。本期推文我们一起来学习一篇研究 SII 对肾结石的影响的文章。

2023年2月，一篇题为：Association between the systemic immune-inflammation index and kidney stone: A cross-sectional study of NHANES 2007-2018的研究论文发表于《Front Immunol》，本文为中国学者写作，文章属于中科院分区医学二区，2023年IF=7.3。

这项研究利用美国营养健康（NHANES）的数据，通过多种方法，研究了SII与肾结石之间的关系。结果表明， SII 与50岁以下的美国成年人肾结石的高风险呈正相关。结果补充了以前的研究，仍然需要更大规模的前瞻性队列验证。

摘要与主要结果

一、摘要

背景：近几十年来，全球肾结石的发病率呈上升趋势，给医疗支出和社会负担带来很大压力。全身免疫炎症指数(SII)最初被认为是多种疾病的预后指标。我们对 SII 对肾结石的影响进行了最新的分析。

方法：这一横断面研究招收了2007-2018年全国健康和营养调查的参与者。我们进行了单变量和多变量 Logit模型分析，以研究 SII 与肾结石之间的关系。

结果：在22220名参与者中，平均(SD)年龄为49.45 ± 17.36岁，肾结石发生率为9.87% 。一个完全调整的模型显示，在20-50岁的成年人中，超过330x109/L 的 SII 与肾结石平行相关(优势比[ OR ] = 1.282,95% 置信区间[ CI ] = 1.023至1.608，P = 0.034)。然而，在老年亚组中没有发现差异。多重插补分析证实了我们的结果的稳健性。

结论：在50岁以下的美国成年人中，SII 与肾结石的高风险呈正相关。结果补偿了以前的研究，仍然需要更大规模的前瞻性队列验证。

二、研究结果

1. 研究人群的基线资料

这项研究包括 2007 年至 2018 年期间的 59842 名参与者。25163 名参与者因缺失肾结石数据而被排除，3054 名参与者因缺失 SII 数据而被排除。在删除了 9405 名缺少 SII 协变量和极端数据的参与者后，最终招募了 2220 名参与者。在 22220 名参与者中，男性 11755 名，女性 10465 名（表 1）。肾结石患病率为9.87%。与 SII 低于 330 x 109/L 的参与者相比，SII 高于 330 x 109/L 的参与者中非西班牙裔白人、吸烟者、糖尿病和肾结石的比例更高（P < 0.05）。

2.分层并建立多种logistics回归模型

随后，逻辑回归分析发现，在调整整个人群的协变量后，SII 亚组和肾结石之间没有显着差异（表 2）。

按 50 岁对年龄进行分层后，单变量和多变量分析表明，在粗略模型中，超过 330 x 109/L 的高 SII 与较高的肾结石风险相关（优势比 [OR] = 1.485，95% 置信区间） [CI] = 1.195 至 1.845，P < 0.001）和模型 1（OR = 1.387，95% CI = 1.108 至 1.736，P = 0.005）。调整所有混杂因素后，在 20-50 岁人群中，高 SII 仍然与肾结石呈正相关。（OR = 1.282，95% CI = 1.023 至 1.608，P = 0.034）50 岁及以上的参与者没有发现差异。20-50 岁人群的分层逻辑回归分析表明，20-50 岁人群中 SII 和肾结石之间的关系没有潜在的修正因素（补充表 S1）。

3.敏感性分析

为了进一步验证结果，进行了多重插补。补充表 S2 中描述了基线特征分布。

敏感性分析显示完全调整模型中的结果相似（OR = 1.251，95% CI = 1.015 至 1.541，P = 0.036）（表 3）。

设计与统计学方法

一、研究设计

P：2007-2018 年国家健康和营养检查调查的参与者。

I：暴露因素为SII水平。

O：结局：肾结石发病。

S：横断面研究。

二、统计方法

1.基线资料描述以及差异性分析，SII亚组的比较是使用连续变量的调查加权逻辑回归（平均值±标准差[SD]）和分类变量的调查加权卡方检验（计数，[n]）进行的。

2.建立多变量逻辑回归模型，采用多变量逻辑回归分析来研究 SII 与肾结石之间的关系。粗模型没有调整协变量。模型1是针对年龄、性别、种族/民族、家庭收入与贫困率和教育水平进行调整的最小调整模型。模型 3 针对 BMI、吸烟史、饮酒史、糖尿病和冠心病进行了调整。（未见模型2，表示困惑）

3.年龄分层亚组分析，进行年龄分层亚组分析以阐明 SII 的影响。我们进行了进一步的分层逻辑回归分析，以确定改变 20-50 岁参与者之间关联的变量。

4.敏感性分析，使用多重插补（MI）方法进行敏感性分析。MI 是一种基于 RMI 程序中的五次重复和链式方程方法来补偿缺失数据的方法，以解释教育水平、家庭收入与贫困率、BMI、吸烟史、饮酒史、DM 和冠心病。

5.补充说明，所有分析均使用 R 软件版本 4.1（http://www.R-project.org；The R Foundation）和 EmpowerStats（http://www.empowerstats.com，X&Y Solutions, Inc.）进行。P<0。0 5（两侧）设置为显着差异。

小感悟

本期介绍的是一篇二区文章，7.3分，高分文章。

文章的研究方法并不复杂，先对基线资料进行分析再差异性分析，随后建立回归模型，回归模型也采用了传统三件套：未校正，部分校正以及完全校正三种模型。回归模型建立完成后发现出事了，随着校正程度的提升发现p值越来越大，咋办，进行年龄分层！终于，在20到50岁的群体中找到了完全校正模型P值也小于0.05。最后再进行一个敏感性分析用于验证。

写文章，重点在于出结果，不仅指标和对象要选好，在分析过程中还要灵活变通。统计方法并不难，在得不到阳性结果以后怎么办，先别急着放弃，年龄分层做一做，性别分开看一看，没准就出结果了，这些灵感往往来自于日积月累的尝试。总之多看多学多试，就是发文秘诀。

最后，欢迎报名郑老师团队的统计学9.2-9.3的Nhanes数据挖掘课程

‍