徐州市新健康老年医院与江苏大学附属徐州医院的学者们，无需实验仅靠分析NHANES 数据库成功揭示了复合膳食抗氧化指数（CDAI）与中风发生率之间的紧密关联，轻松拿下 7.3 分 SCI，文章发表在《Frontiers in Immunology》（中科院 2 区，JCR Q1 区），整个研究从投稿到接收仅用了 5 个月的时间。
那么，NHANES 数据库究竟有何独到之处？它又是如何助力学者们洞察膳食抗氧化指数与中风风险之间的微妙联系呢？让我们一同跟随这篇文章的步伐，深入探索 NHANES 数据挖掘的神奇魅力！
图片来源：文献截图研究背景
中风是一种严重的脑血管疾病，每年造成全球约 1370 万新病例，是导致残疾和死亡的主要因素。高血压、糖尿病、吸烟、肥胖和久坐生活方式等都是已知的中风风险因素。氧化应激，即体内活性氧种类与抗氧化能力失衡，与血管损伤、内皮功能障碍和炎症有关，并在中风中起重要作用。中风期间，由于血液和氧气供应中断，会产生有害的自由基，加剧脑组织损伤。
饮食习惯对健康有直接影响，与中风的发病有关。复合膳食抗氧化指数（CDAI）作为一种创新工具，能够全面评估饮食中各种抗氧化物质的摄入情况，已被证实对预防多种慢性疾病具有积极作用。随着对抗氧化效应在饮食决策中作用的深入理解，人们开始关注这些效应对中风发生可能产生的影响。尽管 CDAI 显示出潜在的健康益处，但目前尚无研究探讨其与中风发病率之间的关系。
因此，本研究深入探讨了饮食抗氧化剂通过 CDAI 对中风的潜在保护效果，以期为预防策略和个性化饮食建议提供科学依据。
研究方法
数据来源：美国国家健康与营养调查（NHANES）数据库（https://www.cdc.gov/nchs/nhanes/index.html）是一项旨在评估美国和儿童健康与营养状况的研究计划，特色在于结合了访谈和身体检查，是国家健康统计中心（NCHS）的主要项目。
NHANES 访谈包括人口统计、社会经济、饮食和健康相关问题。检查部分包括医学、牙科和生理测量，以及由训练有素的医务人员进行的实验室检查。调查的结果将用于确定主要疾病的流行情况和疾病的危险因素，用于评估营养状况及其与促进健康和预防疾病的关系。主要用于流行病学研究和健康科学研究，有助于制定健全的公共卫生政策，指导和设计卫生计划和服务。
数据纳入时间：1999 年 ~ 2018 年
研究人群：来自 10 个连续的 NHANES 周期（1999 ~ 2018 年）的 101,316 名参与者的数据。
排除标准：(1)年龄在 18 岁以下或 80 岁以上的参与者（n = 46,369）；(2)孕妇（n = 1,753）；(3)缺少有关饮食摄入或中风状态相关信息的个体（n = 1,622）。
最终纳入 40,320 名参与者。
图片来源：文献翻译中风评估:中风的识别是基于个人在面对面访谈中自报的医生之前的诊断。对于回答「你是否曾经被医生或医疗保健提供者告知你中风了?」肯定答案的人，被归类为曾经中风。
协变量评估：使用标准化问卷和面对面访谈来收集包括年龄、性别、种族 / 民族、教育水平、吸烟史和饮酒量在内的人口统计数据。在 NHANES 实验室检测收缩压 / 舒张压，空腹血糖（FBG）、甘油三酯（TG）、总胆固醇（TC）、低密度脂蛋白胆固醇（LDL-C）、高密度脂蛋白胆固醇（HDL-C）、血红蛋白（Hb）、糖化血红蛋白（HbA1c）、红细胞（RBC）计数、白细胞（WBC）计数、中性粒细胞计数、单核细胞计数、淋巴细胞计数和血小板计数，肾小球滤过率（eGFR）。
统计分析
由于NHANES调查中采用的复杂抽样方法，该研究的分析技术考虑了特定于不同研究时期的样本权重，确保了与健康相关统计数据的精确计算。
为了区分有中风和无中风参与者之间的基线特征差异，对连续变量和分类变量分别使用了学生 t 检验和卡方检验。CDAI 分数被均匀地分为四个四分位数，以第一个四分位数（Q1）为参照。为了评估 CDAI 与中风之间的关联，使用了几种多变量逻辑回归模型，包括未调整模型和两个调整模型（Model I和Model II）。
Model I 纳入了年龄、性别和种族/民族的调整，而 Model II 进一步考虑了教育水平、吸烟状况、饮酒量、BMI、糖尿病和高血压。最终模型中不存在多重共线性。
使用具有三个节点（第 10、50 和 90 百分位数）的限制性立方样条（RCS）回归来检验 CDAI（饮食抗氧化剂摄入指数）与中风之间的潜在非线性关系。基于年龄、性别、种族/民族、BMI、吸烟状况、酒精摄入量、糖尿病和高血压等因素进行了亚组分析，以评估在不同亚组中CDAI与中风关联的稳定性。使用与中风相关的关键变量开发了预测列线图模型，并使用受试者工作特征（ROC）曲线评估了其预测能力。
统计分析使用 R 软件版本 4.1.6。
研究结果
（1）研究人群的特征分析
首先，本研究根据相关选择标准共纳入 40,320 名参与者。平均年龄为 45.9 岁，有 1,373人（3.4%）有中风病史，49.29% 的参与者为男性。有中风病史的参与者通常年龄较大（60.2 岁 VS 45.5 岁），并且更有可能患有高血压（77.02% VS 35.32%）、糖尿病（6.61% VS 5.84%）以及心血管疾病，包括冠状动脉疾病（17.36% VS 2.70%）、心绞痛（12.21% VS 1.89%）、心力衰竭（15.86% VS 1.67%）和心脏病（20.89% VS 2.64%）(表 1)。
图片来源：文献截图接着，统计出研究人群的平均 CDAI 为 0.78，且中风组人群 CDAI 较低（-0.29 VS 0.81）。此外，中风组的维生素 A（552.74mcg VS 627.11mcg）、维生素 C（74.97mg VS 83.43mg）、维生素 E（6.85mg VS 8.39mg）、锌（10.28mg VS 11.95mg）、硒（98.43mcg VS 115.28 mcg）和类胡萝卜素（8489.61mcg VS 9802.70mcg）的摄入量都较低（表2）。
图片来源：文献截图1、CDAI及其组分与中风患病率的关联性
为深入探究饮食抗氧化剂摄入与中风风险间的可能联系,实施了加权 logistic 多变量分析。在调整混杂变量后，发现较高的 CDAI 得分与降低的中风风险相关，CDAI 与患病率相关的优势比（OR）[95% CI]为0.96 [0.94-0.98]（P < 0.001）（表3）。
将所有参与者的 CDAI 均匀分为从低到高的四分位数（Q1~Q4），CDAI 较高的中风参与者的患病率明显较低，即与参考四分位数 Q1 相比，随着 CDAI 四分位数的上升，中风组的调整后 OR [95% CI] 分别为 0.90 [0.74-1.09]、0.74 [0.60-0.91] 和 0.61 [0.50-0.76](表3)。
图片来源：文献截图接着，限制性立方样条（RCS）分析显示，CDAI 与中风患病率之间存在显著的非线性趋势关联（P值 < 0.001）。随着 CDAI 评分的增加，中风风险逐渐降低，直至达到某个阈值。超过拐点（3.66）后，保护作用似乎趋于稳定，表明在较高的 CDAI 水平下可能存在饱和效应（图2）。
图片来源：文献截图此外，使用 RCS 分析研究了 CDAI 的每个单独组成部分与中风患病率的关联。某些抗氧化剂的组合似乎具有协同作用，加强了与中风患病率的总体保护关联。而 CDAI 中的六种抗氧化剂成分，包括维生素 A、维生素 C、维生素 E、锌、硒和类胡萝卜素，都表现出拮抗作用，导致与中风风险的相关性减弱（图3）。
（3）不同人群CDAI与中风患病率的亚组分析
进一步亚组分析结果表明，在不同性别、年龄、种族和肥胖水平的参与者中，较高的 CDAI 始终与较低的中风风险相关,表明本研究结论的稳定性(图 4)。RCS 分析发现在拐点之后，进一步提高 CDAI 可能为女性参与者、年龄在 18~40 岁和 60~80 岁之间的参与者，以及肥胖和正常体重的参与者带来更大的益处(图5)。
图片来源：文献截图（4）基于CDAI成分摄入量预测中风的Nomogram模型
研究开发了一个基于关键人口统计特征和 CDAI 成分摄入的列线图模型（Nomogram 模型），用以预测中风风险。在众多成分中，维生素 C、维生素 E、硒、年龄和种族与中风风险的关联最为显著，而其他成分对模型的影响则各有差异。列线图模型描绘了一位 65 岁白人男性，CDAI 得分为 0.5 的情况。根据模型预测，他的中风风险增加了 2.84 倍（见图6A）。NHANES 数据库的资料显示，该男性确实有中风病史。进一步通过受试者工作特征（ROC）曲线分析评估了模型的预测能力，曲线下面积（AUC）达到 77.4%（95% CI：76.3% ~ 78.5%），表明该模型能有效区分中风与非中风个体（见图6B）。
图片来源：文献截图（5）使用未加权的 logistic 回归的 CDAI 与中风患病率关联的敏感性分析
为确保研究结果的稳定性，通过未加权 logistic 回归进行了敏感性分析。结果显示，较高的 CDAI 分数与中风患病率降低呈正相关，CDAI 分数越高，中风风险越低。CDAI 与中风患病率的OR值为 0.96（95% CI：0.94~0.97）。
用于敏感性分析的未加权 logistic 回归模型显示出了结果的稳健性，即 CDAI 与中风患病率之间的关联与主要分析结果保持一致。
图片来源：文献截图创新之处
（1）本文是首次探讨综合饮食抗氧化指数（CDAI）与中风患病率之间的关联，填补了现有研究的空白。不同于以往对单一抗氧化剂的分析，本研究通过计算 CDAI 来评估饮食中各种抗氧化剂的协同效应，提供了一种新的评估饮食抗氧化能力的方法。
（2）本研究采用了具有代表性的大规模 NHANES 样本，通过明确的纳入排除标准确保了研究人群的同质性。运用多变量和亚组分析，结合 RCS 探索非线性关系，并通过敏感性分析验证了结果的稳健性。研究还开发了列线图模型用于预测中风风险，同时考虑了饮食及生活方式因素，增强了对中风风险因素的全面理解。
可借鉴之处
（1）研究精髓借鉴：深度解读研究，借鉴其方法论，选取具有代表性的大规模 NHANES 样本，通过采用加权 logistic 回归分析、亚组分析、RCS 分析，以及未加权 logistic 回归的敏感性分析等多元统计分析手段，来复制该研究的核心步骤。
（2）CDAI 跨领域应用探索：研究者可以将 CDAI 应用于心血管疾病、代谢性疾病或其他健康问题的评估中，以探究其在不同医疗领域中的预测潜力和应用价值。这种方法论的模仿与扩展不仅为临床研究注入了新的活力，更让统计知识在临床实践中闪耀光芒！