myPaper

旧案

中国老年健康和家庭幸福调查原名”中国老年健康调查”，基线调查于1998年进行，1998-2018年在23个省市自治区进行了八次调查；正在进行中的第9次调查（预计2021年11月完成）扩展到27个省市自治区。在前八次调查包括大量老人家庭结构与居住安排、婚姻状态、健康、社会经济特征等丰富信息基础上，第9次调查又增加了关于家庭住房养老问项和家庭金融养老储备问项，扩展了兄弟姐妹问项，目前已有65项与家庭直接相关问项，有的问项还包括多个子问项; 第9次调查还增加了成年子女调查; 因此，调查名称适当扩展为”中国老年健康和家庭幸福调查”（CLHLS-HF）。 CLHLS-HF涵盖了生物医学指标，如血压、血脂、血糖、血尿常规等，这些指标可以用来研究老年人的健康状况，同时该数据还包含社会经济、生活方式和健康相关的信息，这为分析生物医学指标与其他因素的交互作用提供了条件。因此，我可以确定其作为数据来源的适用性。 本研究使用 CLHLS-HF 数据，旨在探究常规生物医学指标与中国老年人健康状况的相关性。将收集 CLHLS-HF 中老年人的血压、血脂、血糖、血尿常规等生物医学指标，分析这些指标与老年人健康状况（如慢性疾病患病情况、身体机能等）的关联，运用统计分析方法确定关键影响因素，为改善中国老年人健康提供理论依据。

[1]晏月平,李雅琳.独居老人的多维健康脆弱性研究——基于”中国老年健康影响因素跟踪调查”的实证分析[J].云南民族大学学报(哲学社会科学版),2022,39(04):64-75. [2]赵青.老年失能、社会支持与养老居住意愿——基于中国老年健康影响因素跟踪调查数据的分析[J].人口与发展,2021,27(06):140-150. [3]陈美,张勇之.社会养老保险对老年人心理健康的影响研究——基于中国老年人健康影响因素跟踪调查数据的分析[J].现代预防医学,2021,48(09):1644-1647+1652. [4]吕国营,周万里,王超群.人口老龄化、临近死亡时间与医疗费用支出——基于中国老年人健康影响因素跟踪调查的实证分析[J].中国卫生政策研究,2020,13(05):1-9. [5]白晨.医养结合背景下城乡社区老年健康管理服务供给及效果研究——来自”中国老年健康影响因素跟踪调查”的证据[J].中国卫生政策研究,2020,13(03):31-37. [6]徐宏,李陈陈.我国老年人口养老居住意愿及其影响因素的实证研究——基于中国老年健康影响因素跟踪调查[J].江汉大学学报(社会科学版),2019,36(06):52-62+119-120. [7]余玉善,马利,雷骏,等.老年人社区支持与认知功能的关系——中国老年健康影响因素跟踪调查项目的数据分析[J].中国心理卫生杂志,2018,32(06):490-494.

不少于5条（篇），格式参见我校《本科毕业设计（论文）规范》附件5”参考文献格式要求”；外文翻译原文文献；检索词等

Association between Changes in platelet/high-density lipoprotein cholesterol ratio and cardiovascular disease : a nationwide cohort study 血小板/高密度脂蛋白胆固醇比的变化与中老年人心血管疾病的相关性：一项全国性队列研究

血小板/高密度脂蛋白胆固醇比的变化与中老年人心血管疾病的相关性：一项全国性队列研究

开题报告

选题的目的和意义；国内外现状与发展趋势；内容与方法；进度安排等

一、选题的目的与意义（一级标题：黑体小四，左对齐）

研究背景（二级标题：宋体小四，加粗）

• 简要说明选题来源（如社会热点、学科前沿、导师课题等）。

• 描述研究领域的现状和存在的问题（2-3句话）。

心血管疾病（CVD）是中国中老年人群的主要健康威胁，占我国居民死亡构成的44%¹。传统生物标志物如高密度脂蛋白胆固醇（HDL-C）的预测价值存在争议，其与CVD风险的非线性关联已被多项研究证实。血小板/高密度脂蛋白胆固醇比（PHR）通过整合炎症与代谢通路，展现出更全面的风险提示作用²。然而，现有研究多局限于基线PHR的横断面分析，其动态变化与CVD的长期关联尚未明确[^3]。

研究目的

• 明确研究要解决的具体问题或实现的目标（例如：“通过优化XX算法，提高图像分类的准确率”）。

揭示中国中老年人群PHR变化轨迹对CVD发病率及死亡率的影响。
评估动态PHR指标相较于传统指标的预测效能提升

研究意义

• 理论意义：对学科发展的贡献（如填补XX领域的理论空白）。

• 实践意义：实际应用价值（如”提升智能安防系统的识别效率”）。

• 理论意义：阐明PHR动态变化的病理机制，丰富CVD风险预测理论。

• 实践意义：为早期筛查和个体化干预提供数据支持，助力”健康老龄化”。

二、国内外研究现状与发展趋势（一级标题）

• 国内研究现状
• 国外研究现状
• 发展趋势

（1） 概念提出与机制探索 Jialal团队于2020年首次系统阐述血小板/高密度脂蛋白胆固醇比值（PHR）的生物学意义，确立其作为代谢综合征新型标志物的地位[^4]。还发现：PHR升高与高甘油三酯血及凝血因子活性增强显著相关

（2）临床验证与阈值确立 2024年Zhang等基于NHANES大数据（n=27,301）的里程碑研究揭示[^3]：

• 非线性风险关联：发现PHR与卒中风险的显著阈值效应（拐点223.684），当PHR≥223.684时卒中风险骤增3.2倍（OR=4.2, 2.15-8.78）
• 预后预测：PHR每升高1 SD，卒中幸存者心血管死亡率线性增加14%（HR=1.14, 1.06-1.22）

三、研究内容与方法（一级标题）

研究内容

队列构建：基于CHARLS全国追踪数据（2011-2020），建立中老年动态观察队列

轨迹建模：采用K-means聚类识别PHR变化模式（如低稳定型/高下降型/中度上升型）

风险量化：通过受限三次样条模型确定PHR-CVD剂量反应关系

研究方法

数据来源

中国健康与养老追踪调查（CHARLS）2011-2020年数据

纳入标准：有血检数据、年龄≥45岁、无基线CVD病史

统计分析

聚类分析：肘部法则确定最佳聚类数

回归模型：构建4层递进校正模型（OR值计算）

非线性检验：RCS模型评估累积PHR与CVD的关联形态

预测效能：DeLong检验比较AUC差异

进度安排

2024 年 3 月 25 日 确定研究选题，完成文献检索与综述，明确研究问题与研究方法。 2024 年 3 月 30 日 确定外文翻译的目标文献，下载并开始翻译。 2024 年 4 月 2 日 数据清理与预处理，计算 PHR 并进行聚类分析。 {/*2024 年 4 月 5 日 完成外文翻译，确保翻译内容准确并符合要求。 */} 2024 年 4 月 10 日 完成 Logistic 回归分析与 RCS 模型分析，初步得出结果。 2024 年 4 月 15 日 校对外文翻译内容，确保语言流畅和专业术语准确。 2024 年 4 月 20 日 开展亚组分析与敏感性分析，验证结果的稳健性。 2024 年 4 月 30 日 整理分析结果，撰写论文主体部分，包括方法与结果章节。 {/*2024 年 5 月 5 日 整理外文翻译内容，提交翻译稿。 */} 2024 年 5 月 12 日 完成论文初稿，撰写讨论与结论部分。 2024 年 5 月 17 日 提交论文初稿。

2024 年 3 月 25 日 确定研究选题，完成文献检索与综述，明确研究问题与研究方法。 2024 年 4 月 1 日 数据清理与预处理，计算 PHR 并进行聚类分析。 2024 年 4 月 10 日 完成 Logistic 回归分析与 RCS 模型分析，初步得出结果。 2024 年 4 月 20 日 开展亚组分析与敏感性分析，验证结果的稳健性。 2024 年 4 月 30 日 整理分析结果，撰写论文主体部分，包括方法与结果章节。 2024 年 5 月 12 日 完成论文初稿，撰写讨论与结论部分。 2024 年 5 月 17 日 提交论文初稿。

参考文献

[1] 中国心血管健康与疾病报告编写组,胡盛寿.中国心血管健康与疾病报告2022概要[J].中国循环杂志,2023,38(6):583-612 [2] Jialal I, Jialal G, Adams-Huet B. The platelet to high density lipoprotein -cholesterol ratio is a valid biomarker of nascent metabolic syndrome. Diabetes Metab Res Rev. 2021 Sep;37(6):e3403. [3] Zhang H, Xu Y, Xu Y. The association of the platelet/high-density lipoprotein cholesterol ratio with self-reported stroke and cardiovascular mortality: a population-based observational study[J]．Lipids Health Dis, 2024, 23(1): 121 [4] Jialal I, Jialal G, Adams-Huet B. The platelet to high density lipoprotein -cholesterol ratio is a valid biomarker of nascent metabolic syndrome. Diabetes Metab Res Rev. 2021 Sep;37(6):e3403. doi: 10.1002/dmrr.3403. Epub 2020 Sep 11. PMID: 32886844.

格式

主体是毕业设计(论文)的主要组成部分。要求层次清晰，文字简练，通顺，重点突出。 毕业设计(论文)撰写的题序层次按表1、表2要求书写：

表1 理工科类设计(论文)、医科类和外语类论文层次代号及说明 章 1□××××× 第一层次(章)题序和标题，顶格，用小二号黑体字，前面空1行（小四号字）。题序和标题之间空两个字符，不加标点，左对齐。 节 1.1□××××× 第二层次(节)题序和标题，顶格，用小三号黑体字。题序和标题之间空两个字符，不加标点，左对齐。 条 1.1.1□××××× 第三层次(条)题序和标题，顶格，用四号黑体字。题序和标题之间空两个字符，不加标点，左对齐。 项 1.1.1.1□××××× 第四层次及以下各层次题序及标题，顶格，用小四号黑体字。题序和标题之间空两个字符，不加标点，左对齐。 五级 1.1.1.1.1□××××××××× 注：西文及阿拉伯数字，不用中文黑体字，而用Times New Roman字体。

正文

表1 理工科类设计(论文)、医科类和外语类论文层次代号及说明

章	1□××××××	第一层次(章)题序和标题，顶格，用小二号黑体字，前面空1行（小四号字）。题序和标题之间空两个字符，不加标点，左对齐。
节	1.1□×××××	第二层次(节)题序和标题，顶格，用小三号黑体字。题序和标题之间空两个字符，不加标点，左对齐。
条	1.1.1□×××××	第三层次(条)题序和标题，顶格，用四号黑体字。题序和标题之间空两个字符，不加标点，左对齐。
项	1.1.1.1□×××××	第四层次及以下各层次题序及标题，顶格，用小四号黑体字。题序和标题之间空两个字符，不加标点，左对齐。
五级	1.1.1.1.1□×××××××××	第四层次及以下各层次题序及标题，顶格，用小四号黑体字。题序和标题之间空两个字符，不加标点，左对齐。

注：西文及阿拉伯数字，不用中文黑体字，而用Times New Roman字体。

others

公式

原则上居中书写。若公式前有文字（如”解”、“假定”等），文字顶格书写，公式仍居中写，公式末不加标点。公式序号应统一按章编序，如第1章第1个公式序号为”（1.1）“，第2章第5个公式序号为”（2.5）“。公式序号排在版面右侧，且距右边距离相等。文中引用公式时，一般用”见式（1.1）“或”由公式（1.1）”。 公式较长时在等号”＝“或运算符号”＋、－、×、÷“处转行，转行时等号或运算符号书写于转行式前，不重复书写。公式中应注意繁分式分数线的长短（主、副分数线严格区分），主分数线与等号平齐。 文中所有外文计量单位(如千克kg)、固定标准函数(如三角函数 )、事物名称、数字、数学运算符等用正体，外文变量或物理量、非固定标准函数都用斜体，向量、集合、矩阵、张量用粗斜体(如 ， 均为变量； ，其中 为向量， 为该线性组合的系数)，且字体一般应为西文半角状态下的Times New Roman字体。

pandoc input.tex -o output.doc \
  --from=latex \
  --to=docx \
  --mathml \
  --extract-media=media \
  --reference-doc=custom.doc

• —mathml：将公式转换为 MathML，Word 支持较好。
• —extract-media=media：提取图片等资源。
• —reference-doc=custom.docx：用自定义 Word 模板控制样式

摘要 (Abstract)

目的 (背景)

血小板/高密度脂蛋白胆固醇比(PHR) 可以预测心血管疾病 （CVD）。然而，关于血小板/高密度脂蛋白胆固醇比 （PHR）变化 与 CVD 之间关系的研究有限。我们的研究旨在探讨 PHR 变化与 CVD 风险之间的关系。

方法

参与者来自中国健康与退休纵向研究 （CHARLS）。CVD 被定义为自我报告的心脏病和中风。使用 K-means 聚类分析根据 PHR 的变化将参与者分为三组。采用多变量二元 logistic 回归分析不同组 （基于 PHR 的变化） 与 CVD 之间的相关性。使用限制三次样条曲线 （RCS） 回归模型来探讨累积 PHR 和 CVD 事件的潜在非线性关联。

结果

结论

关键词： 血小板/高密度脂蛋白胆固醇比值； 心血管疾病； CHARLS；

目录

前言

1 2 2.1 2.2 3 3.1 3.2 4 4.1 4.1.1 4.1.2 4.1.3 4.1.4 4.2 4.2.1 4.2.2 4.3 4.3.1 4.3.2 5

结论

参考文献

致谢

附录 A

附录 B

Introduction (引言,前言, 绪论)

第一篇 The association of the platelet/high-density lipoprotein cholesterol ratio with self-reported stroke and cardiovascular mortality: a population-based observational study 的 Introduction:

中风是全球第二大死亡原因，约占每年死亡人数的 9%，对个人健康、家庭和整个社会造成沉重负担 [ 1 ]。血压、血糖水平、体力活动、肥胖和饮食等因素与中风的发生密切相关 [ 2 ， 3 ]。研究表明，中风在很大程度上是可以预防的，早期识别和管理可改变的风险因素对于预防中风至关重要 [ 4 ， 5 ]。

高密度脂蛋白胆固醇 （HDL-C） 通过逆向胆固醇转运途径促进膳食胆固醇外排，并表现出抗炎和抗氧化作用 [ 6 ]。然而，根据目前的流行病学证据，HDL-C 与中风发病率之间的关系似乎不确定，有报道称没有显著关联 [ 7 ]，呈反线性关系 [ 8 – 10 ]，U 形关联 [ 11 ]，并且与非常高水平的 HDL-C （≥ 3.0 mmol/L） 相关，心血管和脑血管死亡风险增加 [ 12 – 15 ].重要的是，这种关系在美国的普通人群中仍然没有定论。血小板是小血细胞碎片，以其形成凝块以防止出血的能力而闻名;然而，这些凝块也会导致心脏病发作和中风 [ 16 ]。HDL-C 具有抗血小板、抗血栓形成和抗炎特性 [ 17 – 19 ]。血小板/高密度脂蛋白胆固醇比值 （PHR） 最早由 Jialal 等人提出，被认为是预测代谢综合征 （MetS） 的有效生物标志物 [ 20 ]。自引入 PHR 以来，Ni 等人的研究表明，PHR 与肾结石风险之间存在正非线性相关性 [ 21 ]。Lu 等人 [ 22 ] 的研究支持使用 PHR 作为非酒精性脂肪性肝病和肝纤维化的有效标志物。过去的一项大型荟萃分析表明，MetS 与心血管结局增加 2 倍和全因死亡率增加 1.5 倍相关 [ 23 ]。 血小板和 HDL-C 都是中风的敏感指标，血小板水平升高的直接原因是血栓的形成，而 HDL-C 具有抗血小板和其他抗血栓作用 [ 20 ， 21 ]。Jialal 等人 [ 20 ] 的一项研究还揭示了 PHR 与高甘油三酯和凝血因子水平之间的显著相关性，表明 PHR 也可能反映了体内凝血平衡被破坏的状态，这可以作为其与出血性中风相关的理论基础。

在这种情况下，血小板与 HDL-C 的比率可能是卒中的一个有价值的诊断指标。在这项研究中，分析了来自全国健康与营养检查调查 （NHANES） 的横断面数据和与全国死亡指数 （NDI） 相关的死亡证明数据，以调查 PHR 和 HDL-C 与中风和心血管疾病 （CVD） 死亡率的关联中风幸存者。

第二篇 Association between triglyceride glucose-waist height ratio index and cardiovascular disease in middle-aged and older Chinese individuals: a nationwide cohort study 的 Introduction:

心血管疾病 （CVD） 是全球死亡的主要原因。尽管从 1990 年到 2022 年，全球年龄标准化 CVD 死亡率下降了 34.9%，但实际 CVD 死亡人数已显著增加 [ 1 ， 2 ]。仅 2022 年，心血管疾病就导致全球约 1980 万人死亡，相当于 3.96 亿年的寿命损失和另外 4490 万年的残疾 （YLD） [ 1 ， 2 ]。及早识别 CVD 高危人群并及时干预以控制 CVD 危险因素有助于预防疾病进展。

胰岛素抵抗 （IR） 与无症状动脉粥样硬化和冠状动脉疾病有关，被认为是 CVD 的预测因子 [ 3 ， 4 ]。甘油三酯-葡萄糖指数在评估个体 IR 方面具有很高的敏感性和特异性 [ 5 ]。最近的研究表明，甘油三酯-葡萄糖指数 （TyG） 作为 IR 的有价值的生物标志物，可用于预测 CVD 的发生 [ 6 ， 7 ]。此外，TyG 在预测 CVD 患者预后方面也表现出色 [ 8 ， 9 ]。

肥胖与各种健康风险密切相关，腹部脂肪增加通过多种直接和间接的病理生理机制与 CVD 有关 [ 10 ]。一些研究证明，TyG 联合肥胖指数在评估 IR 和心血管风险方面优于仅 TyG 指数 [ 11 ]。之前的两项研究使用基线时的 TyG 指数结合不同的肥胖指标形成新的指标，包括 TyG-BMI、TyG-WC 和 TyG-WhtR，以分析这些新指标与 CVD 事件的关联 [ 11 ， 13 ]。这些研究来自全国健康与营养检查调查 （NHANES） [ 11 ] 和 Kailuan 研究 [ 13 ]。TyG-WHtR 在识别 CVD 事件和 CVD 死亡率的高危人群方面表现最佳。WHtR 是一种标准化的腰围测量方法，比简单的腰围测量更客观。以前的研究主要基于单个时间点的 TyG 指数和相关指标。但是，TyG 指数是一种随时间变化的动态状态。我们假设 TyG-WHtR 的动态变化可以更好地预测 CVD。本研究旨在探讨 TyG-WHtR 变化与 CVD 风险之间的关系。

我的 Introduction:

心血管疾病 （CVD） 是全球死亡的主要原因。尽管从 1990 年到 2022 年，全球年龄标准化 CVD 死亡率下降了 34.9%，但实际 CVD 死亡人数已显著增加 ¹²。仅 2022 年，心血管疾病就导致全球约 1980 万人死亡，相当于 3.96 亿年的寿命损失和另外 4490 万年的残疾 （YLD） ¹²。及早识别 CVD 高危人群并及时干预以控制 CVD 危险因素有助于预防疾病进展。

血小板和高密度脂蛋白胆固醇（HDL-C）在心血管疾病（CVD）的发生和发展中发挥着重要作用。血小板是血液中负责凝血的小细胞碎片，其活化可导致血栓形成，从而增加心肌梗死和中风的风险[^nan]。相反，HDL-C 通过逆向胆固醇转运途径促进胆固醇外排，并表现出抗炎和抗氧化作用[^6]。然而，HDL-C 与 CVD 的关系并不一致，有研究表明其与 CVD 呈反线性关系或 U 形关联[^7]。血小板/高密度脂蛋白胆固醇比值（PHR）整合了血小板的促凝特性和 HDL-C 的抗炎特性，被认为是预测代谢综合征（MetS）和 CVD 的有效生物标志物[20]。研究表明，PHR 的升高可能反映了体内凝血平衡的破坏，从而增加 CVD 风险[20]。

血小板/高密度脂蛋白胆固醇比值（PHR）作为一种新兴的生物标志物，整合了炎症和代谢通路的特性。一些研究证明， PHR 在评估 心血管风险方面优于仅 HDL-C ³。之前的两项研究使用基线时的 PHR 分析与 CVD 事件的关联 [^11,15]。但是，PHR 是一种随时间变化的动态状态。我们假设 PHR 的动态变化可以更好地预测 CVD。本研究旨在探讨 PHR 变化与 CVD 风险之间的关系。

Methods (方法)

Study design and population (研究设计和人群)

本研究基于中国健康与养老追踪调查（CHARLS）的数据，该调查是一项基于全国人口的队列研究。研究设计已在之前进行过描述⁴ 。CHARLS 全国基线调查（第 1 次调查）的时间范围从 2011 年 6 月到 2012 年 3 月，涵盖了 17,708 名个体参与者。迄今为止，已进行了四次后续的每两年一次的随访调查（2013 年的第 2 次调查，2015 年的第 3 次调查，2018 年的第 4 次调查，以及 2020 年的第 5 次调查）。

在这项研究中，我们纳入了 11,847 名参加血液测试的参与者。我们排除了受试者，原因包括（1）在第 1 波或第 3 波缺乏血小板计数（PLT）或高密度脂蛋白胆固醇（HDL-C）。（2） 协变量缺失或异常。（3） 年龄在 45 岁以下。（4） 在第 3 波（2015 年）之前发生过 CVD 事件或缺乏 CVD 信息的人。详细的包含和排除过程如图 1 所示。

研究人群流程图

11847 participants had blood sample at both wave 1
              |
              |----*/} Exclude(N4563) Without PLT or HDL-C at wave 1 （N==464）。Without PLT or HDL-C at wave 3 （N==4099）
              |
              v
7284 participants had blood sample at both wave 1 and wave 3
              |
              |----*/} Exclude(N=2633) Without covariates data (N=2633)
              |
              v
4651 participants had blood sample and took physical examination at wave 1 and wave 3
              |
              |----*/} Exclude(N=615) Age<45 years (N=52) Had CVD or Without CVD data before wave 3 (N=563)
              |
              v
4036 participants included analysis

11847 名参与者在第 1 波均有血液样本
              |
              |----*/} 排除（N=4563）：第 1 波无血小板或 HDL-C（N=464）；第 3 波无血小板或 HDL-C（N=4099）
              |
              v
7284 名参与者在第 1 波和第 3 波均有血液样本
              |
              |----*/} 排除（N=3639）：协变量数据缺失或异常
              |
              v
3645 名参与者在第 1 波和第 3 波均有血液样本并完成体检
              |
              |----*/} 排除（N=615）：年龄 <45 岁（N=52）；第 3 波前已发生 CVD 或无 CVD 信息（N=563）
              |
              v
最终纳入分析的参与者为 3645 名

北京大学生物医学伦理审查委员会 （IRB00001052-11015） 对收集 CHARLS 数据给予了伦理批准，所有参与者签署了知情同意书。

Assessment of the change in PHR (PHR 变化评估)

血小板计数和高密度脂蛋白胆固醇水平是从第1波和第3波的血样检查中获得的。PHR, 积累PHR 按以下公式计算[^11,15]：

PHR 计算公式:

其中，PLT 为血小板计数，单位为 10^9/L；HDL-C 为高密度脂蛋白胆固醇，单位为 mmol/L。

Assessment of CVD (心血管疾病评估)

心脏病存在通过以下问题确定：“医生是否曾诊断您患有心肌梗死、冠心病、心绞痛、充血性心力衰竭或其他心脏病？“同样，通过以下问题确定中风的发生：“医生是否曾诊断您患有中风？“心血管疾病（CVD）被定义为自我报告的心脏病和中风。如果参与者在上一波调查中报告了心脏病或中风，则要求他们在下一波调查中重新确认 CVD。当参与者否认他们之前自我报告的心脏病或中风诊断时，这些不一致性将进行回顾性纠正。我们的 CVD 确定与使用 CHARLS 的先前研究一致 ⁵。

Covariates 协变量

协变量包括社会人口学特征 （年龄、性别、婚姻状况、户口状况、教育程度、吸烟状况和饮酒状况）、健康状况 （收缩压、舒张压、高血压、糖尿病、血脂异常和癌症），以及实验室检查总胆固醇 （TC） 、高密度脂蛋白胆固醇 （HDL-C） 、低密度脂蛋白胆固醇 （LDL-C） 和糖化血红蛋白 （HbA1c））。高血压定义为收缩压≥ 140 mmHg 或舒张压≥ 90 mmHg 或自我报告的高血压诊断史或使用任何抗高血压治疗。糖尿病定义为空腹血糖≥ 7.0 mmol/L 或自我报告的糖尿病诊断史或使用任何降糖药物。血脂异常定义为 TC ≥ 240 mg/dl，甘油三酯 ≥ 150 mg/dl，LDL-C ≥ 160 mg/dl，HDL-C < 40 mg/dl，自我报告的血脂异常或使用降脂治疗 ⁶。

Statistical analyses 统计分析

K-means 聚类分析是一种无监督机器学习方法。我们使用肘部方法来确定适当数量的簇（附加文件 1 ：图 S1）。根据 2012 年和 2015 年 PHR 的测量结果，我们将参与者分为三组：

• 类别1 （n = 1566），PHR 范围从 2012 年的 3.24 ± 1.02 到 2015 年的 3.22 ± 1.18，累积 PHR 为 9.70 ± 2.72，代表 PHR 始终处于较低水平且稳定;
• 类别2 （n = 936），PHR 范围从 2012 年的 6.63 ± 1.35 到 2015 年的 5.24 ± 1.38，累积 PHR 为 17.81 ± 3.19，代表 高 PHR 但下降;
• 类别3 （n = 1140），PHR 范围从 2012 年的 4.08 ± 1.13 到 2015 年的 4.19 ± 1.30，累积 PHR 为 12.41 ± 2.95，代表 PHR适度，呈上升趋势（图 D. 2 ）。

聚类可视化图 和 折线图(x:年份, y:PHR)

        PHR_1_scaled  PHR_3_scaled      diff  diff_mean

cluster_k3
1 -0.632894 -0.544492 0.088403 -0.019636 2 1.259393 0.793439 -0.465954 -1.392432 3 -0.164631 0.096505 0.261135 0.107856

连续变量以均值（标准差，SD）或中位数（四分位距，IQR）描述，分类变量以频数（百分比）表示。采用多因素二元Logistic回归分析探究不同PHR变化轨迹分组与心血管疾病（CVD）的关联，结果以比值比（OR）及95%置信区间（CI）呈现。共构建四组逐步校正模型：

• 模型1：校正年龄、性别
• 模型2：在模型1基础上增加婚姻状况、户籍类型、教育程度、吸烟及饮酒状态
• 模型3：在模型2基础上增加高血压、糖尿病、血脂异常及肿瘤病史
• 模型4：在模型3基础上进一步校正收缩压、舒张压、总胆固醇、HDL-C、LDL-C及糖化血红蛋白（HbA1c）

为评估累积PHR与CVD的关联，将参与者按累积PHR四分位数分为四组，采用各分位组中位数计算趋势性P值。利用限制性立方样条（RCS）回归模型探索累积PHR与CVD事件间的潜在非线性关系，通过AIC准则选择最优节点数（3-5个节点）。

为了评估累积 PHR 与 CVD 之间的潜在非线性关系，本研究采用受限三次样条（Restricted Cubic Spline, RCS）模型进行分析。通过似然比检验（Likelihood Ratio Test, LRT）比较 RCS 模型与线性模型的拟合优度，以判断是否存在显著的非线性关系。

开展亚组分析与交互作用检验，评估PHR变化量及累积PHR与CVD的关联是否因性别、婚姻状况、教育水平、吸烟状态、饮酒状态、高血压、糖尿病及血脂异常等协变量存在异质性。通过受试者工作特征（ROC）曲线分析HDL-C、PHR及累积PHR对心血管疾病的预测效能，计算曲线下面积（AUC）量化诊断价值。

基于完整数据集（n=3642）进行敏感性分析。双侧检验P值 视为具有统计学意义。

Results (结果)

Baseline characteristics of participants (参与者的基线特征)

在这项研究中，纳入了 3642 名参与者进行分析。基线时的平均年龄为 58.71 ± 8.22 岁，其中男性 1637 例 （44.95%）。2012 年和 2015 年的平均 PHR 分别为 4.37 ± 1.79 和 4.05 ± 1.51，累积平均 PHR 分别为 12.64 ± 4.37。基于聚类分析，每组中参与者的基线特征见表 1 。此外，我们根据累积 PHR 描述了每组参与者的基线特征（附加文件 1 ：表 S1）。

age: {'Overall': '58.71 ± 8.22', 'Cluster 1': '58.88 ± 8.46', 'Cluster 2': '57.67 ± 7.86', 'Cluster 3': '59.32 ± 8.09', 'P Value': '0.000'}
gender: {'Overall': 'Female: 2005 (55.1%), Male: 1637 (44.9%)', 'Cluster 1': 'Female: 804 (51.3%), Male: 762 (48.7%)', 'Cluster 2': 'Female: 508 (54.3%), Male: 428 (45.7%)', 'Cluster 3': 'Female: 693 (60.8%), Male: 447 (39.2%)', 'P Value': '0.000'}
marital: {'Overall': 'Married: 3197 (87.8%), Others: 445 (12.2%)', 'Cluster 1': 'Married: 1370 (87.5%), Others: 196 (12.5%)', 'Cluster 2': 'Married: 834 (89.1%), Others: 102 (10.9%)', 'Cluster 3': 'Married: 993 (87.1%), Others: 147 (12.9%)', 'P Value': '0.343'}
edu: {'Overall': 'Lower_level: 2538 (69.7%), Higher_level: 1104 (30.3%)', 'Cluster 1': 'Higher_level: 437 (27.9%), Lower_level: 1129 (72.1%)', 'Cluster 2': 'Higher_level: 317 (33.9%), Lower_level: 619 (66.1%)', 'Cluster 3': 'Higher_level: 350 (30.7%), Lower_level: 790 (69.3%)', 'P Value': '0.007'}
hukou: {'Overall': 'Rural: 3162 (86.8%), Others: 480 (13.2%)', 'Cluster 1': 'Others: 174 (11.1%), Rural: 1392 (88.9%)', 'Cluster 2': 'Others: 135 (14.4%), Rural: 801 (85.6%)', 'Cluster 3': 'Others: 171 (15.0%), Rural: 969 (85.0%)', 'P Value': '0.005'}
smoking_status: {'Overall': 'Never: 2308 (63.4%), Current: 1065 (29.2%), Former: 269 (7.4%)', 'Cluster 1': 'Current: 518 (33.1%), Former: 106 (6.8%), Never: 942 (60.2%)', 'Cluster 2': 'Current: 268 (28.6%), Former: 79 (8.4%), Never: 589 (62.9%)', 'Cluster 3': 'Current: 279 (24.5%), Former: 84 (7.4%), Never: 777 (68.2%)', 'P Value': '0.000'}
drinking_status: {'Overall': 'Others: 2259 (62.0%), Current: 1383 (38.0%)', 'Cluster 1': 'Current: 654 (41.8%), Others: 912 (58.2%)', 'Cluster 2': 'Current: 311 (33.2%), Others: 625 (66.8%)', 'Cluster 3': 'Current: 418 (36.7%), Others: 722 (63.3%)', 'P Value': '0.000'}
hypertension: {'Overall': '0: 2900 (79.6%), 1: 742 (20.4%)', 'Cluster 1': '0: 1389 (88.7%), 1: 177 (11.3%)', 'Cluster 2': '0: 752 (80.3%), 1: 184 (19.7%)', 'Cluster 3': '0: 759 (66.6%), 1: 381 (33.4%)', 'P Value': '0.000'}
diabetes: {'Overall': '0: 3515 (96.5%), 1: 127 (3.5%)', 'Cluster 1': '0: 1532 (97.8%), 1: 34 (2.2%)', 'Cluster 2': '0: 904 (96.6%), 1: 32 (3.4%)', 'Cluster 3': '0: 1079 (94.6%), 1: 61 (5.4%)', 'P Value': '0.000'}
dyslipidemia: {'Overall': '0: 3359 (92.2%), 1: 283 (7.8%)', 'Cluster 1': '0: 1499 (95.7%), 1: 67 (4.3%)', 'Cluster 2': '0: 842 (90.0%), 1: 94 (10.0%)', 'Cluster 3': '0: 1018 (89.3%), 1: 122 (10.7%)', 'P Value': '0.000'}
cancer: {'Overall': '0: 3611 (99.1%), 1: 31 (0.9%)', 'Cluster 1': '0: 1556 (99.4%), 1: 10 (0.6%)', 'Cluster 2': '0: 924 (98.7%), 1: 12 (1.3%)', 'Cluster 3': '0: 1131 (99.2%), 1: 9 (0.8%)', 'P Value': '0.229'}
SBP: {'Overall': '130.84 ± 20.98', 'Cluster 1': '122.72 ± 17.42', 'Cluster 2': '129.69 ± 19.22', 'Cluster 3': '142.95 ± 21.19', 'P Value': '0.000'}
DBP: {'Overall': '76.06 ± 12.03', 'Cluster 1': '71.07 ± 10.39', 'Cluster 2': '76.30 ± 11.61', 'Cluster 3': '82.74 ± 11.16', 'P Value': '0.000'}
HDL-C: {'Overall': '51.13 ± 13.53', 'Cluster 1': '58.67 ± 12.66', 'Cluster 2': '38.91 ± 7.64', 'Cluster 3': '50.80 ± 10.79', 'P Value': '0.000'}
LDL-C: {'Overall': '116.29 ± 31.85', 'Cluster 1': '107.86 ± 26.93', 'Cluster 2': '106.70 ± 28.87', 'Cluster 3': '135.75 ± 31.79', 'P Value': '0.000'}
TC: {'Overall': '192.05 ± 34.88', 'Cluster 1': '184.26 ± 30.37', 'Cluster 2': '179.71 ± 31.09', 'Cluster 3': '212.88 ± 34.42', 'P Value': '0.000'}
TG: {'Overall': '126.44 ± 82.28', 'Cluster 1': '97.47 ± 53.90', 'Cluster 2': '162.74 ± 105.40', 'Cluster 3': '136.44 ± 78.71', 'P Value': '0.000'}
hba1c: {'Overall': '5.17 ± 0.48', 'Cluster 1': '5.08 ± 0.41', 'Cluster 2': '5.17 ± 0.49', 'Cluster 3': '5.29 ± 0.52', 'P Value': '0.000'}
PHR2012: {'Overall': '4.38 ± 1.79', 'Cluster 1': '3.24 ± 1.03', 'Cluster 2': '6.63 ± 1.35', 'Cluster 3': '4.08 ± 1.13', 'P Value': '0.000'}
PHR2015: {'Overall': '4.05 ± 1.51', 'Cluster 1': '3.22 ± 1.18', 'Cluster 2': '5.24 ± 1.38', 'Cluster 3': '4.19 ± 1.30', 'P Value': '0.000'}
cumulative_PHR: {'Overall': '12.64 ± 4.37', 'Cluster 1': '9.70 ± 2.72', 'Cluster 2': '17.81 ± 3.19', 'Cluster 3': '12.41 ± 2.95', 'P Value': '0.000'}
cvd: {'Overall': '0: 2987 (82.0%), 1: 655 (18.0%)', 'Cluster 1': '0: 1358 (86.7%), 1: 208 (13.3%)', 'Cluster 2': '0: 751 (80.2%), 1: 185 (19.8%)', 'Cluster 3': '0: 878 (77.0%), 1: 262 (23.0%)', 'P Value': '0.000'}

新发心血管疾病（CVD）的比值比（OR）

在2015年至2020年的随访期间，623名参与者（18.0%）新发心血管疾病（CVD）。

PHR变化与CVD关联的逻辑回归分析结果见表2。在模型4中调整所有潜在混杂因素后，与类别1相比，类别2（OR=1.65，95%CI：1.33–2.06）和类别3（OR=1.90，95%CI：1.55–2.33）的CVD风险显著升高。受限三次样条模型的非线性检验结果显示，累积 PHR 与 CVD 之间的非线性关系不显著（P = 0.143）。因此，本研究认为累积 PHR 与 CVD 的关系可以用线性模型进行描述。（图3）。在完全校正模型中，较高水平的累积PHR水平每升高1个标准差，CVD事件风险独立增加18%（OR=1.18，95%CI：1.0–1.39，P = 0.053）。此外，高血压（OR = 1.64，95% CI: 1.23–2.18，P = 0.001）和血脂异常（OR = 1.62，95% CI: 1.13–2.34，P = 0.009）是 CVD 的显著风险因子。 按累积PHR四分位数分组后，结果趋势一致。在最终模型中，与第一四分位组相比，第二、第三和第四四分位组的校正后CVD风险比值比（OR）分别为0.99（95%CI：0.77–1.28）、1.09（95%CI：0.84–1.4）和1.33（95%CI：1.04–1.7）。补充文件1：表S2提供了心脏病和中风的逻辑回归分析结果。

Results for Model 1: OR (95% CI) P Value const 0.04 (0.02–0.07) 0.000 cluster_k3_2 1.65 (1.33–2.06) 0.000 cluster_k3_3 1.9 (1.55–2.33) 0.000

Results for Model 2: OR (95% CI) P Value const 0.04 (0.02–0.08) 0.000 cluster_k3_2 1.69 (1.36–2.1) 0.000 cluster_k3_3 1.92 (1.57–2.36) 0.000

Results for Model 3: OR (95% CI) P Value const 0.04 (0.02–0.08) 0.000 cluster_k3_2 1.59 (1.27–1.98) 0.000 cluster_k3_3 1.74 (1.41–2.15) 0.000

Results for Model 4: OR (95% CI) P Value const 0.02 (0.0–0.07) 0.000 cluster_k3_2 1.44 (1.09–1.9) 0.011 cluster_k3_3 1.38 (1.06–1.8) 0.018

Results for Model 1: OR (95% CI) P Value const 0.04 (0.02–0.09) 0.000 PHR_quartile_Q2 1.05 (0.82–1.35) 0.716 PHR_quartile_Q3 1.17 (0.92–1.5) 0.204 PHR_quartile_Q4 1.47 (1.16–1.87) 0.002

Results for Model 2: OR (95% CI) P Value const 0.04 (0.02–0.09) 0.000 PHR_quartile_Q2 1.06 (0.83–1.37) 0.627 PHR_quartile_Q3 1.2 (0.94–1.53) 0.151 PHR_quartile_Q4 1.51 (1.18–1.92) 0.001

Results for Model 3: OR (95% CI) P Value const 0.04 (0.02–0.09) 0.000 PHR_quartile_Q2 1.03 (0.8–1.32) 0.822 PHR_quartile_Q3 1.15 (0.9–1.47) 0.276 PHR_quartile_Q4 1.4 (1.1–1.79) 0.007

Results for Model 4: OR (95% CI) P Value const 0.01 (0.0–0.03) 0.000 PHR_quartile_Q2 0.99 (0.77–1.28) 0.933 PHR_quartile_Q3 1.09 (0.84–1.4) 0.521 PHR_quartile_Q4 1.33 (1.04–1.7) 0.024

Optimization terminated successfully. Current function value: 0.465853 Iterations 6 趋势的 P 值 (P for trend): 0.0006

Optimization terminated successfully. Current function value: 0.464792 Iterations 6 趋势的 P 值 (P for trend): 0.0003

Optimization terminated successfully. Current function value: 0.459856 Iterations 6 趋势的 P 值 (P for trend): 0.0031

Optimization terminated successfully. Current function value: 0.456667 Iterations 6 趋势的 P 值 (P for trend): 0.0115

Results for Model 1: cumulative_PHR_SD 1.19 (1.01–1.39) 0.035

Results for Model 2: cumulative_PHR_SD 1.19 (1.02–1.4) 0.032

Results for Model 3: cumulative_PHR_SD 1.17 (0.99–1.37) 0.061

Results for Model 4: cumulative_PHR_SD 1.18 (1.0–1.39) 0.053

ROC 曲线显示累积 PHR （AUC 0.545， 95%CI 0.520–0.567） 对 CVD 的诊断效能最高，其次是基线 HPR （AUC 0.544， 95%CI 0.519–0.566）、基线 HDL-C （AUC 0.457， 95%CI 0.435–0.480） 和基线 PLT （AUC 0.522， 95% CI 0.497–0.544）。（图 . 4 ）

亚组分析和敏感性分析

表 3 和 4 显示了 PHR 的变化和累积 PHR 与 CVD 风险的关联。在分层分析中，高血压和除婚姻状况外，其他亚组未发现显著交互作用。在进行完整的数据分析时，敏感性分析产生了一致的结果。

讨论

本研究通过受限三次样条模型评估了累积 PHR 与 CVD 之间的非线性关系。非线性检验结果显示，累积 PHR 与 CVD 之间的非线性关系不显著（P = 0.722）。这表明累积 PHR 对 CVD 的影响可以用线性模型进行描述，从而简化了模型的复杂性并便于结果的解释。

参考文献 (References)

附件5 参考文献格式要求

参考文献格式要求 参考文献的排列应按照引用的先后顺序进行。文献作者人数在3人以下（含3人）的全部列出，超过3人时，一般只列出3名作者，后面加”等”字以示省略，不同作者姓名间用逗号隔开。姓名一律采用”姓在前名在后”的写法，外文姓名按国际惯例缩写，并省略缩写点，空一个字符。未公开发表的资料一般不能引用，也不列入参考文献，确有引用必要，须以脚注的形式标注，并明确加以说明。 中文参考文献著录格式中的句号用西文全角状态下的”．“表示，西文参考文献著录格式中的标点符号用西文状态下的符号，后空一格。参考文献另起一页，标题用三号黑体居中；标题与内容之间空一行；内容用小四号宋体，1.25倍行距，页面设置同正文。 常用参考文献编写规则如下：

1. 著作图书类——[序号]□作者．书名[M]．（版次，第1版可以不写版次）．出版地：出版者，出版年．引用起止页 例如： [1] 龙驭球，包世华主编．结构力学[M]．（第2版）．北京：高等教育出版社，1994.1720 [2] Zienkiewicz O. C. The Finite Element Method[M]. ( 3rd Ed). New York: McGraw–Hill, 1997. 21~27
2. 翻译图书类——[序号]□作者．书名[M]．译者．版次（第1版可以不写版次）．出版地：出版者，出版年．引用起止页 例如： [3] 保罗·萨缪尔森，威廉·诺德豪斯．经济学[M]．萧琛译．第17版．北京：人民邮电出版社，2004.105115
3. 学术刊物类——[序号]□作者．文章名[J]．学术刊物名，年，卷（期）：引用起止页 例如： [4] 陈勇．中国保健食品的发展方向探索[J]．中国卫生事业管理，2003，19（1）：5455 [5] Marshall A. An investigation into the mechanism of inhibition of a synergistic dianodic corrosion inhibitor[J] . Corrosion-Nace, 1981, 37(4): 214 4.学术会议类——[序号]□作者．文章名[C]．编者名．会议名称，会议地址，年份．刊物名．出版地：出版者，出版年：引用起止页 例如： [6] 张浩．CAD/CAM技术现状及发展综述[C]．中国通信学会等．第六届全国计算机应用联合学术会议，北京，2002．第六届全国计算机应用联合学术会议论文集．北京：北京邮电大学出版社，2002：3108 5.学位论文类——[序号]□学生姓名．学位论文题目[D]．学校及学位论文级别．答辩年份．引用起止页 例如： [7] 莫祖栋．广义集成优化反演法在机械设计中的应用研究[D]．湖南大学硕士学位论文．2006．1427
4. 报纸文献——[序号]□作者．文章名[N]．报纸名，出版日期（版别） 例如： [8] 李斌，吴晶晶．我国已建立一百三十个流浪儿童救助保护中心[N]．人民日报，2005-8-18（10）
5. 在线文献——[序号]□作者．文章名．电子文献的出处或可获得地址，发表或更新/引用日期 例如： [9] 彭国华，叶帆．科学发展观是我们党对发展规律认识的新的飞跃．http://theory.people.com.cn/GB/40553/4239263.html，2007-1-10

Footnotes

1. Mensah GA, Fuster V, Roth GA. A heart-healthy and stroke-free world: using data to inform global action. J Am Coll Cardiol. 2023;82(25):2343–2349. ↩ ↩² ↩³

2. Abbasian M, Adderley NJ, Agasthi P, et al. Global Burden of Cardiovascular Diseases and Risks, 1990–2022. J Am Coll Cardiol. 2023;82(25):2350–2473. ↩ ↩² ↩³

3. Zhang H, Xu Y, Xu Y. The association of the platelet/high-density lipoprotein cholesterol ratio with self-reported stroke and cardiovascular mortality: a population-based observational study[J]．Lipids Health Dis, 2024, 23(1): 121 ↩

4. Zhao Y, Hu Y, Smith JP, Strauss J, Yang G. Cohort profile: The China health and retirement longitudinal study (CHARLS) Int J Epidemiol. 2014;43(1):61–68. ↩

5. He D, Wang Z, Li J, et al. Changes in frailty and incident cardiovascular disease in three prospective cohorts. Eur Heart J. 2024, 23(1):28. ↩

6. Zhang H, Xu Y, Xu Y. The value of the platelet/high-density lipoprotein cholesterol ratio in predicting depression and its cardiovascular disease mortality: a population-based observational study. Front Endocrinol (Lausanne). 2024, 15:1402336. ↩