原文信息標(biāo)題Joint association of atherogenic index of plasma and estimated glucose disposal rate with new-onset cardiovascular disease risk in individuals with cardiovascular-kidney-metabolic syndrome stages 0–3: a 9-year nationwide prospective cohort study作者Fan Y, Si Z, Wei M, Gu Y, Li X.期刊Cardiovascular DiabetologyBMC開放獲取2026, 25(1): 184DOI10.1186/s12933-026-03200-5 PMID42069607 PMCIDPMC13285307數(shù)據(jù)來源中國健康與養(yǎng)老追蹤調(diào)查CHARLS這是一篇典型的**流行病學(xué)隊(duì)列研究 生存分析Cox 比例風(fēng)險(xiǎn)模型**論文。它沒有訓(xùn)練任何機(jī)器學(xué)習(xí)模型但處處是特征工程如何把 TG、HDL-C 組合成 AIP、“目標(biāo)函數(shù)設(shè)計(jì)”Cox 損失、“交互項(xiàng)與可加性檢驗(yàn)”類似模型里的特征交叉與歸因以及增量預(yù)測價(jià)值評估類似 AUC 提升、NRI/IDI 這類 ranking calibration 指標(biāo)。我會用你熟悉的 ML 語言把它翻譯過來。一、30 秒速覽研究問題在已經(jīng)處于心血管-腎臟-代謝綜合征CKM早期0–3 期的成年人里單獨(dú)看血脂異常指標(biāo) AIP、或單獨(dú)看胰島素抵抗指標(biāo) eGDR都不夠把兩者聯(lián)合分層能不能比單一指標(biāo)更好地識別出將來會得心梗/腦卒中CVD的高危人群數(shù)據(jù)CHARLS 全國隊(duì)列基線 2011 年剔除已有 CVD 后剩5925 人≥45 歲平均 57.9 歲54.65% 女性隨訪到 2020 年約 9 年。核心結(jié)論高 AIP且低 eGDR 的人新發(fā) CVD 風(fēng)險(xiǎn)最高HR1.35即比低 AIP高 eGDR參照組高 35%對腦卒中的風(fēng)險(xiǎn)更高HR1.59。但兩者沒有顯著的相乘/相加交互作用說明它們更像兩條重疊但獨(dú)立的預(yù)警軸聯(lián)合使用主要是在 CKM 分期內(nèi)部做更細(xì)的風(fēng)險(xiǎn)梯度劃分增量預(yù)測價(jià)值溫和但顯著。一些啟發(fā)把兩個(gè)常規(guī)化驗(yàn)派生出的復(fù)合指數(shù)做聯(lián)合分層本質(zhì)是一次廉價(jià)的、可解釋的特征交叉在保留可解釋性的前提下小幅提升風(fēng)險(xiǎn)分層能力——這和你在模型里加一個(gè)交叉特征、看它是否帶來 AUC 提升是同一類思路。二、論文動機(jī)2.1 先補(bǔ)一點(diǎn)醫(yī)學(xué)背景用 ML 類比心血管-腎臟-代謝綜合征CKM syndrome是美國心臟協(xié)會AHA2023 年提出的一個(gè)整合框架它認(rèn)為**肥胖、糖尿病代謝、慢性腎病腎臟、心血管疾病心血管**并不是四個(gè)獨(dú)立科室的病而是一條連續(xù)惡化的共同通路。打個(gè)比方這就像一條數(shù)據(jù)流水線肥胖/不良生活方式 → 代謝異常(高血糖高血脂) → 腎損傷 → 心梗/腦卒中(CVD) (Stage 1) (Stage 2) (Stage 3) (Stage 4)論文研究的就是Stage 0–3還沒發(fā)展到確診 CVD 的 Stage 4也就是上游人群——這個(gè)階段干預(yù)成本最低、收益最大所以早期識別高危個(gè)體價(jià)值極高。兩個(gè)復(fù)合指數(shù)是什么AIPatherogenic index of plasma血漿動脈粥樣硬化指數(shù)用血脂里的TG甘油三酯/ HDL-C高密度脂蛋白膽固醇取對數(shù)得到。TG 高、HDL-C 低都指向致動脈粥樣硬化的血脂畫像AIP 把這兩個(gè)信號壓縮成一個(gè)連續(xù)分?jǐn)?shù)。從 ML 視角看它就是一個(gè)手工設(shè)計(jì)的、有生理學(xué)依據(jù)的特征組合feature cross。eGDRestimated glucose disposal rate估計(jì)葡萄糖處置率用腰圍、是否高血壓、HbA1c糖化血紅蛋白三個(gè)常規(guī)指標(biāo)估算身體處理葡萄糖的能力胰島素敏感性。值越低 胰島素抵抗越重。2.2 研究空白AIP 和 eGDR 各自都已被報(bào)道與心腦血管病相關(guān)但在 CKM 0–3 期這個(gè)早期人群里把兩者聯(lián)合起來看是否比單看一個(gè)更好此前不清楚。CKM 分期本身已經(jīng)編碼了一部分代謝風(fēng)險(xiǎn)那么 AIP/eGDR 提供的信號到底是新增信息還是和分期重復(fù)需要驗(yàn)證。既往研究多關(guān)注有沒有關(guān)聯(lián)少有關(guān)注增量預(yù)測價(jià)值即加進(jìn)現(xiàn)有模型后判別力到底提升多少——而這恰恰是臨床落地最關(guān)心的。一句話動機(jī)在 CKM 早期人群里驗(yàn)證AIP × eGDR 聯(lián)合分層能否以極低成本的常規(guī)化驗(yàn)細(xì)化心血管風(fēng)險(xiǎn)梯度并帶來可量化的預(yù)測增益。三、創(chuàng)新點(diǎn)維度具體貢獻(xiàn)人群聚焦首次在CKM 0–3 期這一未確診 CVD 的早期人群中系統(tǒng)評估 AIP 與 eGDR 的聯(lián)合作用而非泛泛地看全人群。聯(lián)合分層而非單指標(biāo)同時(shí)用 AIP 和 eGDR 的中位數(shù)切點(diǎn)把人群切成 4 組直接給出高 AIP 低 eGDR這一最高危組合的風(fēng)險(xiǎn)量化。交互作用雙檢驗(yàn)同時(shí)做了相乘交互multiplicative似然比檢驗(yàn)和相加交互additiveRERI/AP/SI。這一點(diǎn)很關(guān)鍵流行病學(xué)里有沒有協(xié)同超額風(fēng)險(xiǎn)要看相加尺度單純看相乘交互會漏判——這是方法學(xué)上的嚴(yán)謹(jǐn)之處。增量預(yù)測價(jià)值用時(shí)間依賴性 Harrell’s C-index、IDI、連續(xù) NRI量化加進(jìn) CKM 分期模型后到底多準(zhǔn)了多少并且做了 6 類敏感性分析用藥、刪缺失、刪治療者、刪 Stage 0、刪 2 年隨訪、競爭風(fēng)險(xiǎn) Fine-Gray?？山忉尅⒌烷T檻全部基于常規(guī)體檢指標(biāo)不依賴影像或基因便于在基層/體檢場景復(fù)用。四、數(shù)據(jù)與方法一次臨床特征工程 生存分析全流程4.1 隊(duì)列與人群數(shù)據(jù)集構(gòu)建數(shù)據(jù)來源CHARLSChina Health and Retirement Longitudinal Study中國全國性、有代表性的中老年隊(duì)列。基線波次2011 年隨訪波次 2013 / 2015 / 2018 / 2020。納入基線 ≥45 歲、無 CVD、處于 CKM 0–3 期者。最終樣本N 5925初始 17708 人按排除標(biāo)準(zhǔn)層層剔除已患 CVD、CKM Stage 4、缺失關(guān)鍵變量等。隨訪結(jié)局中位隨訪約 9 年期間1467 人24.76%新發(fā) CVD其中心臟病 1106 人18.67%、腦卒中 525 人8.86%。類比 ML這是一次嚴(yán)格的數(shù)據(jù)清洗 正負(fù)樣本定義。結(jié)局是首次發(fā)生 CVD/心臟病/腦卒中屬于右刪失生存數(shù)據(jù)right-censored——不是每個(gè)人都在觀察期內(nèi)發(fā)病沒發(fā)病的人只貢獻(xiàn)活到某時(shí)刻還沒事的信息。這類數(shù)據(jù)不能用普通邏輯回歸要用Cox 比例風(fēng)險(xiǎn)模型。4.2 兩個(gè)核心特征的定義與公式AIP——把 TG 和 HDL-C 壓成一個(gè)指數(shù)AIPlog?10 ?(TGHDL ?? ?C),單位均為 mg/dL(1) \mathrm{AIP}\log_{10}\!\left(\frac{\mathrm{TG}}{\mathrm{HDL\!-\!C}}\right),\qquad \text{單位均為 mg/dL} \tag{1}AIPlog10?(HDL?CTG?),單位均為mg/dL(1)因?yàn)?TG/HDL-C 是高度右偏的分布取 log10 使其近似正態(tài)、便于建模。AIP 越大 → 致粥樣硬化血脂畫像越重。eGDR——用三個(gè)常規(guī)指標(biāo)估算胰島素敏感性eGDR21.158?0.09×WC(cm)?3.407×HTN(0/1)?0.551×HbA1c(%)(2) \mathrm{eGDR}21.158-0.09\times \mathrm{WC}(\mathrm{cm})-3.407\times \mathrm{HTN}(0/1)-0.551\times \mathrm{HbA1c}(\%) \tag{2}eGDR21.158?0.09×WC(cm)?3.407×HTN(0/1)?0.551×HbA1c(%)(2)其中 WC 腰圍cmHTN 是否患高血壓是1/否0HbA1c 糖化血紅蛋白%。系數(shù)來自既往驗(yàn)證方程Park 等。eGDR 越低 → 胰島素抵抗越重。4.3 人群聯(lián)合分層特征交叉用隊(duì)列內(nèi)的AIP 中位數(shù) ?0.05與eGDR 中位數(shù) 10.15作為切點(diǎn)把人群切成 4 組組別含義人數(shù)Low AIP High eGDR血脂好 胰島素敏感參照組1815High AIP High eGDR血脂差 胰島素敏感1148Low AIP Low eGDR血脂好 胰島素抵抗1815High AIP Low eGDR血脂差 胰島素抵抗最高危1147這正是 ML 里的兩個(gè)二值特征做笛卡爾積得到 4 個(gè)組合特征。注意切點(diǎn)用的是本隊(duì)列中位數(shù)數(shù)據(jù)驅(qū)動不是臨床金標(biāo)準(zhǔn)切點(diǎn)——這是后文局限性的來源之一。4.4 統(tǒng)計(jì)模型目標(biāo)函數(shù)與假設(shè)檢驗(yàn)論文用Cox 比例風(fēng)險(xiǎn)回歸建模分多個(gè)遞進(jìn)模型逐步加入?yún)f(xié)變量類似逐步加特征的消融Model 0粗模型只放暴露Model 1 社會人口學(xué)年齡、性別、教育、婚姻、城鄉(xiāng)等Model 2 臨床化驗(yàn)指標(biāo)Model 3 高血壓/血脂異常/糖尿病等共病主模型另加CKM 分期調(diào)整模型看加進(jìn)分期后信號是否還在Cox 模型的核心方程風(fēng)險(xiǎn)函數(shù)h(t∣x)h0(t) exp? ?(β?x)(3) h(t\mid \mathbf{x})h_0(t)\,\exp\!\big(\boldsymbol{\beta}^{\top}\mathbf{x}\big) \tag{3}h(t∣x)h0?(t)exp(β?x)(3)h0(t)h_0(t)h0?(t)是基線風(fēng)險(xiǎn)不假設(shè)形狀xxx是協(xié)變量向量β\betaβ是待估系數(shù)。報(bào)告的是HR exp(β)及其 95% 置信區(qū)間。劑量-反應(yīng)關(guān)系用**限制立方樣條RCS, restricted cubic spline**在 Model 3 下看 AIP、eGDR 與結(jié)局的連續(xù)非線性關(guān)系以中位數(shù)為參考。交互作用檢驗(yàn)這是論文方法學(xué)亮點(diǎn)相乘交互在 Cox 模型里加AIP × eGDR乘積項(xiàng)用似然比檢驗(yàn)看是否顯著。相加交互用RERI、AP、SI三個(gè)指標(biāo)判斷兩暴露同時(shí)存在時(shí)風(fēng)險(xiǎn)是否超過各自風(fēng)險(xiǎn)的簡單相加RERIHR11?HR10?HR011,APRERIHR11,SIHR11?1(HR10?1)(HR01?1)(4) \mathrm{RERI}\mathrm{HR}_{11}-\mathrm{HR}_{10}-\mathrm{HR}_{01}1,\quad \mathrm{AP}\frac{\mathrm{RERI}}{\mathrm{HR}_{11}},\quad \mathrm{SI}\frac{\mathrm{HR}_{11}-1}{(\mathrm{HR}_{10}-1)(\mathrm{HR}_{01}-1)} \tag{4}RERIHR11??HR10??HR01?1,APHR11?RERI?,SI(HR10??1)(HR01??1)HR11??1?(4)若 RERI 的 95%CI 不包含 0、AP 不包含 0、SI 不包含 1則存在顯著相加交互協(xié)同超額風(fēng)險(xiǎn)。預(yù)測價(jià)值評估時(shí)間依賴性 Harrell’s C-index生存版的 AUC看排名能力。IDI綜合判別改善與連續(xù) NRI凈重分類改善看加進(jìn) AIP/eGDR 后模型對個(gè)體風(fēng)險(xiǎn)重分類是否更準(zhǔn)比單純 C-index 更敏感。五、關(guān)鍵結(jié)果與圖表解讀5.1 基線特征Table 1與最高危組的畫像Table 1 按 AIP/eGDR 聯(lián)合分組列出基線。最直觀的發(fā)現(xiàn)是高 AIP 低 eGDR 組發(fā)病率最高CVD 31.85%、心臟病 23.09%、腦卒中 13.11%而低 AIP 高 eGDR 組最低CVD 17.69%、心臟病 13.33%、腦卒中 5.51%。四組在多數(shù)變量上差異顯著僅 hs-CRP 不顯著p0.21。CKM 分期分布也印證直覺低 eGDR 組更多落在 Stage 2–3高 eGDR 組更多在 Stage 0–1。圖 1研究人群流程圖 Fig. 1展示了從 17708 人到最終 5925 人的篩選漏斗依次排除無知情同意、45 歲、已有 CVD、CKM Stage 4、關(guān)鍵變量缺失者。這張圖是隊(duì)列研究透明化納入排除的標(biāo)準(zhǔn)動作讀者一眼就能判斷樣本代表性的潛在偏倚來源。5.2 生存曲線聯(lián)合分層把人群拉開了圖 2Kaplan–Meier 曲線 Fig. 2按 4 個(gè) AIP-eGDR 組分別畫出 CVD、心臟病、腦卒中的累積發(fā)病率曲線。可以清晰看到高 AIP 低 eGDR 組的曲線始終在最下方即累積發(fā)病最快、最高而參照組低 AIP 高 eGDR曲線最平緩。三組之間的分離在隨訪中后期尤其明顯直觀支持了聯(lián)合分層能區(qū)分風(fēng)險(xiǎn)梯度的論點(diǎn)。KM 曲線就是按特征組合分桶后的生存函數(shù)估計(jì)相當(dāng)于把模型預(yù)測分?jǐn)?shù)離散成 4 檔后畫累積事件率——分離度越大說明這個(gè)特征組合的分層能力越強(qiáng)。5.3 風(fēng)險(xiǎn)量化Table 2HR 全景Table 2 給出 Model 0→3 逐級調(diào)整的 HR。以主模型Model 3為準(zhǔn)參照組 低 AIP 高 eGDR單指標(biāo)效應(yīng)高 AIP vs 低 AIPCVD HR1.13(1.02–1.26, p0.03)心臟病 1.09(1.02–1.24, p0.03)腦卒中 1.24(1.03–1.49, p0.02)。低 eGDR vs 高 eGDRCVD HR1.22(1.06–1.41, p0.01)心臟病 1.18(1.00–1.38, p0.05)腦卒中 1.39(1.09–1.77, p0.01)。聯(lián)合分層重點(diǎn)看這一行組別CVD HR (95%CI)心臟病 HR腦卒中 HRHigh AIP High eGDR1.18 (1.11–1.40)1.25 (1.03–1.52)1.10 (1.01–1.50)Low AIP Low eGDR1.26 (1.06–1.51)1.28 (1.05–1.55)1.25 (1.12–1.71)High AIP Low eGDR1.35 (1.14–1.59), p0.0011.32 (1.08–1.62), p0.011.59 (1.19–2.12), p0.002趨勢檢驗(yàn) p 值CVD 0.001、心臟病 0.02、腦卒中 0.001說明風(fēng)險(xiǎn)隨不利指標(biāo)數(shù)量單調(diào)上升。最高危組合高 AIP 低 eGDR對腦卒中的 HR 高達(dá) 1.59——比單一指標(biāo)單獨(dú)作用都強(qiáng)且腦卒中方向尤其突出。即便再加 CKM 分期調(diào)整高 AIP低 eGDR 組仍顯著CVD 1.27(1.05–1.53)、心臟病 1.25(1.00–1.55)、腦卒中 1.46(1.06–2.00)。說明這部分信號沒有被 CKM 分期完全吸收確有增量信息。5.4 劑量-反應(yīng)連續(xù)指標(biāo)的非線性圖 3限制立方樣條 Fig. 3展示 AIPA–C 面板和 eGDRD–F 面板與 CVD/心臟病/腦卒中的連續(xù)關(guān)系A(chǔ)IP與三種結(jié)局風(fēng)險(xiǎn)呈單調(diào)非線性上升整體 p0.0001AIP 越高風(fēng)險(xiǎn)爬升越快符合血脂惡化加速動脈粥樣硬化的病理直覺。eGDR與 CVD、心臟病風(fēng)險(xiǎn)呈先快速下降、后趨于平緩的曲線與腦卒中近似線性下降。即 eGDR 在中高區(qū)間再升高邊際收益變小——提示 eGDR 低到一定程度才是主要危險(xiǎn)區(qū)。這相當(dāng)于做了一次單特征 vs 結(jié)局的非線性 shapley/偏依賴圖PDP比只看分組 HR 信息更豐富它告訴醫(yī)生在哪個(gè)區(qū)間干預(yù)性價(jià)比最高。5.5 交互作用兩條軸重疊但不協(xié)同Table 3 報(bào)告交互檢驗(yàn)結(jié)果結(jié)論很干凈相乘交互CVD 0.91(0.69–1.19)、心臟病 0.82(0.59–1.16)、腦卒中 1.16(0.77–1.74)全部不顯著CI 含 1。相加交互RERI/AP/SI 的 95%CI 均跨越無效值例如 CVD RERI ?0.09[?0.44~0.25]、AP ?0.07[?0.36~0.17]、SI 0.80[0.29~2.06]。這意味著AIP 和 eGDR不存在統(tǒng)計(jì)學(xué)顯著的相乘或相加交互。換句話說兩者同時(shí)存在時(shí)的風(fēng)險(xiǎn)大致等于各自風(fēng)險(xiǎn)的疊加并沒有112的協(xié)同超額。論文據(jù)此判斷二者是 CKM 框架下兩條重疊但相對獨(dú)立的預(yù)警軸聯(lián)合分層的主要價(jià)值在于細(xì)化分期內(nèi)部的風(fēng)險(xiǎn)梯度而非發(fā)現(xiàn)一種新的交互亞型。這就像你加了一個(gè)交叉特征AIP×eGDR但交叉項(xiàng)的系數(shù)不顯著——說明線性主效應(yīng)已經(jīng)足夠交叉項(xiàng)沒帶來額外信號。論文用更嚴(yán)格的相加尺度做了確認(rèn)比只看相乘交互更穩(wěn)妥。5.6 增量預(yù)測價(jià)值圖 4判別性能 Fig. 4與圖 5C-index、ΔC-index、IDI、連續(xù) NRI Fig. 5量化加進(jìn) AIP/eGDR 后模型變好多少Harrell’s C-indexModel 3CVD 由 AIP 0.643 / eGDR 0.642 提升到聯(lián)合 0.657心臟病 0.628/0.629→0.642腦卒中 0.674/0.675→0.688。ΔC-indexCVD 0.036、心臟病 0.028、腦卒中 0.037均 p≤0.008——提升雖小但統(tǒng)計(jì)顯著。IDI 與連續(xù) NRI聯(lián)合應(yīng)用顯示統(tǒng)計(jì)顯著但數(shù)值溫和的改善正文描述類似模式未逐個(gè)數(shù)給出精確 IDI/NRI 值。解讀C-index 提升 0.03 左右在流行病學(xué)里算溫和但有意義——畢竟常規(guī)化驗(yàn)本就只能解釋有限方差。更關(guān)鍵的是它在所有三個(gè)結(jié)局CVD/心臟病/腦卒中方向一致且加 CKM 分期后依然成立說明增量信號穩(wěn)健。六、評判性分析優(yōu)點(diǎn) / 局限 / 可改進(jìn)方向6.1 優(yōu)點(diǎn)問題定義精準(zhǔn)聚焦 CKM 0–3 期這一干預(yù)窗口期臨床意義明確。方法學(xué)嚴(yán)謹(jǐn)Cox 多模型遞進(jìn) RCS 非線性 相乘與相加交互雙檢驗(yàn) 時(shí)間依賴性 C-index/IDI/NRI 6 類敏感性分析含競爭風(fēng)險(xiǎn) Fine-Gray幾乎把觀察性研究的可信度檢查清單做全了?？山忉尅⒌统杀救炕诔Ｒ?guī)體檢指標(biāo)不依賴高成本檢測落地門檻低。結(jié)論克制明確承認(rèn)無顯著交互“增量價(jià)值溫和”沒有夸大。6.2 局限論文自己承認(rèn) 我的補(bǔ)充暴露由 CKM 定義成分派生AIP血脂、eGDR腰圍/高血壓/HbA1c本身就是 CKM 分期里用的變量因此聯(lián)合分層在相當(dāng)程度上是對 CKM 分期信息的重新表達(dá)而非獨(dú)立的新亞型。加 CKM 分期后 HR 衰減1.35→1.27正是這一點(diǎn)的證據(jù)。殘留混雜觀察性設(shè)計(jì)飲食、運(yùn)動、社會經(jīng)濟(jì)地位等未測因素仍可能混淆。僅基線單次測量沒有 AIP/eGDR 的縱向軌跡無法捕捉變化率這一可能更強(qiáng)的預(yù)測信號。結(jié)局靠自我報(bào)告 醫(yī)師診斷問卷沒有亞型 adjudication如區(qū)分缺血/出血性卒中可能引入錯(cuò)分。切點(diǎn)為本隊(duì)列中位數(shù)非臨床驗(yàn)證切點(diǎn)外推到其他人群需重新標(biāo)定。外推性受限僅中國 ≥45 歲人群年輕人與其他種族需另行驗(yàn)證。6.3 可改進(jìn)方向給想做后續(xù)研究的你把 AIP/eGDR 當(dāng)作已有特征用 ML如梯度提升、Cox 神經(jīng)網(wǎng)絡(luò)去學(xué)它們之間的非線性交叉與高階交互看是否真有被傳統(tǒng) Cox 漏掉的信號論文已用相加交互否定線性協(xié)同但非線性協(xié)同未被充分探索。引入縱向重復(fù)測量重復(fù)走訪的 AIP/eGDR用聯(lián)合模型joint model建模軌跡。外部驗(yàn)證 切點(diǎn)遷移學(xué)習(xí)在其它隊(duì)列/種族上重新標(biāo)定中位數(shù)或?qū)ふ彝ㄓ门R床切點(diǎn)。競爭風(fēng)險(xiǎn)更前置死亡作為競爭事件Fine-Gray 已用但可進(jìn)一步做多狀態(tài)模型多結(jié)局并發(fā)。一句話帶走這篇論文本質(zhì)上是一次用領(lǐng)域知識做特征工程AIP、eGDR→ 聯(lián)合交叉 → 用 Cox 嚴(yán)格交互/增量檢驗(yàn)驗(yàn)證的規(guī)范范式。它證明在 CKM 早期人群里把血脂和胰島素敏感度的兩個(gè)復(fù)合分聯(lián)合起來能以一種便宜、可解釋的方式溫和但顯著地細(xì)化心血管風(fēng)險(xiǎn)分層——尤其對腦卒中預(yù)警價(jià)值最高。術(shù)語速查表縮寫全稱含義AIPAtherogenic Index of Plasma血漿動脈粥樣硬化指數(shù) log10(TG/HDL-C)eGDRestimated Glucose Disposal Rate估計(jì)葡萄糖處置率胰島素敏感性代理CKMCardiovascular-Kidney-Metabolic心血管-腎臟-代謝綜合征AHA 框架CVDCardiovascular Disease心血管疾病本文心臟病或腦卒中CHARLSChina Health and Retirement Longitudinal Study中國健康與養(yǎng)老追蹤調(diào)查HRHazard Ratio風(fēng)險(xiǎn)比Cox 模型輸出RCSRestricted Cubic Spline限制立方樣條非線性劑量-反應(yīng)RERI/AP/SI相加交互指標(biāo)相對超額風(fēng)險(xiǎn)指數(shù) / 歸因比例 / 協(xié)同指數(shù)IDI / NRI增量判別 / 凈重分類改善預(yù)測模型增益指標(biāo)Fine-Gray競爭風(fēng)險(xiǎn)模型處理死亡等競爭事件的方法