这个杂志，审稿到录用仅需一个月！毕业生的梦中情刊，本科生用NHANES数据库发文2区...

Lipids in Health and Disease  是一个公开的、同行评议的期刊，主要发表关于脂质所有方面的文章，影响因子逐年上升，国人发文占比排第一，年刊量100多篇！最重要的是，该期刊文章审稿速度特别快，最快一个月就能发表。

除了贵一点（版面费2290美元），稿件的处理速度还是很快的，着急毕业或者评职称需要论文的学友可以试着投一下。

2024年5月23日，郑老师团队带的本科生，也就是浙江中医药大学的学生用NHANES数据库，在期刊《Lipids in Health And Disease》（医学二区，IF=4.5）发表题为：“Independent and joint associations of monocyte to high-density lipoprotein-cholesterol ratio and body mass index with cardiorenal syndrome: insights from NHANES 2003–2020 ”的研究论文，旨在探讨单核细胞与高密度脂蛋白胆固醇比值（MHR）和体重指数（BMI）对心肾综合征（CRS）的独立和联合作用。

随着病理生理学的发展，心肾综合征（CRS）作为一种复杂且严重的疾病，已经引起了越来越多的关注。HDL-C因其强大的抗氧化能力和在维持及增强血管弹性中的关键作用，是公认的“心血管保护伞”。研究表明，单核细胞有诱导局部缺血和炎症的作用，被认为是导致CRS和心血管疾病的关键风险因素。

因此，本研究试图通过分析MHR和BMI这两个指标，来增进对CRS风险因素的理解

主要研究结果

1.研究设计

本研究采用了美国国家健康和营养调查(NHANES)2003-2020年的数据，最终纳入了42,178名年龄≥18岁符合条件的参与者。

• 计算MHR的公式为：MHR=单核细胞计数(×103cells/ul) /高密度脂蛋白-胆固醇(mg/dL)。在夜间禁食至少9个小时后，在早上采集血样。

• 计算 BMI 的公式是 BMI = 体重（公斤）/ 身高（米）的平方。

• 研究者将CRS定义为同时患有心血管疾病（CVD）和慢性肾脏病（CKD）的个体。

  （ CVD由自我报告的冠脉病、心绞痛、充血性心脏、心脏病发作或脑卒中确定；CKD通过评估 eGFR（eGFR < 60 mL/min/1.73 m²） 来确定 ）

2.基线数据

参与者被分为非CRS组和CRS组。

• 非CRS组的平均年龄（SD）为48.69（17.91），而CRS组的平均年龄（SD）为73.89（17.79）。

• 与非CRS参与者相比，CRS患者的MHR显著高于非CRS受试者，且CRS患者中男性以及高血压和糖尿病的比例更高。

3.MHR 和 BMI 与 CRS 的独立和联合关联

在纳入研究的42,178名参与者中，CRS患病率为3.45%。

• 调整协变量后，加权Logistic回归表明，MHR的增加与CRS患病率的增加相关(Ln MHR:OR= 1.799,95% CI -2.129 = 1.520, P < 0.001)。

• 与MHR的第一个四分位数相比，每增加一个四分位数的MHR与CRS的OR增加显著相关，且存在显著趋势(P-trend < 0.001)。

表1  Ln MHR与CRS的横断面关联

模型1:调整了年龄、性别、种族、婚姻状况和教育程度

模型2:额外调整的吸烟状况和饮酒状况

模型3:额外调整高血压和糖尿病

• 同样，BMI每增加1,CRS的发生几率也相应增加(OR=1.037, 95% CI 1.023-1.051,P < 0.001)。

• 与BMI低于25的参与者相比，BMI为30或更高的参与者CRS患病率更高(OR= 1.453,95% CI= 1.177-1.794, P<0.001)。

表2 BMI与CRS的横断面关联

• 下图显示了BMI和Ln MHR的分布，通过RCS分析，BMI和Ln MHR与CRS没有非线性关联。
  

图1Ln MHR和BMI与CRS的非线性关系

(A) Ln MHR分布；(B) Ln MHR与CRS之间的RCS曲线；(C) BMI分布； (D) BMI与CRS关系的RCS曲线。

研究团队进一步探讨了Ln MHR和BMI与CRS的联合关系。

• 研究结果显示，BMI≥30 kg/m2且Ln MHR第4分位数的个体与BMI<25 kg/m2且Ln MHR第1分位数的个体相比，OR为3.45 (95% CI= 2.40-4.98, P<0.001)。

• 研究就结果支持Ln MHR和BMI与CRS具有联合关系的结论，即同时具有高MHR和BMI的个体患CRS的风险更高。

图2 在完全调整模型中，MHR和BMI与CRS的联合关联

4.交互作用

下图展示了BMI对MHR与CRS的相关性，结果表明MHR和BMI对CRS没有显著的交互作用(MHR连续型P-interaction为0.248；MHR四分位型P-interaction为0.363)。

图3 在一个完全调整的模型中，BMI与MHR与CRS的关系

统计学方法

本文的研究思路非常清晰，统计学方法直接借鉴：

1、进行统计描述

• 对于连续变量，使用均数±标准差(SD)来描述，并使用Student’s t检验在两组之间进行比较。

• 对于分类变量，使用频率和百分比来描述，并使用卡方检验进行比较。

• 所有分析均使用R Studio(4.3.2版本)和风暴统计平台(www.medsta.cn/software)进行。研究者认为双侧P值<0.05为显著性。

2、进行缺失填补

• 对协变量中的缺失值进行了多重填补。
  

3、进行独立和联合关联的分析

• 采用了多变量加权Logistic回归来评估MHR和BKI与CRS的独立和联合关联的比值比（OR）和95%置信区间（CI）。

• 进行了限制性立方样条（RCS）分析以探索非线性关联。

• 为了评估MHR和BMI与CRS的联合关系，根据MHR(4个四分位数)和BMI将参与者分为12组(3组:<25 kg/m2, 25 - 30 kg/m2和≥30 kg/m2)。以BMI<25且MHR在第一四分位数的个体为对照，评估各组CRS的OR值和95% CI。

4、交互作用分析

• 基于BMI的三个亚组，对MHR(包括连续变量和分类变量)与CRS之间的关系进行了分层分析；

• 通过ANOVA分析，比较有和没有相互作用项的回归模型来确定交互作用效应。

5、敏感性分析

研究团队进行了一些敏感性分析，分析结果表明填补和加权分析不影响结果，并且在泊松回归模型中，MHR和BMI与CRS的独立和联合关联仍然稳健。

• 在多重插补之前分析数据，以探索多重插补可能对结果产生的潜在影响;

• 在计算抽样权重后，不考虑权重，以减轻将主要变量作为协变量可能产生的过度调整偏倚;

• 进行泊松回归。

后   记

本文的统计学方法不难，但是运用很巧妙：首先使用logistic回归分析评估MHR和BKI与CRS的独立和联合关联，并用限制性立方样条（RCS）分析以探索非线性关联。接着基于BMI的三个亚组，进行交互作用分析，最后进行敏感性分析。

值得一提的是，本文使用的统计学方法老郑我的平台就能做到，该平台免费使用，希望能助力各位顺利发文！

Nhanes数据库发文依旧火爆，不少人想用这个免费数据库发文。如果在Nhanes数据库挖掘时遇到困难，不妨来看看郑老师Nhanes课程！1V1指导，快速解决问题，让你的论文顺利发表！

本公众提供各种科研服务了！