中国人真的一生都在卷的道路上！单一公共数据库联合机器学习已经不足为奇，今天这篇文章联合 NHANES和CHARLS 双数据库＋九种机器学习模型， 发文二区。换个选题，直接套思路，SCI直接手拿把掐！
无论是NHANES/CHARLS，文中的指标数据，郑老师团队都能直接帮您挖掘和分析！
偏头痛是一种全球高发的神经疾病，研究发现代谢因素 （如胰岛素抵抗IR和肥胖） 与偏头痛密切相关。
甘油三酯-葡萄糖指数（TyG）及其与肥胖指标 （如BMI、腰围、腰高比等） 的组合 （TyG-BMI、TyG-WC、TyG-WHtR） 被提出作为 IR 的替代标志物，但其在偏头痛中的作用尚未在多国人群中得到充分验证。
2025年7月3日 ，成都中医药大学学者基于 NHANES和CHARLS数据库， 联合机器学习 ， 在期刊 《Lipids in Health And Disease 》 （医学 二区，IF=4.2） 发表题为: “ The value of triglyceride–glucose index–related indices in evaluating migraine: perspectives from multi–centre cross–sectional studies and machine learning models ” 的研究 论 文。
研究采用横断面设计，结合机器学习模型，旨在探究TyG相关指标 （TyG-BMI、TyG-WC、TyG-WHtR） 与偏头痛的关联，并比较它们预测风险的性能。
研究采用 跨国对比设计，数据来自于 两个大型国家代表性数据库：
美国数据 ： NHANES 1999-2004年 数据，纳入6,204名≥20岁的成年人；
中国数据 ： CHARLS 2011-2012年 数据，纳入9,401名≥45岁的中老年人。
【注】 两国人群年龄结构差异显著 （NHANES含年轻群体，CHARLS仅中老年）， 且中国样本偏头痛病例较少 （550例 vs 美国1,245例）。
研究采用加权logistic回归分析TyG相关指标与偏头痛的关联，并进行亚组分析和阈值效应分析以探索非线性关系。此外，应用Boruta算法筛选关键变量，并构建九种机器学习模型评估TyG-BMI和TyG-WHtR的预测性能。
研究发现，在美国人群中， TyG-BMI和TyG-WHtR与偏头痛呈显著正相关 （TyG-B MI: OR=1.28；TyG-WHtR: OR=1.17）。 并且，当 TyG-BMI>206时风险骤升，而当TyG-WHtR<7.4时风险更高。 同时， 年龄也是重要的交互因素，尤其在年轻群体（<45岁）中关联更显著。 然而，在中国人群中未检测到这种相关性，推测可能与高龄样本和病例数少有关。 表1 NHANES和CHARLS中，TyG-BMI、TyG-WC和TyG-WHtR与偏头痛的关联 模型2：调 整了 性别、年龄、种族、教育水平、婚姻状况、贫困收入比 （PIR）/ 总收入、饮酒状况和吸烟状况 图2 TyG-BMI、TyG-WC和TyG-WHtR与偏头痛关联的平滑曲线拟合
（a-c）NHANES；（d-f）CHARLS
✅机器学习模型
研究基于 Boruta 算法筛选的与偏头痛相关的关键变量，根据结果，将冠心病排除在模型评估之外。 基于此，研究构建了9种机器学习模型，结果显示， XGBoost模型预测偏头痛风险的性能最优。 并且，TyG-BMI（AUC=0.929 ） 的预测能力优于TyG-WHtR（ AUC= 0.926 ）。 (a) DCA； (b) ROC曲线；(c)带置信区间的ROC曲线；(d) PR 曲线；(e)校准曲线 SHAP分析进一步证实TyG-BMI是仅次于年龄的重要预测因子， 贡献稳定；而TyG-WHtR贡献波动大且排名靠后。 图5 XGBoost模型对TyG-BMI的SHAP分析 (a) SHAP线形图；(b) SHAP热浪图；(c) SHAP重要性图；(d) SHAP蜜蜂图；(e) SHAP瀑布图；(f) SHAP热图散点图；(g) SHAP热力图
综上 所 述， 相对于TyG-WHtR， TyG-BMI可以为临床医生提供有关患者胰岛素敏感性的信息， 能够有效预测美国人群的偏头痛风险，尤其在年轻人群中表现突出。 这一发现为临床提供了潜在的代谢干预靶点，有助于个体化治疗策略的制定。
发表SCI难？统计方法实在学不会？时间紧任务重？
GBD/NHANES/CHARLS/孟德尔随机化/机器学习等，郑老师团队均提供统计服务，发文有难题欢迎咨询！ 专业统计师 精准解决科研痛点，一站式高效服务你的发文流程！
