R语言复现:轨迹增长模型发表二区文章 | 潜变量模型系列(2)

培训通知

Nhanes数据库数据挖掘,快速发表发文的利器,你来试试吧!欢迎报名郑老师团队统计课程,4.20直播。

案例分享

2022年9月,中国四川大学学者在《Journal of Psychosomatic Research》(二区,IF=4.7)发表题为:"Associations between trajectories of depressive symptoms and rate of cognitive decline among Chinese middle-aged and older adults: An 8-year longitudinal study" 的研究论文。

594f693ac32a54a1ba5c214769b660dd.png

本公众号回复“ 沙龙 ”即可获得   PPT,数据等资料

一、摘要

标题:中国中老年人抑郁症状轨迹与认知能力下降率之间的关系:一项为期8年的纵向研究

目的: 探讨中国中老年人群抑郁症状轨迹与认知能力下降率的关系。

方法: 采用中国健康与退休纵向研究(CHARLS)的人群队列数据。该队列随访8年,并于2011年、2013年、2015年和2018年评估抑郁症状和认知表现。采用基于组的轨迹模型(GBTM)来识别抑郁症状的异质性轨迹。采用线性混合模型(lmm)来检验抑郁症状轨迹与整体认知功能、情景记忆和执行功能下降率之间的关联。

结果9264名中老年人共分为5个抑郁症状轨迹组:持续低(n = 3206, 34.6%)、持续中(n = 3747, 40.5%)、持续加重(n = 899, 9.7%)、持续减轻(n = 929, 10.0%)、持续加重(n = 483, 5.2%)。抑郁症状加重的个体在整体认知功能和情景记忆方面表现出最快的下降,其次是持续出现重度或中度抑郁症状的参与者。只有在抑郁症状加重的受试者中,执行功能的下降率明显高于抑郁症状持续减轻的受试者。在抑郁症状减轻的个体和抑郁症状持续减轻的个体之间,认知能力下降的比率没有显著差异。

结论:在中国中老年人群中,抑郁症状加重与认知能力下降最严重同时发生,这可能表明,在抑郁症状恶化的个体中,应优先采取旨在缓解认知能力下降的干预措施。

二、研究设计

P(Population)研究对象:参与2011-2018四轮中国健康与退休纵向研究(CHARLS)调查的人群队列数据。

O(Outcome)结局:认知能力下降。

S(Study design)研究类型:队列研究。

三、研究结果

1.人群特征

9264人平均年龄57.8±8.6岁,男性占50.3%。表1显示了每一波调查中抑郁症状、情景记忆和执行功能得分的描述性结果,以及基线协变量。

078dfcccf1bd08799bd4b48bd1e3f715.png

afe9d2757c43375ac8dd595482ed5074.png

2.抑郁症状的轨迹

逐步建立1至7类的轨迹模型序列,并对其进行比较,以确定表征研究期间抑郁症状动态变化异质性的最佳拟合模型(补充表S1)。这些过程表明,具有5个不同轨迹的模型优于具有较少轨迹的模型。虽然具有6或7个轨迹的模型与BIC和AIC的进一步改善有关,但这些模型产生的一些轨迹的隶属度<5%,平均后验概率<0.7。因此,我们选择了5组抑郁症状轨迹模型(4次立方和1次二次)(表S2)用于后续分析。为了便于解释,我们根据建模的图形模式为不同的抑郁症状轨迹分配了标签(图2):1类,持续的低抑郁症状(n = 3206, 34.6%);第2类,持续中度抑郁症状(n = 3747, 40.5%);第3类,抑郁症状加重(n = 899, 9.7%);第4类,抑郁症状减轻(n = 929, 10.0%);第5类,持续高度抑郁症状(n = 483, 5.2%)。每次就诊时抑郁症状的平均得分和临床相关抑郁症状(csd -10评分≥10)的参与者比例汇总在补充表S3中。

b03756f2a04cd3e6cf9d467c43918fc7.png

3.轨迹亚种群特征

表2显示了每个轨迹组中抑郁症状个体的基线特征。女性参与者更有可能报告抑郁症状持续升高或增加。农村地区的参与者往往表现出抑郁症状的减轻。此外,“持续高抑郁症状”轨迹组的个体往往年龄较大,独居,教育水平较低,有更多的合并症,并有听力障碍。

7acb7172aaa2f867b8c0b4c8c74bd9cd.png

2b5bfb433b72081e2288fa432f14db1b.png

4.抑郁症状、轨迹和认知能力下降的速度

在线性混合模型中,对抑郁症状轨迹和时间相互作用的估计表明,抑郁症状轨迹组的认知z分数下降的平均差异率,如表3所示。在逐步调整协变量的过程中,结果保持稳定。与参照组(持续低抑郁症状)相比,抑郁症状加重的个体在整体认知功能(β =-0.058,95% CI:-0.072至-0.045)和情景记忆(β =-0.062,95% CI:-0.077至-0.047)的z得分下降最快,其次是持续高抑郁症状的参与者(β =-0.038,95% CI:-0.056至-0.021;β =-0.051,95% CI分别为-0.070至-0.031)和持续的中度抑郁症状(β =-0.010,95% CI:-0.019至-0.002;β =-0.012,95% CI分别为-0.021至-0.003)。与抑郁症状持续较低的个体相比,抑郁症状加重的个体在执行功能z分数上的下降速度明显更快(β =- 0.029, 95% CI: -0.040至-0.017)。抑郁症状减轻的个体与抑郁症状持续减轻的良好轨迹组的个体在认知衰退率上没有显著差异。图3显示了抑郁症状轨迹与认知衰退率之间的年龄特异性和性别特异性关联。分层分析的结果与主要分析的结果基本一致。

2871126ab2ab05db086b3288d80f78ad.png

18e12a63824a9ffccbddbd656d6ed134.png

37cc14f4e40243a0d52223126e86a5e6.png

统计学方法

1.组基轨迹模型

这种方法是有限混合建模的一种特殊形式,它可以根据亚种群在一段时间内属于相似轨迹组的最大概率来区分潜在的、不可直接观察的亚种群。使用最大似然估计过程,该方法允许在模型估计中使用所有可用数据,假设丢失数据的随机性。在本研究中,重复的CESD -10评分被建模为截除正态,抑郁症状的轨迹被建立为自基线以来的年的多项式函数。

基于群的轨迹建模方法需要确定合适数量和形状的潜在轨迹。先验设置最大7个轨迹类别,并拟合1 ~ 7个轨迹类别数量逐渐增大的模型序列。我们同时评估每个轨迹的不同生长参数(线性、二次或三次),以获得描述动态抑郁症状变化的最佳多项式函数形式。比较贝叶斯信息准则(BIC)和赤池信息准则(AIC)选择最优拟合模型,绝对值越低表明模型拟合越好。将个体分配到轨迹组的平均后验概率(APP)高达70%或更高,表明分类准确。此外,为了保证后续分析的准确性,选择每个轨迹组的隶属度大于5%的模型。

203ecefea23a2a42fac5b777b7e8d5f9.png

2.线性混合效应模型

一旦确定了抑郁症状的不同轨迹,就进行卡方检验和方差分析,以探讨不同轨迹组之间个体特征的差异。为了检验抑郁症状轨迹与认知衰退率之间的关系,我们采用了分离的线性混合模型来计算整体认知功能、情景记忆和执行功能的z分数。按照推荐的程序,模型包括抑郁症状轨迹的隶属度、时间(自基线以来的年份)、时间相互作用的抑郁症状轨迹的隶属度以及上述协变量。我们从未调整的模型开始,通过逐渐加入协变量继续到多变量模型。斜率和截距均拟合为随机效应。还根据年龄和性别群体在不同的模型中进行了分层分析。

ebe83070ceb5bf452c7230ce4961040e.png

3.统计分析软件

使用SAS软件9.4版(SAS Institute, Inc)中的TRAJ插件程序,采用基于组的轨迹建模方法,生成不同访问期间抑郁症状的不同轨迹。

R语言复现

1、变量表

变量名

标签

变量类型

分类变量的编码

age

年龄

连续变量


r1mbmi

BMI

连续变量


gender

性别

2分类

0:男性; 1:女性

juzhu

居住地

2分类

0:农村; 1:城市

edu

教育程度

3分类

0:文盲; 1:小学/中学;3:高中及以上

tongju

居住状况

2分类

0:同居; 1:独居

somke

吸烟状况

3分类

0:从不吸烟者;1:目前吸烟者; 2:曾经吸烟者

drink

饮酒状况

3分类

0:从不饮酒者;1:目前饮酒者; 2:曾经饮酒者

shili

视觉障碍

2分类

0:不是; 1:是

tingli

听力障碍

2分类

0:不是; 1:是

comorbidity

合并症

3分类

0:0;1:1; 2:≥2

social

社交活动

3分类

0:0;1:1-2; 2:≥3

r1cesd10

抑郁评分

连续变量


r2cesd10

抑郁评分

连续变量


r3cesd10

抑郁评分

连续变量


r4cesd10

抑郁评分

连续变量


r1tr10

情景记忆

连续变量


r2tr10

情景记忆

连续变量


r3tr10

情景记忆

连续变量


r4tr10

情景记忆

连续变量


executive

执行能力

连续变量


executive1

执行能力

连续变量


executive2

执行能力

连续变量


executive3

执行能力

连续变量


2、安装并加载相关包,导入数据

c9607b2a815cb3165a3b4b037c0fbf47.png

3、基线特征描述

本次复现基线表格用到了tableone包,这里“myVars”汇总了基线表中的全部变量,其中有部分变量为分类变量,则需要通过“catVars”进行指定,否则分类数据也将以定量数据进行展示。

21ac947a12f40c03d7a8a310cc0bc4b6.png

这里tab2中未指定分组变量,则仅展示各变量的数据分布,此外,“showAllLevels = TRUE”表示展示分类变量所有分类因子的结果,“nonnormal =”指定的定量数据将以偏态分布进行分析,如果所有定量数据都是偏态分布,可以简洁的用“nonnormal = TRUE”来表示。

7ee2090a917cd84d2cd637e60132affc.png

最后,将基线表结果输出保存在工作空间里,这里我们设置保存为csv格式!

4、数据类型转换

de337dbfc3cd0bea96d02a0b1be0a17c.png

5、组基轨迹模型

首先,建立一个初始模型。

d8eee16628d3e2662d792d0c5d2261bf.png

其次,先验设置最大7个轨迹类别,并拟合1 ~ 7个轨迹类别数量逐渐增大的模型序列。

9e1c672371d5e3bdaea39cb357727a9b.png

找到最小的BIC值及其对应的模型,查看模型评价参数并建立模型,整合数据集。

39e01f77dbce716dbef3c8759efb6572.png

b405339741f7d54312e82c710ebe3540.png

19fc5e1b6d02c7751523a00f98bd661c.png

700abcb51e96fe84e337f267c564a7c3.png

e16fa0615eb1a8a774a4a5f87f4fe8cd.png

9bac494f90996e71bc8a09b8490fe07d.png

6、线性混合效应模型

首先,计算认知下降率,并进行因子化。

为了实现不同测试之间的可比性,生成了认知测量的z分数。在实际操作中,每次就诊时的测试分数根据基线时的初始分数进行标准化,方法是减去平均值并除以标准差(SD)。情景记忆和执行功能的z分转换分别进行。每一波的全局认知功能z分是情景记忆z分和执行功能z分的平均值,随后根据基线全局认知功能z分重新标准化。

545344dc1797a8ee804e98c39d91eb59.png

建立未调整模型,通过逐渐加入协变量继续到多变量模型。斜率和截距均拟合为随机效应。

5bec3622c9fe41d12d23dfc21841a6e4.png

计算每个时间点的平均预测值和95%置信区间。

cdaec0a4a1436e0fc0ae0355330e3129.png

本公众号回复“ 沙龙 ”即可获得  沙龙PPT,数据等资料

本公众提供各种科研服务了!

一、课程培训

2022年以来,我们召集了一批富有经验的高校专业队伍,着手举行短期统计课程培训班,包括R语言、meta分析、临床预测模型、真实世界临床研究、问卷与量表分析、医学统计与SPSS、临床试验数据分析、重复测量资料分析、nhanes、孟德尔随机化等10余门课。如果您有需求,不妨点击查看:

发文后退款:2024-2025年科研统计课程介绍

二、数据分析服务

浙江中医药大学郑老师团队接单各项医学研究数据分析的服务,提供高质量统计分析报告。有兴趣了解一下详情:

课题、论文、毕业数据分析 

 临床试验设计与分析 、公共数据库挖掘与统计

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/308661.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

2. Spring的创建和Bean的存取

经过前面的学习我们已经大体明白了 IOC 思想以及它的实现方式 DI &#xff0c;本节要讲的是如何Spring框架实现实现DI。 本节目标&#xff1a; Spring(Core) 项目创建将对象存储到 Spring 中将对象(bean)从 Spring 中取出 1. 创建 Spring 项目 与开篇演示的 Spring Boot 项目不…

斯坦福DeepMindGoogle提出SAFE:大模型长篇事实检验新标杆

关注公众号【AI论文解读】回复或者发送&#xff1a;论文解读 获取本文论文PDF 引言&#xff1a;大型语言模型的长篇事实性挑战 在当今信息爆炸的时代&#xff0c;大型语言模型&#xff08;LLMs&#xff09;在处理开放式话题的事实性问题时&#xff0c;常常会产生包含事实错…

《QT实用小工具·二十三》 Ntp校时类

1、概述 源码放在文章末尾 该项目实现了 Ntp校时类 &#xff0c;包含如下功能&#xff1a; 可设置Ntp服务器IP地址。 推荐用默认的阿里云时间服务器 ntp1.aliyun.com 收到时间信号发出。 时间精确到秒。 下面是demo演示&#xff1a; 项目部分代码如下&#xff1a; #if…

嵌入式第三天:(C语言入门)

目录 一、跳转关键字 break&#xff1a; continue&#xff1a; goto&#xff1a; 二、函数 概述&#xff1a; 函数的使用&#xff1a; 无参无返回值&#xff1a; 有参无返回值&#xff1a; 有参有返回值&#xff1a; 返回值注意点&#xff1a; 函数的声明&#xff…

攻防世界-fileinclude

题目信息 分析过程 题目说flag在flag.php中&#xff0c;通过ctrluc查看源码&#xff0c;考虑文件上传漏洞。源码如下图所示&#xff1a; 源码如下&#xff1a; <html> <head><meta http-equiv"Content-Type" content"text/html; charsetutf-8&…

字节对编码 (BPE):提升语言处理的效率和有效性

原文地址&#xff1a;byte-pair-encoding-bpe-bridging-efficiency-and-effectiveness-in-language-processing 2024 年 4 月 12 日 介绍 在快速发展的自然语言处理 (NLP) 领域&#xff0c;对人类语言高效解析和理解的追求带来了重大创新。字节对编码&#xff08;BPE&#x…

Redis中的集群(九)

集群 消息 集群中的各个节点通过发送和接收消息(message)来进行通信&#xff0c;我们称发送消息的节点为发送者(sender),接收消息 的节点成为接收者&#xff0c;如图所示。节点发送的消息主要有以下五种: 1.MEET消息:当发送者接到客户端发送的CLUSTER MEET命令时&#xff0c…

STM32-模数转化器

ADC(Analog-to-Digital Converter) 指模数转换器。是指将连续变化的模拟信号转换 为离散的数字信号的器件。 ADC相关参数说明&#xff1a; 分辨率&#xff1a; 分辨率以二进制&#xff08;或十进制&#xff09;数的位数来表示&#xff0c;一般有 8 位、10 位、12 位、16 位…

C++11 设计模式0. 设计模式的基本概念,设计模式的准则,如何学习设计模式,24种设计模式的分为3大类

一 设计模式的基本概念&#xff1a; 模式&#xff1a;指事物的标准样式 或者 理解成 针对特定问题的可重用解决方案。 设计模式&#xff0c;是在特定问题发生时的可重用解决方案。 设计模式一般用于大型项目中。 大型项目中&#xff0c;设计模式保证所设计的模块之间代码的灵…

【蓝桥杯】2024年第15届真题题目

试题 A: 握手问题 本题总分&#xff1a; 5 分 【问题描述】 小蓝组织了一场算法交流会议&#xff0c;总共有 50 人参加了本次会议。在会议上&#xff0c; 大家进行了握手交流。按照惯例他们每个人都要与除自己以外的其他所有人进 行一次握手&#xff08;且仅有一次&a…

多线程代码案例之阻塞队列

目录 1.生产者消费者模型 2.使用标准库中的阻塞队列 3.模拟实现阻塞队列 在介绍阻塞队列之前&#xff0c;会先介绍一些前置知识&#xff0c;像队列&#xff1a;有普通队列、优先级队列、阻塞队列、和消息队列。前面两个是线程不安全的&#xff0c;而后面两个是线程安全的。本…

学生管理系统控制台版(java)

首先得先写个Student类&#xff0c;用来存放学生信息 public class Student {private String id;private String name;private int age;private String address;public Student() {}public Student(String id, String name, int age, String address) {this.id id;this.name…

2024年4月8日腾讯云故障复盘及情况说明

2024年4月8日15点23分&#xff0c;腾讯云团队收到告警信息&#xff0c;云API服务处于异常状态&#xff1b;随即在腾讯云工单、售后服务群以及微博等渠道开始大量出现腾讯云控制台登录不上的客户反馈。 经过故障定位发现&#xff0c;客户登录不上控制台正是由云API异常所导致。云…

极狐GitLab 如何在 helm 中恢复数据

本文作者&#xff1a;徐晓伟 GitLab 是一个全球知名的一体化 DevOps 平台&#xff0c;很多人都通过私有化部署 GitLab 来进行源代码托管。极狐GitLab 是 GitLab 在中国的发行版&#xff0c;专门为中国程序员服务。可以一键式部署极狐GitLab。 本文主要讲述了如何在极狐GitLab …

关于部署ELK和EFLK的相关知识

文章目录 一、ELK日志分析系统1、ELK简介1.2 ElasticSearch1.3 Logstash1.4 Kibana&#xff08;展示数据可视化界面&#xff09;1.5 Filebeat 2、使用ELK的原因3、完整日志系统的基本特征4、ELK的工作原理 二、部署ELK日志分析系统1、服务器配置2、关闭防火墙3、ELK ElasticSea…

李廉洋;4.12现货黄金,美原油最新走势分析及策略。

现货黄金在美盘末将历史新高刷至2377美元/盎司。美国3月份PPI指数较上年同期上升2.1%&#xff0c;为11个月来的最高增幅&#xff0c;这份数据加之此前火爆的CPI指数&#xff0c;为美联储实现2%目标所面临的坎坷之路奠定了基础。不过&#xff0c;PPI报告中的细节让担心通胀再度加…

Python快速获取编程问题答案的方法库之howdoi使用详解

概要 howdoi是一个命令行工具,它提供了一种快速获取编程问题答案的方法,通过搜索和抓取Stack Overflow等网站的内容,直接在终端中显示编程问题的解决方案。 安装 通过pip可以轻松安装howdoi: pip install howdoi特性 快速访问编程解决方案:无需手动浏览Stack Overflow。…

ThingsBoard通过服务端获取客户端属性或者共享属性

MQTT基础 客户端 MQTT连接 通过服务端获取属性值 案例 1、首先需要创建整个设备的信息&#xff0c;并复制访问令牌 ​2、通过工具MQTTX连接上对应的Topic 3、测试链接是否成功 4、通过服务端获取属性值 5、在客户端查看对应的客户端属性或者共享属性的key 6、查看整个…

ELK 日志分析系统

目录 一. ELK 相关知识 1. ELK 的概念与组件 1.1 ElasticSearch&#xff1a; 1.2 Kibana&#xff1a; 1.3 Logstash&#xff1a; 可以添加的其它组件&#xff1a; Filebeat&#xff1a; 缓存/消息队列&#xff08;redis、kafka、RabbitMQ等&#xff09;&#xff1a; Flu…

css文本属性

css常用文本属性汇总 属性描述color设置文本颜色text-align设置水平对齐方式text-decoration装饰文本text-indent设置缩进line-height设置行间距 设置文本颜色 color属性 属性值&#xff1a; 1.已定义的属性值&#xff0c;如red&#xff0c;green。 2.十六进制&#xff1…