目的:探索睡眠时长与单次访视内血压变异性间的关系。方法:使用2015年至2018年美国国家健康和营养调查(national health and nutrition examination survey,NHANES)数据库的数据集。排除标准为年龄<20岁、相关睡眠和血压数据缺失及...目的:探索睡眠时长与单次访视内血压变异性间的关系。方法:使用2015年至2018年美国国家健康和营养调查(national health and nutrition examination survey,NHANES)数据库的数据集。排除标准为年龄<20岁、相关睡眠和血压数据缺失及妊娠期妇女。最终纳入了10006名参与者,并按照睡眠时间长短,将参与者分为短(<7h)、中(7~8小时)、长(>8h)三个睡眠时间组。采用Logistic回归模型,分析不同睡眠时长与血压变异水平的关系。结果:在进行变量调整后结果显示,收缩期变异系数(coefficient of variation,CV)(OR=1.21,95%CI:1.97~1.50,P=0.09)、收缩期标准差(standard deviation,SD)(OR=1.24,95%CI:1.00~1.53,P=0.05)、脉压差(pulse pressure,PP)(OR=1.36,95%CI:1.19~1.92,P=0.001)与短睡眠时间相关。舒张期CV(OR=1.14,95%CI:0.98~1.33,P=0.09)、舒张期白大衣效应(white coat effect,WCE)(OR=1.24,95%CI:1.02~1.50,P=0.03)、PP(OR=1.36,95%CI:1.15~1.62,P=0.001)、平均动脉压(mean arterial pressure,MAP)(OR=1.37,95%CI:1.15~1.62,P=0.001)、收缩期WCE(OR=1.23,95%CI:0.96~1.57,P=0.09)、收缩期最大绝对差(maximum absolute difference,MAD)(OR=1.26,95%CI:0.95~1.66,P=0.097)、收缩期AR23(OR=1.25,,95%CI:0.96~1.62,P=0.093)与长睡眠时间相关。结论:异常睡眠时长与血压变异高相关,这将为血压监测和管理提供新思路。展开更多
目的通过对基于国家健康和营养检查调查(NHANES)数据库在肝脏疾病领域相关研究进行文献计量学统计及可视化分析,分析近20年该领域的热点和挖掘趋势。方法基于Web of Science核心数据库合集(WoSCC)以及CiteSpace分析软件,对1998年12月至2...目的通过对基于国家健康和营养检查调查(NHANES)数据库在肝脏疾病领域相关研究进行文献计量学统计及可视化分析,分析近20年该领域的热点和挖掘趋势。方法基于Web of Science核心数据库合集(WoSCC)以及CiteSpace分析软件,对1998年12月至2022年12月发表文献进行计量学可视化分析,分析内容为发表文章的年度分布、被引情况、关键词的共现、聚类、时间线图和国家、机构、基金等。结果通过对313篇基于NHANES数据库的肝脏疾病领域文献进行可视化分析显示,该领域的发文量呈逐年递增,美国是发文量及中心性居首,伊诺瓦卫生系统为发文量最多的机构,美国卫生部人类服务部是资助该领域最多的基金资助机构,对关键词共现、聚类、时间线图分析提示非酒精性脂肪性肝病、代谢相关脂肪性肝病(MAFLD)、肝纤维化、代谢综合征方面为研究热门。结论代谢性肝病、病毒性肝炎和肝纤维化是肝病的主要研究热点。流行病学调查、危险因素评估和诊断方法是主要的分析方法。营养干预和肝病预防是未来的研究方向。机器学习在数据挖掘中具有广泛的适用性。展开更多
文摘目的通过对基于国家健康和营养检查调查(NHANES)数据库在肝脏疾病领域相关研究进行文献计量学统计及可视化分析,分析近20年该领域的热点和挖掘趋势。方法基于Web of Science核心数据库合集(WoSCC)以及CiteSpace分析软件,对1998年12月至2022年12月发表文献进行计量学可视化分析,分析内容为发表文章的年度分布、被引情况、关键词的共现、聚类、时间线图和国家、机构、基金等。结果通过对313篇基于NHANES数据库的肝脏疾病领域文献进行可视化分析显示,该领域的发文量呈逐年递增,美国是发文量及中心性居首,伊诺瓦卫生系统为发文量最多的机构,美国卫生部人类服务部是资助该领域最多的基金资助机构,对关键词共现、聚类、时间线图分析提示非酒精性脂肪性肝病、代谢相关脂肪性肝病(MAFLD)、肝纤维化、代谢综合征方面为研究热门。结论代谢性肝病、病毒性肝炎和肝纤维化是肝病的主要研究热点。流行病学调查、危险因素评估和诊断方法是主要的分析方法。营养干预和肝病预防是未来的研究方向。机器学习在数据挖掘中具有广泛的适用性。
