IF10.6!恭喜深圳大学用CHARLS+机器学习轻松拿下双一区TOP!思路简单易复刻!

1.聚焦中老年人群，首次探讨累积 CHG 指数与血压变化及新发高血压风险的关联；

2.证实累积 CHG 指数升高是新发高血压的独立危险因素，且呈线性关联；

3.累积 CHG 指数对新发高血压的预测效能与 AIP 指数相当，优于单年度 CHG 指数；

4.发现基线高 CHG 人群即便后续代谢指标改善，高血压发病风险仍较高，为早期防控提供依据。

如果你也想用“CHARLS+机器学习”进行研究，需要生信分析，复现高分思路，那就快来后台联系生信坞吧，助力每一个科研梦想。

☝️点击上方名片，关注我吧，每天持续更新高分文献，带你探索科研领域。

1数据来源：选取 CHARLS 队列 2011 年基线与 2015 年随访数据，纳入 2029 名 45 岁及以上无高血压的参与者。

2指标计算：采用特定公式计算 CHG 指数及累积 CHG 指数，同时计算 AIP 等对比指标。

3统计分析：运用 K-means 聚类分组，通过多变量线性回归、logistic 回归分析关联，借助 RCS 模型检验非线性关系，ROC 曲线评估预测效能。

1.受试者基线特征

本研究纳入 2029 名受试者（平均年龄 57.55±8.28 岁，男性 38.49%），2012 年平均 CHG 5.28±0.41，累积 CHG 15.62±1.01。基线收缩压 118.37±11.28 mmHg、舒张压 70.58±8.72 mmHg，2015 年随访时均升高。K 均值聚类后，第 2 组体重、腰围、TG 等代谢指标更优（HDL 更低），基线及随访血压显著更高，两组人口学特征无差异。

表 1 经 K 均值聚类分析的参与者基线特征（n=2029）

2.累积胆固醇-高密度脂蛋白-葡萄糖指数（累积 CHG）变化与随访期血压关系的线性回归分析

线性回归分析显示，4 年随访期内受试者血压均升高。多模型调整后，聚类第 2 组收缩压升高更显著（β=3.89）；累积 CHG 四分位分组中，Q4 较 Q1 收缩压高 4.83 mmHg、舒张压高 1.52 mmHg，且血压随累积 CHG 升高呈显著上升趋势，每增 1 个标准差累积 CHG，血压亦显著升高，结果均有统计学意义。

表 2 累积胆固醇-高密度脂蛋白-葡萄糖指数变化与随访期血压关联的线性回归分析结果

3.累积胆固醇-高密度脂蛋白-葡萄糖指数（累积 CHG）与新发高血压关联的 logistic 回归分析

逻辑回归分析显示，4 年随访中 22.42%（455 名）受试者新发高血压。多模型调整后，聚类第 2 组新发高血压风险显著升高（OR=1.61）；累积 CHG Q4 较 Q1 发病风险增加 1.72 倍，每增 1 个标准差累积 CHG，风险显著升高（OR=1.26）。RCS 分析证实二者呈线性关联，结果均有统计学意义。

表3 累积胆固醇-高密度脂蛋白-葡萄糖指数与新发高血压关联的 logistic 回归分析结果

图1 采用限制性立方样条（RCS）分析的胆固醇 - 高密度脂蛋白 - 葡萄糖指数（CHG）与中国健康与养老追踪调查（CHARLS）参与者新发慢性病的关联

本研究基于 CHARLS 队列，证实累积 CHG 指数升高与中老年人群血压升高及新发高血压风险增加呈线性关联，其预测效能与 AIP 指数相当，且优于单年度 CHG 指数。基线高 CHG 人群即便后续代谢指标改善，高血压发病风险仍较高，提示需对该人群开展早期、持续的综合风险管理，为高血压防控提供新依据。

如果你也想用“CHARLS+机器学习”进行研究，需要生信分析，复现高分思路，那就快来后台联系生信坞吧，助力每一个科研梦想。