近期，与促炎食物相关的话题和研究频上微博热搜。就在今年的 1 月，南京医科大学附属苏州医院的研究人员在 BMC public health 上发表的研究揭示了与饮食有关的炎症，会增加 87% 的中风风险。于是，“抗炎饮食与健康”这个话题，又再次进入学者和大众的视野。

图片来源：文献截图

那当我们在偶然间关注到这个热点，嗅到发文的味道，想要进行一些探索，该如何寻找适合自己的选题和方向呢？不妨看看下面这篇真实世界研究，不难，从方法学上稍微做一些创新即可！

图片来源：文献截图

根据促炎饮食的思路，如何挖掘自己的选题？

我们知道，炎症是对应激源和病原体的基本生理反应，低级别的慢性炎症会增加各种慢性病的风险，长期处于这种状态下会导致癌症的发生。那么，日常饮食和炎症到底有什么关系呢？

基于现有的研究发现，科学家们开发出了膳食炎症指数这个概念，根据食物导致炎症的可能性将常见的食物进行了划分，比如猪牛羊肉或加工肉类、高糖高盐饮食等属于促炎食物，而饮食中加入富含抗氧化剂的元素(如浆果、深绿色蔬菜和西红柿)、多酚(如黑巧克力、绿茶和红酒)、维生素(如柑橘类水果、胡萝卜和杏仁)和矿物质(如菠菜、坚果和豆类)就属于抗炎食物。

图片来源：某短视频App

关于饮食抗炎的研究已经不少了，但是关于活性微生物或益生菌的摄入与炎症反应之间的相互作用目前还是一个比较新兴的领域。于是，这篇文章就选择了探究富含活性微生物（live microbe-containing，LMC）的食物与全身免疫炎症指数（Systemic Immune-Inflammation Index，SII）之间的关系。

与此同时，有证据表明，体育活动（Physical Activity，PA）也是调节免疫功能、影响促炎和抗炎平衡的重要因素，特别是散步、游泳，健身等休闲娱乐性体育活动（Recreational Physical Activity，RPA）。

因此，本次的横断面研究旨在利用国家健康与营养检查调查（NHANES）数据来探讨上述关系，并分析 RPA 是否介导了 LMC 食物摄入与 SII 之间的关联。

从这篇研究中，看到了 NHANES 数据库的哪些可能性？

NHANES 这个数据库想必大家应该很熟悉了，美国国家健康和营养调查数据库，采用的是复杂、多阶段、基于概率的抽样设计，旨在获得能够代表全人群样本的横断面调查数据，以两年为期发布一次数据。

图片来源：NHANES - Whats New (cdc.gov)

由于新冠肺炎的影响，NHANES 于 2020 年 3 月暂停了现场业务，并于 2021 年 8 月开始了新的为期两年的数据收集。2021 年 8 月至 2023 年 8 月的全国代表性数据文件基于更新后的样本设计、修改的问卷调查，以及检查程序，但目前可获取的数据仍然截止到 2020 年。

图片来源：NHANES官网

本研究分析了从 2007~-2008 年到 2017~2018 年六个不同时期的NHANES数据集，经过筛选后，最终纳入 26254 名参与者构成了后续研究的基础。

在 NHANES 数据库框架内，本次研究纳入了以下数据：

1.测定饮食中活性微生物含量

通过饮食回忆访谈的形式评估含 LMC 的食品消费量，根据LMC的含量进行分类，包括低微生物含量(<104 CFUs/g)，中等微生物含量(Med;104~107 CFUs/g)，高微生物含量 (Hi;> 107 cfu / g)。

值得一提的是，本次调查中，国家卫生统计中心采用了一种数据整合方法，将 24 小时膳食回顾的数据与美国农业部食品调查营养数据库相结合，这种统计方法不仅能得到能量摄入，还包括营养状况。

2.娱乐性体力活动的测量

自 2007 年 NHANES 数据库更新后，RPA采用更详细的体力活动问卷进行报告，问卷涵盖了各种各样的体力活动，并要求参与者提供活动类型、频率、持续时间和强度等细节。

3.全身免疫炎症指数的测定以及协变量的确定

量化 SII 来评估参与者中存在的免疫相关炎症的程度。

协变量包括最基本的人口学指标，如年龄、性别和种族；

考虑到社会经济地位与健康结果之间的相互作用，纳入婚姻状况、受教育程度和贫困收入比；

考虑到身体成分在塑造健康轨迹中的作用，纳入了身体质量指数；

考虑到生活方式选择与健康之间的联系，纳入了吸烟和饮酒；

考虑到慢性病的影响，纳入了糖尿病、心血管疾病和高血压等协变量。

本研究对协变量进行了细致的筛选，以便进行稳健性分析，得到更可靠的研究结论。

统计分析部分之关键——中介分析

首先，根据国家人口普查的要求对数据进行加权，连续变量用均数±标准误差(SE)表示，分类变量用百分比(%)表示。

接下来，利用多变量线性回归方程探讨了 LMC 食品的膳食摄入量、RPA和SII之间的关系。在分析框架中采用了三个离散模型，模型1未调整变量，模型2纳入了基本人口变量的调整，即年龄、性别和种族，模型3针对前面广泛的协变量进行了调整，从而考虑了多方面的潜在影响。

图片来源：文献截图

最后，利用基于回归的中介分析，探究 LMC 食品对 SII 的直接影响以及通过 RPA 介导的间接影响。

图片来源：文献截图

本研究产生了三个估计：(i)总效应，即 LMC 食品与 SII 之间的关系，包括直接联系和 RPA 介导的中介影响；(ii)直接效应，LMC 食品与 SII 之间关系的重点阐明；(iii)间接效应，揭示了对 LMC 食物的依从性和 SII 之间的相互作用，由 RPA 的参与介导。

在这里，咱们就不得不简单介绍一下中介分析的原理了。中介分析是指用于检验自变量 X 对因变量 Y （即X→Y）的影响，是否由 X 通过影响中介变量 M （即X→M→Y）而实现。

图片来源：网络

中介效应分析有助于解释变量之间复杂的关系，揭示可能影响结果的各种机制。基于大量阅读文献的基础上，如果我们找到了可能产生中介效应的变量，便可以尝试进行中介分析。

目前可以检验中介效应的主流方法主要有以下三种：逐步回归法、系数乘积检验（Sobel 法）和 Bootstrap 法。本研究使用的是R语言所进行数据分析，其中的 meditation 包就可以实现中介分析。

小结

最后，研究结果发现，含有中等活性微生物的食物摄入，与降低全身免疫炎症指数有关；娱乐性体育活动参与介导了两者之间的关联。

由此我们可以看到，关注热点健康问题，挖掘热门数据库，结合当下火热的分析策略，一篇有价值的文章就自然产出了。你若不信，就来试试吧~