NHANES数据库 | 加权广义线性回归+BKMR+WQS回归=二区,IF=5.9

2023年6月25日,中国学者在《Nutrients(二区,IF=5.9)发表题为:”Sex Specificity in the Mixed Effects of Blood Heavy Metals and Cognitive Function on Elderly: Evidence from NHANES” 的研究论文。

这项研究采用了2011-2014年NHANES对美国老年人的调查,共有1833人参加了这项横断面研究,其中包括883名男性和950名女性,本研究旨在调查美国老年人多种金属组合与认知功能之间关系的性别差异。结果表明,在美国老年人中,血液中的金属含量与认知功能之间存在着性别特异性的联系,正如混合金属与男性认知能力之间更为显著的关系(无论是积极的还是消极的)所证明的那样。

f62c3f86c1bfd633971c7bf8df0270f0.png

摘要与主要结果

一、摘要

背景:男性和女性对环境暴露和对神经系统的负面影响的反应方式往往不同。尽管之前的研究已经检查了单独接触金属对认知功能的损害,但金属混合物与认知功能之间的关系,特别是在考虑到个体性别时,仍然难以捉摸。本研究旨在调查美国老年人多种金属组合与认知功能之间关系的性别差异。

方法:这项研究采用了2011-2014年NHANES对美国老年人的调查。采用广义线性回归模型(GLM)、贝叶斯核机回归模型(BKMR)、加权分位数和回归模型(WQS)和分位数g计算回归模型(Qgcomp)研究了五种混合金属与四种认知测试(动物流畅性测试(AFT)、数字符号替代测试(DSST)、即时回忆测试(IRT)和延迟回忆测试(DRT)的相关性。

结果:共有1833人参加了这项横断面研究,其中包括883名男性和950名女性。我们发现,血铅和血镉与老年人的认知能力呈负相关,而血硒与老年人的认知功能呈正相关。硒可能在一定程度上减轻甚至逆转重金属组合对认知功能的负相关关系。IRT、AFT和DSST是四项认知测试中的三项,男性的阳性或阴性结果更明显。在美国老年人中,血液中的金属含量与认知功能之间存在着性别特异性的联系,正如混合金属与男性认知能力之间更为显著的关系(无论是积极的还是消极的)所证明的那样。

结论:这些结果通过采用性别特异性方法强调了环境重金属暴露对认知功能的影响。

二、研究结果

1.研究参与者的特点

这项研究招募了1833名符合条件的参与者,其中包括883名男性和950名女性。如表2所示,性别亚组分析的结果在年龄、教育程度、吸烟和饮酒方面存在差异。此外,男性比女性更倾向于吸烟和饮酒。四项认知评估中有三项存在显著的性别差异,男性的认知得分低于

### BKMR模型在服务器上的配置与实现 #### 背景介绍 BKMR(Bayesian Kernel Machine Regression, 贝叶斯核机器回归)是一种统计建模技术,能够有效分析多个暴露因素对某一结局变量的联合效应及其非线性和交互作用[^2]。它通过引入高维协变量的空间平滑结构来捕捉复杂的相互关系。 为了成功部署和实施BKMR模型于服务器环境,需考虑以下几个方面: --- #### 1. **软件依赖** BKMR模型通常基于R语言中的`bkmr`包实现。因此,在服务器上安装并配置必要的R环境及相关依赖项至关重要。以下是具体步骤: - 安装最新版本的R语言。 - 配置CRAN源以便下载所需的扩展包。 - 使用以下命令安装`bkmr`及其他可能需要的支持库: ```R install.packages("devtools") library(devtools) install_github("jenfb/bkmr", ref="version-1.0") ``` 此外,还需确认服务器已预装矩阵运算优化工具如OpenBLAS或MKL以加速数值计算过程。 --- #### 2. **数据准备** BKMR模型要求输入的数据集满足特定格式——即每列代表一种暴露因子或其他协变量,而目标响应则单独作为一列存在。例如给定一组重金属浓度测量值与其对应的认知功能评分之间关联的研究案例中提到的数据处理方式[^4]: - 数据清理:去除缺失值或者异常点; - 变量标准化/归一化操作使得不同尺度下的特征能被公平对待; 注意当样本数量较大时应分割成训练集与验证集合分别用于构建模型及后续效果检验阶段。 --- #### 3. **模型拟合流程** 按照官方教程指导完成基本设置之后即可调用核心函数执行实际建模工作。下面给出一段简化版代码片段展示如何利用Gaussian分布假设下建立标准形式的BKMR实例: ```R # 加载必要模块 library(bkmr) # 假设已有整理好的dataframe对象名为&#39;data&#39; X <- as.matrix(data[, c(&#39;metal1&#39;, &#39;metal2&#39;, &#39;metal3&#39;)]) # 多重暴露向量 y <- data$score # 结果变量 # 设置初始参数 set.seed(123) fit.bkmr <- kmbayes(y=y, Z=X, family=&#39;gaussian&#39;) summary(fit.bkmr) plot(fit.bkmr) ``` 上述脚本展示了从加载数据到最终绘图整个链条的操作逻辑。当然针对更复杂场景还可以进一步调整超参比如迭代次数(`iter`)、burn-in比例等等提升收敛速度的同时保证采样质量[^1]。 --- #### 4. **错误排查指南** 如果遇到诸如“missing value where TRUE/FALSE needed”的报错提示,则可能是由于某些内部条件判断语句未能获得预期布尔型返回值得引起[^3]。此时建议采取如下措施逐一诊断根源所在: - 检查原始数据是否存在NA值未妥善处理的情况; - 确认所有参与运算字段均为合法数值而非字符类型意外混入其中; 另外值得注意的是偶尔也会因为内存不足而导致中途崩溃现象发生所以务必预留充足资源供程序消耗使用. --- ### 总结 综上所述,BKMR作为一种强大的多维度数据分析手段其背后涉及众多理论知识点同时也伴随着一定的实践难度特别是在大规模分布式环境下更是如此不过只要遵循既定规范逐步推进相信很快就能掌握精髓之处从而更好地服务于科学研究领域之中去解决那些棘手难题啦! ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值