新指标首次登场！中国学者靠AIP-FI拿下一区top（IF=10.6）｜公共数据库好文汇总
源自风暴统计网：一键统计分析与绘图的网站
本周好文一览
1.CHARLS
2025年12月31日，南京医科大学学者团队用CHARLS数据，在期刊《Cardiovascular Diabetology》（医学一区，IF=10.6)发表研究论文，探究血液动脉粥样硬化指数（AIP）与衰弱指数（FI）组合指标（AIP-FI） 与心血管疾病（CVD）、中风和心脏病风险之间的关联。
研究纳入6896名年龄≥45岁、基线无CVD、中风或心脏病的参与者。指标计算如下：
AIP = log₁₀（甘油三酯/高密度脂蛋白胆固醇）
FI = 基于28项健康相关变量的累积缺陷分数
AIP-FI = AIP × FI（乘法模型）
结果显示，AIP-FI的增加与疾病风险显著增加有关：
CVD：HR = 2.95（95% CI: 2.15–4.05）
中风：HR = 3.14（95% CI: 1.88–5.26）
心脏病：HR = 2.72（95% CI: 1.89–3.92）
该研究首次提出AIP-FI，形成了多维度的综合风险评估工具；AIP-FI计算简单、易于获取，可用于中老年人群的心血管风险分层与早期干预。
2.NHANES
2025年12月26日，南京医科大学学者团队以NHANES队列在期刊《Food Science & Nutrition》（农林科学二区，IF=3.8）发表论文，评估全球健康饮食指数（PHDI）及其子成分与慢性肾病（CKD）患病率和CKD相关死亡率的关联。
结果显示：
PHDI越高，CKD患病率越低（OR = 0.992，95% CI 0.990–0.995）；呈非线性关系，限制性立方样条（RCS） 显示PHDI > 64 后风险显著下降；
PHDI越高，eGFR降低（<60）风险越低（OR = 0.986，95% CI 0.983–0.990）；PHDI越高，蛋白尿风险越低（OR = 0.994，95% CI 0.991–0.997）。
PHDI越高，CKD相关死亡率越低（HR = 0.955，95% CI 0.929–0.981）；呈非线性关系，RCS结果显示，PHDI > 47 后死亡风险显著下降；
PHDI子成分分析显示：豆类、非淀粉类蔬菜、坚果与较低CKD风险相关；坚果摄入还与更低CKD死亡风险相关（HR = 0.841）；乳制品、禽肉、饱和/反式脂肪、红肉/加工肉与较高CKD风险相关；
传统 ROC 曲线对 CKD 患病率表现出良好判别力，时间依赖 ROC 曲线对 CKD 相关死亡率的预后判别力强。
本研究首次将PHDI应用于CKD研究，揭示了两者之间的非线性关系与阈值效应；并且结合分段回归、时间依赖性ROC等多种高级统计方法，全面评估了PHDI与CKD关联的剂量-反应关系与长期预测价值。
3.GBD 2023
2025年12月22日，中国人民解放军医学院学者团队以GBD 2023队列在期刊《Diabetes, Obesity and Metabolism》（医学二区，IF=5.7）发表论文。
研究旨在评估欧洲地区非酒精性脂肪肝病（NAFLD）与2型糖尿病（T2DM）的流行病学特征，识别风险因素，并利用孟德尔随机化（MR）方法从遗传角度验证其因果关系。
结果显示：
NAFLD与T2DM在欧洲的疾病负担分布存在显著地理重叠，共病负担热点集中在中欧与东欧；1990-2023年间，两种疾病的年龄标化患病率（ASPR）与发病率（ASIR）在所有地区均持续上升。
两种疾病的患病、死亡及失能负担均随年龄增长而增加，50-69岁年龄组负担最重；NAFLD的发病率在青少年群体中达到峰值；
两种疾病的负担与各国社会人口指数（SDI）呈现倒U型曲线关系；疾病负担的峰值出现在中高SDI水平（0.70-0.85） 的国家；
当前主要归因风险：高空腹血糖与高身体质量指数（BMI）已成为导致NAFLD与T2DM疾病负担的首要可改变风险因素；
孟德尔随机化分析进一步确定腰围（中心性肥胖）为关键因果驱动因素：腰围增大对患病风险具有最强的正向因果效应（NAFLD: OR=2.02；T2DM: OR=3.76）远超一般性BMI或遗传易感性。
该研究整合GBD 2023与MR分析，通过连接点回归、年龄分解、风险归因及MR因果推断等多维度分析，构建了从宏观流行病学模式到微观遗传机制的完整证据链，提升了研究结论的稳健性与临床转化价值。
4.CHARLS
2025年12月30日，航天医学中心学者团队用CHARLS数据，在期刊《Lipids in Health and Disease》（医学二区，IF=4.2)发表研究论文，探讨中国中老年人体圆指数（BRI）的纵向轨迹与新发糖尿病（DM）风险之间的关联。
研究纳入2011–2016年（Waves 1–3）4,150人无糖尿病史的参与者，使用组基轨迹建模（GBTM） 识别出三类轨迹：低稳定（49.0%）、中度稳定（41.3%）和高稳定（9.7%）。
与低稳定组相比，高稳定组的DM风险显著增加，完全调整后风险比HR为 2.63（95%[CI]：1.41–4.91）；
与传统指标比较，发现单次基线BRI、BMI、腰围的AUC均为约0.63，无显著差异；纵向轨迹分析中，三类指标的高稳定组均显示风险升高，但置信区间重叠，无统计学差异；
使用净重分类改善（NRI） 和综合判别改善（IDI） 评估轨迹的增量预测价值，发现加入BRI轨迹后，NRI = 10.76%，IDI = 0.27%，显著优于BMI轨迹。
该研究在中国中老年人群中应用纵向轨迹模型分析BRI与糖尿病风险的动态关联，提出“稳定高BRI轨迹”作为比单次测量更稳健的风险表型；为糖尿病早期风险分层提供了低成本、易实施的评估工具（仅需身高、腰围数据）。
最后，在文末给郑老师我们团队打个广告吧，大家不要见怪哈！
欢迎参加公共数据库保发表训练营