引言

创新发文还得看中国学者！今天这篇文章，研究团队没有运用常规思路探索CHARLS数据，而是采用一种很新的方法——纵向目标最大似然估计（一种先进的因果推理技术）！
ps：文末附方法解读，学会了它，绝对能成为你文章的一大亮点！
抑郁症作为重要的公共健康问题，对中老年人的影响尤为严重。虽然睡眠不足（通常定义为每日少于6-7h）已被众多横断面研究证实与抑郁症状升高相关，但关于慢性睡眠不足对抑郁症状的长期因果效应的研究仍然有限。

2025年5月29日，中国学者用CHARLS数据库，在期刊《Journal of Affective Disorders》（医学二区Top，IF=4.9）发表了一篇题为：“Estimating the longitudinal causal effect of insufficient sleep on depressive symptoms: Evidence from the CHARLS study”的研究论文。

本研究利用中国本土的纵向数据，采用先进的因果推理技术估计持续睡眠不足（定义为总睡眠时间<6h/天）对抑郁症状（CESD-10量表测量）的长期因果效应（2-9年），同时考虑了时不变和时变混杂因素。


本公众号回复“ 原文”即可获得文献PDF等资料，如需CHARLS等老年健康数据库挖掘，请联系郑老师团队，微信号：aq566665

研究团队使用了中国健康与退休纵向研究（CHARLS）数据库2011-2020年的数据，经过纳排，最终纳入了4362名拥有完整睡眠和抑郁数据、基线混杂因素信息且BMI合理的参与者，平均年龄为55.90岁，50.8%为女性，基线924人报告睡眠不足。
本研究的核心方法是纵向目标最大似然估计（LTMLE，一种适用于处理纵向数据中的时变混杂问题的因果推断方法），基于此，建立了包含5个时间点的因果网络模型，假设前期暴露、混杂因素和结局会影响后续的暴露、混杂因素和结局。
  • 混杂因素包括时不变的（性别、教育、婚姻、职业、基线BMI、炎症标志物hsCRP、共病等）和时变的（年龄、体力活动量PAV、认知功能、家庭支出等）。

图1 假设的因果网络，其中A代表暴露变量；L代表协变量；Y代表结果

、

主要研究结果

研究结果显示，睡眠不足与更高的抑郁评分相关。

并且在9年的随访期间，参与者抑郁症状评分的平均因果效应（ATE）随着随访时间的延长先上升后略降，在7年时达到3.75分的峰值，在9年时略降至3.66分。
这表明睡眠不足对抑郁症的影响可能随着时间的推移而累积，但在长时间的睡眠剥夺后趋于稳定。

表1 使用ATE评估睡眠不足对抑郁症状的影响

Model1：调整了年龄、性别；

Model2：调整了Model1＋户籍、婚姻状况、教育水平、饮酒习惯和吸烟情况；

Model3：调整了Model2＋职业、每周支出、体力活动量（PAV）、认知功能。

导师：CHARLS研究还只会用旧方法？你还搞什么科研！（附新方法解读

Model full：调整了Model3＋BMI、hsCRP和共病情况（包括高血压、血脂异常、糖尿病、癌症、肺部疾病、肝脏疾病、心脏疾病、中风、肾脏疾病、胃部疾病、精神疾病、记忆问题、关节炎和哮喘）

并且，女性对睡眠不足的抑郁效应更敏感，在9年随访中，其ATE（4.57）显著高于男性（2.80）；而60岁以下人群的ATE（3.48）则高于60岁及以上人群（2.90）。

图2 按性别对睡眠不足对抑郁症状影响的亚组分析

此外，研究还探讨了午睡对抑郁症状的潜在调节作用。
与先前的研究一致，结果表明，在夜间睡眠不足（<6h）的个体中，较长的午睡时间（>30分钟）能够降低抑郁评分。具体来说，与午睡≤30分钟者相比，午睡>30分钟的个体的抑郁评分低1.37分。
这意味着午睡可以作为睡眠不足的补偿机制，并减少睡眠不足的负面影响。
图3 睡眠不足对抑郁症状影响的ATE

表2 各组别中午睡>30分钟的影响

综上所述，本研究为我国中老年人群中睡眠不足（<6h/天）对抑郁症状的纵向因果影响提供了强有力的证据。并且，这种效应随时间累积并在7年后趋于稳定。此外，午睡（>30分钟）可作为一种补偿机制，减轻夜间睡眠不足个体的抑郁症状。

统计知识点汇总

一、 数据来源
中国健康与养老追踪调查(CHARLS)数据库：
CHARLS数据库是一项持续的纵向调查，旨在调查中国45岁及以上中老年人社会、经济和健康状况。
二、研究设计思路：

P（Population）参与者：从CHARLS数据库2011-2020年的数据中，纳入的4362名参与者；

E（exposure）暴露因素：主要暴露变量是总睡眠持续时间，计算为夜间睡眠和午睡持续时间的总和；

O（outcome）结局：抑郁症状；

S（Study design）研究类型：队列研究。

三、统计方法
√纵向目标最大似然估计（LTMLE）
目标最大似然估计（TMLE）是一种双重稳健的方法，旨在以更高的精度估计因果效应。它的扩展——纵向TMLE（LTMLE），使TMLE原则适应纵向研究的复杂性，如时变治疗和混杂因素。
LTMLE 是一种双重稳健的方法，它将结果模型与基于倾向评分（PS）的治疗模型相结合，有效减少了潜在模型错误说明造成的偏差。
文章采用纵向目标最大似然估计 （LTMLE）来评估睡眠不足对抑郁症状的因果影响。这个双重稳健的框架确保了有效和一致的因果效应估计，前提是结果模型或治疗模型被正确指定。
LTMLE 程序包括三个关键步骤：
  •  使用治疗和混杂变量估计初始预期结果；
  •  计算倾向评分，它反映了根据观察到的协变量接受治疗的可能性；
  •  通过整合来自倾向评分的信息来完善初始结果模型。

➡️LTMLE 框架的优势：

  • 处理时变暴露：LTMLE可以有效地管理时变暴露，而传统方法往往无法解决这些问题；

  • 解决时变混杂因素：该方法旨在处理时变协变量。这种能力使LTMLE成为纵向研究中因果推断的强大工具，克服了Cox回归和线性混合模型等传统方法的局限性，这些方法很难充分解释时变混杂因素；

  • 双重稳健性：LTMLE具有双重稳健性，这意味着如果结果模型或治疗机制被正确指定，它会产生一致的估计值。这一特性将LTMLE与混合模型等方法区分开来，混合模型通常依赖于结果模型的正确规范。双重稳健性增强了因果效应估计的可靠性和准确性，即使在模型错误指定的情况下也是如此。

√敏感性分析
（1）带有协变量的模型变化：开发了四个模型，每个模型都包含不同的时不变和时变协变量集。
  • 模型1：调整了年龄和性别；
  • 模型2：额外调整了居住地（户口）、教育水平、婚姻状况、吸烟和饮酒状况；
  • 模型3：模型2＋调整了职业、每周支出、身体活动量 （PAV） 和认知功能等因素；
  • 模型4：模型3＋调整了合并症（例如高血压、血脂异常、糖尿病和肾脏疾病）和其他健康指标，例如 BMI 和 hsCRP。
（2）不同的暴露定义：应用不同的阈值（6h和7h）来定义睡眠不足，并比较这些阈值的结果；
（3）不同的结果定义：分析了连续和二元结果，特别是抑郁症状评分和临床抑郁 （临界值=10），以检查不同结果测量结果的一致性。
√亚组分析
文章按性别进行了亚组分析，以比较睡眠不足对女性和男性抑郁症状的影响大小。另外，本文还根据年龄进行了亚组分析。

CHARLS数据库一对一指导

想get同款研究思路或者选题的朋友，郑老师团队的CHARLS一对一指导课程最大程度减轻你的发文压力，需要的变量数据我们帮你提取！

发文最难的部分都已经解决了，你还在等什么？！

记得点个小小的关注👇

我们将为您分享更多公共数据库的高分发文思路和统计小技巧！