7.0/一区，南京医科大附一院NHANES发文：大样本与多变量调整筛选最优CVH评估工具
在利用数据库做预测死亡率的研究时，不管样本量大或是小，如果纳入人群的差异较大，预测结果难免不够精确。那应该如何消除人群结构差异，提升预测性能呢？
心血管健康（CVH）对公共卫生造成了沉重的负担，影响了大约 10% 的成年人。2019 年，心血管疾病相关死亡人数已上升至 1860 万，比过去三十年大幅增长了 50% 以上。然而，不同CVH指标的比较有效性仍不确定。
2025年5月6日，南京医科大学附一院团队在《BMC medicine》（IF=7.0/1区）上发表研究，通过NHANES数据库的大样本与多变量调整，优化了风险差异，为临床选择CVH评估工具提供了重要依据。
文献简介
文献标题：Life's Simple 7、Life's Essential 8 和 Life's Crucial 9 的比较判别：评估增加的复杂性对死亡率预测的影响
期刊名称：BMC medicine
影响因子：7.0，中科院1区
发表时间：2025年5月6日
💡 PMID：40329277
研究背景
心血管疾病（CVD）是全球主要死亡原因，美国心脏协会（AHA）开发了多个心血管健康（CVH）评估工具：
1️⃣Life’s Simple 7（LS7）：7个核心指标（吸烟、BMI、体力活动、总胆固醇、血压、空腹血糖、饮食）。
2️⃣Life’s Essential 8（LE8）：在LS7基础上增加睡眠健康，并优化评分标准。
3️⃣Life’s Crucial 9（LC9）：在LE8基础上增加心理健康（PHQ-9量表）。
该研究主要探讨了增加的复杂性（如睡眠、心理健康）是否能提升死亡率预测能力？
研究思路
1
数据纳入：使用NHANES（2005–2018）数据，纳入22,382名健康成年人，排除未成年人、孕妇、已有CVD或癌症患者。
2
Cox比例风险模型：评估LS7、LE8、LC9与全因死亡率、心脑血管疾病（CCD）及CVD死亡率的关系。
3
ROC曲线与AUC值：比较三者的预测性能。
4
敏感性分析：验证结果的稳健性（如排除早期死亡病例）。
✅核心结论：LS7、LE8、LC9均能有效预测死亡率，但LS7因简单实用，临床价值更优。
研究步骤
01
数据收集与处理
作者从NHANES数据库中筛选符合条件的参与者，排除未成年人、孕妇、已有CVD或癌症患者，最终纳入22,382人，可聚焦健康人群的CVH指标与死亡率关联。
初始样本70,190人，最终纳入22,382人，严格的数据清洗过程（如排除9,342人因LC9指标缺失）能确保样本代表性，减少混杂因素干扰。
02
心血管健康评分计算
根据AHA标准计算LS7（0–14分）、LE8（0–100分）、LC9（0–100分）得分。
通过标准化评分，来确保可比性。其中，LS7为离散分类，LE8/LC9为连续评分，可反映不同维度的健康状态。
结论：
🟡LS7与LE8/LC9高度相关（Pearson r = 0.91和0.89）。
🟡LS7评分≤4的人群死亡率最高（16.57/1000人年），≥11的人群最低（4.06/1000人年）。
03
死亡率关联分析（Cox模型）
由于Cox模型适用于生存数据，可量化风险比（HR）并控制混杂因素。因此，作者使用Cox模型分析LS7、LE8、LC9与死亡率的关联，调整年龄、性别、种族等协变量。
结论：
🟡LS7评分≥11者全因死亡率风险降低65%（HR=0.35）。
🟡LE8每增加10分，风险降低21%（HR=0.79）；LC9每增加10分，风险降低24%（HR=0.76）。
🟡LS7的HR置信区间更窄（0.25–0.50），表明结果稳健；LE8/LC9的额外成分未显著提升预测能力。
04
预测性能评估（ROC与AUC）
通过ROC曲线和AUC值比较三者的预测能力。AUC值量化模型区分能力，0.7–0.8为中等，>0.8为优秀。
结论：
🟡LS7的AUC（0.68）略高于LE8（0.67）和LC9（0.67）（P <0.05）。三者加入基线模型后，AUC提升仅0.01（边际增益）。
🟡LS7的简单性未牺牲预测性能，复杂模型增益有限。
05
敏感性分析
最后，排除随访2年内死亡的病例，验证结果稳健性。作者排除了早期死亡可能由未测量的急性疾病引起，减少了反向因果偏倚。
结论：
🟡敏感性分析后，LS7/LE8/LC9与死亡率的关联依然显著（P <0.001）。证实结果稳健，进一步支持主要结论。
欢迎想发文的老师们，交流学习，免费指导
欢迎想发文的老师们，交流学习，免费指导
