Data
Ginamit ng pag-aaral na ito ang Midlife in the United States (MIDUS) mula 2004 hanggang 2014, kabilang ang dalawang pangunahing survey waves (MIDUS 2 at MIDUS 3) at isang Biomarker Project ng MIDUS 2. Ang MIDUS ay isang pambansang longitudinal na pag-aaral na nakatuon sa indibidwal na katayuan sa lipunan, sikolohikal mga profile, at mga biyolohikal na proseso ng pagtanda, na nagsimula sa pagitan ng 1995 at 1996 at sumunod sa 7,108 hindi-institutionalized na mga Amerikano na may edad 25 hanggang 74 sa magkadikit na Estados Unidos. Ang pangunahing survey ay nakolekta ng data sa pamamagitan ng mga panayam sa telepono at mga talatanungan na pinangangasiwaan ng sarili.
Sa mga kalahok, 1,255 ang kasangkot sa Biomarker Project ng MIDUS 2, na isinagawa mula 2004 hanggang 2009. Ang mga sample na nakakatugon sa mga sumusunod na pamantayan ay isinama sa mga pagsusuri (tingnan ang Fig. 1): (1) mga sample na lumahok sa biomarker program at ang MIDUS 3 follow-up na survey, (2) mga sample na nagbigay ng kumpletong impormasyon sa mga pangunahing variable (AL at CP). Ang MIDUS ay naa-access ng publiko pangalawang data. Higit pang mga detalye ng pag-aaral ay makukuha sa MIDUS website (Available sa: http://midus.wisc.edu/).
Mga panukala
Allostatic load
Ang mga biomarker ng AL ay nakolekta mula sa Biomarker Project ng MIDUS 2. Ang proyekto ay nakolekta ng 12-oras na mga sample ng ihi, mga sample ng dugo sa pag-aayuno, pati na rin ang data ng function ng nervous system mula sa mga respondent sa isang araw na pananatili sa isang General Clinical Research Center (GCRC) ng alinman sa UCLA, University of Wisconsin, o Georgetown University, depende sa tirahan ng mga respondent [20].
Kasunod ng mga nakaraang pag-aaral [7, 16, 21], Ang AL ay itinayo sa pitong physiological system mula sa 27 biomarker (ipinapakita sa Talahanayan 1). Ang isang mataas na panganib na quartile ng mga biomarker ay ginamit [22]. Ang dehydroepiandrosterone sulfate (DHEA-S) at cortisol sa upper o lower 25th quartile ay itinuturing na mataas ang panganib. Kapag high-frequency heart rate variability (HFHRV), low-frequency heart rate variability (LFHRV), root mean square of successive differences (RMSSD), standard deviation ng heart beat to heart beat intervals (SDRR), at high-density lipoprotein ( Ang lakas ng HDL) ng kolesterol ay nahulog sa loob ng kanilang mas mababang 25th quartile range, ang mga indibidwal ay inuri bilang mataas na panganib. Ang iba pang mga biomarker na nahuhulog sa kanilang itaas na ika-25 na quartile ay itinalaga sa hanay na may mataas na peligro. Pagkatapos, ang mga biomarker sa kanilang high-risk na quartile ay na-code bilang 1; kung hindi, 0. Ang mga high-risk threshold ay nakadetalye sa Talahanayan 1.
Pagkatapos, ginamit ang LCA upang makuha ang mga phenotype ng AL (package na “poLCA” sa R). Ang mga binary biomarker ay inilagay sa 1–7 na kumpol, at ang pagpili ng pinakamabuting kalagayan na bilang ng kumpol ay batay sa log-likelihood, Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), entropy, at interpretability ng pag-uuri. Tungkol sa entropy, ang perpektong halaga ay malapit sa 1, at higit sa 0.8 ay katanggap-tanggap [23]. Tulad ng para sa AIC at BIC, ang mas mababang mga halaga ay nagpapahiwatig ng isang mas mahusay na akma [24]. Gayunpaman, malamang na pinapaboran ng BIC ang mga mas simpleng modelo sa mas malalaking sample dahil sa kumplikadong parusa nito, habang ang AIC ay maaaring sumandal sa mas kumplikadong mga modelo. Dahil sa mga pagsasaalang-alang na ito, ang paghahanap ng mga punto ng inflection o talampas para sa BIC at AIC ay maaaring balansehin ang pagiging kumplikado ng modelo laban sa panganib ng overfitting [24]. Gayundin, ang pag-uuri ay dapat na makabuluhan mula sa isang klinikal o isang biyolohikal na pananaw [24]. Bilang karagdagan, ang bawat cluster ay dapat magkaroon ng hindi bababa sa 10% ng sample [23, 24]. Ang 5000 na mga pag-ulit ay itinakda upang makabuo ng convergent na pagtatantya para sa bawat modelo ng LCA.
Kinalabasan: malalang sakit
Ang interference ng CP at ang bilang ng mga site ng CP mula sa MIDUS 3 ay ginamit. Ang mga respondent ay unang tinanong “Mayroon ka bang talamak na pananakit, ibig sabihin, mayroon ka bang sakit na nagpapatuloy lampas sa oras ng normal na paggaling at tumagal mula sa kahit saan mula sa ilang buwan hanggang maraming taon?” Ang isang sumasang-ayon na tugon ay nagpahiwatig ng pagkakaroon ng CP at ang mga sumasagot ay tinanong tungkol sa pagkagambala ng CP. Ang index ng panghihimasok sa sakit ay nabuo sa pamamagitan ng pagkalkula ng average na marka kung gaano karaming sakit ang nakagambala sa aktibidad, mood, relasyon, pagtulog, at kasiyahan ng mga respondent, mula 0 hanggang 10 [25, 26]. Pagkatapos, ang index ng panghihimasok ng sakit ay higit pang ikinategorya sa walang sakit, mababang sakit ng panghihimasok (≤ 4), at sakit na may mataas na interference (> 4) bilang variable na kategorya. [25]. Bilang karagdagan, kung ang mga sumasagot ay nag-ulat ng pagkakaroon ng CP, tinanong sila tungkol sa lokasyon ng sakit, kabilang ang ulo, leeg, likod, mga braso, binti, balikat, balakang, tuhod, at iba pang mga site. Binubuo namin ang mga lugar ng sakit sa isang index at pagkatapos ay ikinategorya ito sa walang sakit, 0–2 site, o 3 o higit pang mga site bilang isang kategoryang variable [26, 27].
Covariates
Ang mga covariate ay pinili ng kasalukuyang kaalaman tungkol sa kaugnayan sa pagitan ng AL at CP [14, 15, 28]. Ang mga sociodemographic covariates ay nakuha mula sa pangunahing survey ng MIDUS 2 at na-code bilang mga kategoryang variable maliban sa variable ng edad, na itinuturing na tuluy-tuloy. Kasama sa mga sociodemographic covariates ang kasarian (ref: lalaki), edad, etnisidad (ref: White), educational attainment (ibig sabihin, ang pinakamataas na sertipiko ng edukasyon na nakuha ng respondent, ref: high school o mas mababa), marital status (ref: Married), at ang income-to-needs ratio (INR, ref: Affluent) [29] na kinalkula sa pamamagitan ng paghahati sa kabuuang kita ng sambahayan sa Federal Poverty Threshold [30]. Bilang karagdagan, ang mga salik ng pag-uugali mula sa MIDUS 2 Biomarker Project ay isinasaalang-alang. Ang mga ito ay katayuan sa pag-inom ng alak (ref: Moderate + drinker), status sa paninigarilyo (ref: Kasalukuyang naninigarilyo), at mga kategorya ng metabolic na katumbas ng gawain (MET, ref: Sa pagitan ng 500 at 1000 min bawat linggo) minuto bawat linggo [26, 31]. Gayundin, kontrolado ang agwat ng oras sa pagitan ng dalawang koleksyon ng data. Sa wakas, ang mga masamang karanasan sa pagkabata (ACEs) ay posibleng malito din ang relasyon sa pagitan ng AL at CP [32, 33]. Sa kasong ito, isinasaalang-alang namin ang emosyonal na pang-aabuso at pisikal na pang-aabuso mula sa mga magulang. Ang data ng ACE ay retrospective na nakolekta sa MIDUS 1 at itinuring bilang mga ordinal na variable.
Ang multimorbidity ay inayos din para sa [28, 34]. Binubuo ng index ng talamak na kondisyon ang bilang ng mga sagot na “Oo” sa mga tanong na may kaugnayan sa malalang kondisyon [20]. Pagkatapos, ang index ay na-code bilang isang binary variable (Ref: <2) at ang index na higit sa 2 ay itinuturing na multimorbidity. Dahil ang mga kondisyon sa kalusugan ng isip ay isinama na sa variable na ito, walang mga karagdagang pagsasaayos para sa depresyon at pagkabalisa.
Pinahusay ng MIDUS 2 Biomarker Project ang mga ulat ng gamot sa pamamagitan ng pag-uugnay ng mga pangalan at ID ng gamot sa Generic Names at Lexi-Data database at pagtatanong sa mga respondent para sa kanilang mga dahilan sa pag-inom ng mga gamot [20]. Ang isang binary variable ay ginawa upang kumatawan kung ang isang kalahok ay uminom ng anumang gamot mula sa isang seleksyon ng mga antihyperlipidemic agent, beta adrenergic blocking agent, antihypertensive combinations, analgesics, anxiolytics sedatives at hypnotics, antidiabetic agent, sex hormones, thyroid hormone, antidepressants, at analgesics, kabilang ang opioids at non-opioids.
Pagsusuri
paraang istatistikal
Ang mga modelo ng regression ay pinili ayon sa mga uri ng mga variable ng CP. Para sa isang binary CP variable, ginamit ang logistic regressions. Ang bilang ng lokasyon ng sakit at pagkagambala sa sakit ay mga kategoryang variable, samakatuwid, ang multinomial logistic regressions ay ginamit. Ang lahat ng mga pangunahing pagsusuri na ipinakita ay ganap na nababagay para sa mga nauugnay na confounder upang mabawasan ang mga huwad na asosasyon at nabuo mula sa mga kumpletong kaso.
Tatlong sensitivity analysis ang inilapat. Una, ang pagkawala ng data ay maaaring humantong sa bias na pagtatantya [35, 36]. Maramihang imputation (MI) gamit ang R package na “MICE” [37] ay ginamit upang tugunan ang item na hindi tumugon, batay sa pag-aakalang nawawala nang random (MAR). Ang mga nawawalang covariate ay ibinilang alinsunod sa partikular na pamamahagi ng bawat item, gaya ng inirerekomenda [36]. Dalawampung imputed na dataset ang nabuo, at ang mga koepisyent mula sa lahat ng istatistikal na modelo ay pinagsama gamit ang mga panuntunan ni Rubin. Ang mga pagsusulit sa ANOVA at chi-squared na pagsusulit ay ginawa ayon sa pagkakasunod-sunod para sa mga tuluy-tuloy na variable at kategoryang variable upang suriin ang pagkakapareho ng mga imputed na dataset at ang naobserbahang dataset. Pangalawa, ginamit ang paraan ng bootstrapping upang matantya ang pagkakaiba-iba at katatagan ng mga coefficient [38]. May kabuuang 5000 bootstrap na sample ang nabuo na may kapalit, bawat isa ay may parehong laki ng sample gaya ng orihinal na dataset. Ang proseso ng bootstrapping ay isinagawa ni R. Sa wakas, ang katayuan ng CP sa MIDUS 2 ay isinama sa modelo at ang binary na sukat ng pag-inom ng gamot sa MIDUS 2 ay pinalitan ng mga partikular na indibidwal na gamot.