零基础Charls发文，不容错过！
CHARLS课程：欢迎学习！长期回放+更新+指导！适合零基础，赠送数据+全套代码！
CHARLS公共数据库
CHARLS数据库简介中国健康与养老追踪调查(China Health and Retirement Longitudinal Study，CHARLS)是一项持续的纵向调查，旨在调查中国45岁及以上中老年人社会、经济和健康状况。基线调查于2011年开展，共17708名参与者，每两年追踪一次，目前已有5期数据2011（wave 1）、2013（wave2）、2015（wave 3）以及2018（wave 4），2020（wave 5）。
本周CHARLS文献预览
对PubMed数据库搜索发现，本周发表5篇charls论文。
对CNKI数据库搜索发现，本周发表0篇charls论文。
对中华医学杂志数据库搜索发现，本周发表0篇charls论文。
一、PubMed数据库
通过PubMed数据库“CHARLS”检索发现，5.15-5.22共发表5篇相关主题论文，其中共3篇医学二区文章，部分文章介绍如下。
1.中国学者文章介绍
标题：老年慢性病患者抑郁风险预测模型
研究目的：在老年慢性病患者中发现潜在的抑郁症和确定抑郁症的关键预测因素对于及时干预和管理抑郁症至关重要。因此，老年人抑郁症的风险预测模型有待进一步探索。
方法：选取中国健康与退休人员纵向研究(CHARLS)第四波调查的3959名60岁及以上的被调查者为研究对象。我们使用五种机器学习(ML)算法和三种数据平衡技术构建抑郁症的风险预测模型(rpm)，并计算特征重要性得分，以确定哪些特征对抑郁症至关重要。
结果：第四波调查中，中国老年慢性病患者抑郁症患病率为19.2%。随机森林(RF)模型在采用合成少数过采样技术(SMOTE)对数据进行平衡后，其准确度为0.957，精密度-召回率曲线(AUPRC)下面积为0.920，平衡精度为0.891，灵敏度为0.875。此外，我们进一步确定了不同性别患者之间的几个重要预测因素。我们的模型需要进一步的临床影响研究和外部验证。
结论：采用多种技术解决阶层失衡问题后，大多数rpm在预测老年慢性病患者抑郁方面达到了令人满意的准确度。因此，rpm可能成为老年人和医疗保健从业者评估抑郁症风险的有价值的筛查工具。
2.中国学者文章介绍
标题：中国老年人睡眠时间与功能障碍:一项横断面研究
研究目的：睡眠时间在影响健康的生理功能的发展中起着至关重要的作用。在中国，人们对老年人睡眠时间与功能障碍之间的关系知之甚少。本研究旨在探讨中国65岁及以上老年人睡眠时间与功能障碍的关系。
方法：本横断面研究的数据来自参加2018年中国健康与退休纵向研究的65岁及以上受访者，这是一项正在进行的全国性中国成年人纵向调查。每晚的睡眠时间是通过面对面访谈获得的。使用日常生活活动(ADL)和日常生活工具活动(IADL)评估功能障碍。采用多变量广义线性模型评估睡眠时间与功能障碍之间的关系。采用限制三次样条模型探讨睡眠时间与功能障碍之间的剂量-反应关系。
结果：共纳入研究对象5 519人，男性2 471人(44.77%)，平均年龄73.67岁，其中功能残疾者2 800人(50.73%)，ADL残疾者1 1978人(35.83%)，老年IADL残疾者2 299人(41.66%)。在对潜在混杂因素进行校正后，报告睡眠时间较短(≤4,5,6小时)或较长(8,9，≥10小时)的个体与每晚睡眠时间为7小时的个体相比，功能障碍的风险显著增加(P < 0.05)，这揭示了睡眠时间与功能障碍之间的u型关联。当睡眠时间低于7小时时，增加的睡眠时间与功能障碍的风险显著降低相关(优势比[OR]， 0.85;95%置信区间[CI]， 0.79-0.91;P < 0.001)。当睡眠时间超过7小时时，功能障碍的风险(OR, 1.16;95% ci, 1.05-1.29;P < 0.001)会随着睡眠时间的延长而增加。
结论：在65岁及以上的中国成年人中，较短和较长的睡眠时间与较高的功能障碍风险相关。未来的研究需要探索睡眠时间的干预策略，特别是对功能障碍的干预。
3.中国学者文章介绍
标题：研究动态发展趋势:中国人口年龄友好型环境与健康老龄化的相互关系——来自中国健康与退休纵向研究的证据，2011-2018
研究目的：本研究旨在探讨中国老年人友好环境(AFE)与健康老龄化之间的动态发展趋势。
方法：本研究以CHARLS的11770名参与者为样本，利用ATHLOS健康老龄化指数评估中国人口的健康老龄化水平。采用线性混合模型(LMM)探讨AFE与健康老龄化的关系。此外，我们采用交叉滞后面板模型(CLPM)和随机截距交叉滞后面板模型(RI-CLPM)来考察健康老龄化的动态发展趋势，同时考虑了人际间效应和个体内效应。
结果：LMM结果显示AFE与健康衰老呈正相关(β = 0.087, p < 0.001)。地理分布与AFE之间存在正交互作用(中心区* AFE: β = 0.031, p = 0.038;东部地区* AFE: β = 0.048, p = 0.003)。在CLPM和RI-CLPM中，健康老龄化对AFE的正向效应为人间效应(β范围为0.147 ~ 0.159,p < 0.001)，而AFE对健康老龄化的正向效应为人内效应(β范围为0.021 ~ 0.024,p = 0.004)。
结论：第一，健康老龄化水平高的个体比健康老龄化水平低的个体更倾向于积极参与适当AFE的制定。此外，通过鼓励和引导个人参与有助于建立适当的AFE的活动，可以提高他们的AFE水平超过以前的平均水平，从而改善他们未来的健康老龄化水平。最后，通过减少差距和有效满足弱势群体的健康需求来解决这些问题，对于促进这些人群的健康老龄化至关重要。
其他三区、四区文章
七大老年公共数据库
七大老年公共数据库共涵盖33个国家的数据，包括：美国健康与退休研究 (Health and Retirement Study, HRS)；英国老龄化纵向研究 （English Longitudinal Study of Ageing, ELSA）；欧洲健康、老龄化和退休调查（Survey of Health, Ageing and Retirement in Europe ，SHARE)；韩国老龄化纵向研究（Korean Longitudinal Study of Ageing, KLoSA）；中国健康与养老追踪调查（China Health and Retirement Longitudinal Survey, CHARLS）；墨西哥健康与老龄化研究（The Mexican Health and Aging Study，MHAS）；印度纵向老龄化研究 （Longitudinal Aging Study in India，LASI）
我们对七大老年公共数据库发文情况分别作简要文献预览，并报道使用联合数据库发表文章列表。
5.16~5.22期间七大老年公共数据库文献预览
美国健康与退休研究 (HRS)：共发文7篇，其中4篇二区文章；
英国老龄化纵向研究 （ELSA）：共发文2篇，其中1篇二区文章；
欧洲健康、老龄化和退休调查（SHARE)：共发文2篇，其中1篇二区文章；
韩国老龄化纵向研究（KLoSA）：共发文0篇；
中国健康与养老追踪调查（CHARLS）：共发文5篇，3篇二区文章；
墨西哥健康与老龄化研究（MHAS）：共发文0篇；
印度纵向老龄化研究 （LASI）：共发文0篇；
通过PubMed数据库检索发现，5.8-5.15共发表了1篇使用联合数据库的相关主题论文，其中共1篇医学2区文章，部分文章介绍如下。
1.外国学者文章介绍（一）
标题：人格特质和复方用药:荟萃分析的五个样本
研究目的：探讨人格特征与多重用药风险之间的潜在关系。
方法：参与者(年龄范围:16-101岁;N > 15,000)分别来自英国老龄化纵向研究(ELSA)、美国中年研究(MIDUS)、健康与退休研究(HRS)、威斯康星州老龄化纵向研究(WLS)和社会科学纵向互联网研究(LISS)。在每个样本中，人格特征和人口统计学因素在基线时进行评估。从2年到20年之后获得药物数量。
结果：随机效应荟萃分析显示，较高的神经质与较高的多药风险相关(OR= 1.30;95% CI 1.17-1.46)和过度多药(OR= 1.44;95% CI 1.18-1.77)，而较高的责任心(OR= 0.84;95% CI 0.74-0.95)和外向性(OR= 0.85;95% CI 0.73-0.98)与较低的多药风险相关。开放性和亲和性与多药无关。身体质量指数、慢性病数量和抑郁症状部分介导了人格与药物数量之间的关联。
结论：神经质是多种药物同时使用的危险因素，而尽责性和外向性可能起保护作用。
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余门课。如果您有需求，不妨点击查看： 二、数据分析服务 浙江中医药大学郑老师团队接单各项医学研究数据分析的服务，提供高质量统计分析报告。有兴趣了解一下详情： |
6228
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
