2025年2月17日，复旦大学学者用NHANES数据库，在期刊《Food & Function》（农林科学一区Top，IF=5.1）发表题为：“Dietary index for gut microbiota is associated with stroke among US adults”的研究论文，旨在探究肠道微生物群膳食指数（DI-GM，一种评估饮食对肠道菌群多样性影响的工具）与中风之间的关联。
√学习tips
文中涉及的指标DI-GM、DI-GM的有利成分以及不利成分，郑老师团队开发的NHANES Online平台可一键快速提取数据。
感兴趣的同学可点击下方链接免费试用：
NHANES数据下载与整合：
https://www.zstats.cn/software2/nhanes_data/nhanes_data_2.0.2.5.0_trial/
NHANES数据加权分析模块：
https://www.zstats.cn/software2/nhanes_weight/nhanes_weight_2.0.2.5.0_trial/
NHANES数据非加权分析模块：
https://www.zstats.cn/software2/nhanes_analysis/nhanes_analysis_2.0.2.5.0_trial/
研究结果表明，个体DI-GM评分越高，其中风风险越低，尤其是在年龄≥30岁的人群中，高评分的饮食可将风险降低12%。
（在公共数据库与孟德尔随机化微信公众号后台回复“ 原文”即可获得文献PDF等资料。）
研究团队基于美国国家健康与营养调查（NHANES）数据库1999-2018年的数据，经过纳排，最终纳入了48,677名≥20岁（30岁以上人群占82.5%）的参与者，平均年龄47岁，女性占51.87%。其中1,907例为中风患者。
图1 参与者的筛选流程
研究结果显示，在粗模型中，DI-GM与参与者中风的患病率之间没有显著的相关性；但经调整后，DI-GM以及DI-GM的有利成分（BGMS）评分与参与者中风的患病率之间存在显著的线性负相关。
具体而言，DI-GM与BGMS评分每增加1分，参与者中风的患病率就分别降低7%和12%。
表1 DI-GM评分与中风的关联
模型1：调整了年龄、性别和种族/民族；
模型2：调整了模型1+（教育水平、婚姻状况和PIR）；
模型3：调整了模型2+（吸烟状况、饮酒状况、身体活动和BMI）；
模型4：调整了模型3+（高血压、糖尿病和能量摄入）
图2 DI-GM评分与中风关联的RCS曲线
考虑到年龄是中风的关键因素，粗模型缺乏显著性可能是受到该因素的影响。因此，研究团队对年龄进行了分层分析（20-29岁与≥30岁）。结果发现：
在20-29岁的参与者中，未观察到显著关联；
而对于≥30岁的参与者而言，较高的DI-GM及BGMS评分均与中风的患病率降低显著相关。
表2 ≥30岁的参与者中，DI-GM评分与中风的关联
此外，研究团队还构建了预测参与者（年龄≥30岁）中风风险的列线图，结果表明该模型的预测性能良好（AUC=0.795）。
图3 列线图的ROC曲线
综上所述，个体的肠道微生物群膳食指数（DI-GM）评分可作为预测中风风险的有效指标。评分越高，个体中风风险越低，特别是在30岁以上的人群中。
统计知识点汇总
1. 数据来源
美国国家健康与营养调查（NHANES）数据库：
NHANES数据库是一项旨在评估美国成人和儿童的健康和营养状况的研究计划。该数据库涵盖了多种健康指标的数据收集和分析。
2.研究设计思路：
P（Population）参与者：从NHANES数据库1999-2018年的数据中，纳入的48,677名≥20岁且符合条件的参与者；
E（exposure）暴露因素：肠道微生物群膳食指数（DI-GM）,包括DI-GM的有利成分（BGMS）和不利成分（UGMS）；
O（outcome）结局：参与者中风的患病率；
S（Study design）研究类型：横断面研究。
3. 统计方法
加权多变量logistic回归模型
本文中，研究团队通过该方法构建了4个模型，评估在调整混杂因素（如年龄、性别、种族、社会经济因素、行为因素等）后，饮食DI-GM评分与参与者中风患病率之间的独立关联。
限制性立方样条（RCS）
研究团队通过该方法检验DI-GM与中风之间的剂量-反应关系，探索它们之间是否存在非线性关联。结果显示，DI-GM以及BGMS评分均与中风风险为线性关联。
亚组分析
在本文中，研究团队基于年龄（<60岁/≥60岁）、性别、种族/民族、婚姻状况、受教育程度、吸烟状况、饮酒状况、身体活动、高血压和糖尿病，将参与者分为不同的亚组，检验DI-GM与中风的关联在不同亚组中的一致性，评估结果的普遍性。
列线图（Nomogram）
列线图是建立在回归分析结果的基础上，用于将复杂的统计模型转化为易于理解的预测工具。它结合了多个预测因子的效应，可以提供直观的预测结果。
在本文中，研究团队就构建了基于logistic回归结果的列线图，用于预测参与者（年龄≥30岁）的中风风险。
受试者工作特征曲线（ROC）
研究团队用该方法评估上述构建的列线图中，DI-GM对参与者中风风险的预测能力。
-gqWJ.jfif)
