同样的生物标志物，为什么会得到不同分数？
参照人群、调查权重与计分规则如何改变五指标适应负荷指数：一项可复核的 NHANES 方法案例。
测量值不变，分数仍可能改变。
综合指数取决于生成它的规则。在这项 TAP 分析中，仅将参照人群从 40 岁以上改为 18 岁以上，同一批 3,152 人中就有 758 人（24.0%）的总分改变，而他们的生物标志物测量值没有变化。
我们使用 NHANES 2015–2016 数据，比较五指标适应负荷指数的七种计算方案。这是一项描述性方法案例，用于量化分析选择的影响，不判断哪种方法更健康、更准确，或更能预测某项结局。
本案例的方法来源
Beese 等人提出了从二次数据构建适应负荷指数的工作流与代码仓库。我们检查了 2025 年 8 月 1 日的 medRxiv 版本，以及 CHORDS 的固定提交 2bbb624dd01cec5c54b778d3cd2df4ada582c989。预印本与代码分别记录版本。五指标的选择参考了 McCrory 等人的多队列研究。[1][2][4]
以下数值由 TAP 重新计算，不是原论文报告的结果。我们未复现作者的 All of Us 或 HRS 队列，也未运行其完整笔记本。CHORDS 对照方案重建一个 NHANES 周期的合并范围和计分选择，其他比较属于 TAP 的分析选择。
研究了谁？为什么以 40 岁以上为基准？
通过唯一 SEQN 编号连接 CDC 六份公开组件：DEMO_I、GHB_I、HDL_I、HSCRP_I、BPX_I、BMX_I。9,971 条人口学记录中，9,544 人的体检权重为正。符合条件的 40 岁以上成年人共 3,610 人，其中 3,152 人五项齐全，458 人存在缺项。全部分数比较始终使用相同的 3,152 名完整案例。[3]
选择 40 岁以上，是为了使年龄下界与 McCrory 等人所研究的中老年群体大体衔接。这是明确公开的分析基准，不是通用正常范围，也不证明按年龄设置阈值更优。18 岁以上和混龄参照的比较用于展示这一选择的影响。[2]
使用单一调查周期，避免重叠年份重复纳入及跨周期检测方法协调。这些美国历史数据不估计当前健康状况，也不提供中国用户常模。完整案例覆盖符合条件者的 87.3%，按 MEC 权重计算为 90.2%；缺失问题仍然存在。
五指标指数如何计算
五项指标为 CRP（mg/L）、HbA1c（%）、HDL 胆固醇（mg/dL）、调查脉搏（次/分钟）及腰高比（腰围和身高均用 cm）。四项指标在第 75 百分位及以上计 1 分；HDL 在第 25 百分位及以下计 1 分，总分为 0–5。这些阈值来自参照样本，不是临床界值。
基准方案使用 40 岁以上符合条件者中各指标的可用观察值，以 WTMEC2YR 确定阈值。加权分位数采用 Hmisc wtd.quantile 的 type="quantile"、normwt=FALSE，与所检查的上游调用一致。不加权方案使用 R 的 type-7 分位数。这是一种明确的分位数约定；使用权重不会消除所有偏倚。[3][5]
任一指标或阈值缺失时，总分保留缺失。保留 CDC 的检测限以下替代值，其中完整案例有 89 人被标记为 CRP 低于检测限。不进行插补或统计离群值排除。调查脉搏不能直接等同于可穿戴设备的夜间静息心率。
哪些选择改变了分数？
以下全部差异均相对于 40 岁以上基准，参与者及其生物标志物测量值保持不变。「分数改变」指总分至少相差 1 分。表格列出确切人数和未加权比例；第一张图另行展示同一完整案例样本内的 MEC 加权比例。
| 改变的规则 | 人数 | 样本比例 | MEC 加权比例 |
|---|---|---|---|
| 原 CHORDS 周期参照 | 1,240 | 39.3% | 36.4% |
| 各组件全部可用年龄参照 | 1,239 | 39.3% | 36.7% |
| 18 岁以上参照 | 758 | 24.0% | 23.4% |
| 不加权计算阈值 | 483 | 15.3% | 12.8% |
| 等于阈值不计分 | 454 | 14.4% | 12.7% |
| 仅完整案例确定阈值 | 203 | 6.4% | 5.4% |
MEC 加权比例以观测到的完整案例为条件，不估计全国人口发生率或置信区间。
为什么小规则也会产生影响
仅改变等号处理，454 人（14.4%）的总分就改变了。离散或取整的测量会产生并列值：181 人恰好位于基准 HbA1c 阈值，180 人位于脉搏阈值，91 人位于 HDL 阈值；这些人数之间可能重叠。因此，四分位规则不一定恰好标记 25% 的观察值。
CHORDS 的实验室合并以 GHB 为起始表，再左连接其他实验室表；体检合并以 BPX 为起始表。这会限制参照范围。我们单独重建这些连接，并与使用各组件全部可用年龄的方案比较。二者并不相同，尽管总分改变比例四舍五入后均为 39.3%。
独立核对了什么
Python 计算通过第二种 XPT 读取器和独立的逐行实现复核。38 条 CDC 数据字典频数、500 个合成加权分位数测试均一致。识别并纠正了本机 pandas 的零值解码问题，最终分析使用 pyreadstat。
进一步使用原生 R 4.6.1、foreign 0.8.91，以及通过校验的 CRAN Hmisc 5.3-0 原始加权统计函数复核。R 独立读取六份原始 XPT、重建参照范围并计算得分。35 个阈值、22,064 个「参与者×方案」得分以及七组汇总结果均在指定数值容差内一致。
此次在 R 中直接执行 Hmisc 函数及其辅助函数，没有运行其完整软件包或 CHORDS 的完整笔记本。计算一致性说明实现层面的可核对性，不代表构念效度、临床用途或已经完成真人科学审阅。
这项分析尚不能说明什么
MEC 加权汇总以五项齐全者为条件。我们没有估计基于复杂抽样设计的置信区间，也没有针对指标缺失重新校正权重。完整与不完整案例的公开年龄均值分别为 59.3 岁和 62.7 岁，公开年龄在 80 岁封顶。进入完整案例样本的选择过程可能影响解释。
未对药物、疾病或妊娠进行建模处理；未评价临床界值法、连续指标法、死亡预测、纵向变化、诊断准确率或样本外验证。观察到的敏感性不能确定哪种方案更优。
本分析未预注册。本地方案记录了首次运行后的两项实施修订：纠正零值解码，以及增加 CHORDS 特定合并范围的对照。主要评价人群与基准科学规则保持不变。
使用一个分数之前，应该问什么
先问清指标与测量条件、参照人群、权重和并列值处理，以及缺失时如何计算。一个分数应当同时携带这些定义，以及支持其拟议用途的证据。
对 TAP 而言，本案例支持将测量选择公开并做成可复核的流程。生物标志物指数与事件后恢复轨迹如何关联，仍是另一项纵向研究问题。本研究不提供通用 0–100 复原力分数的换算。
出版与研究背景
这是 TAP 方法案例 v1.0，使用分析规则 v0.1.0。来源检查、编程、计算核对、写作与翻译使用了 AI 辅助。尚未完成具名独立科学与方法审阅；下载材料单独记录已实际执行的计算检查。
The Allostasis Project 由美国 Conatus Biosciences Inc. 运营，由 Resilio 创立并支持。本案例不评价任何 Resilio 产品。CDC、CHORDS 及所引研究者未为此 TAP 分析背书。源数据与软件保留各自权利，TAP 材料适用出版记录中注明的版权。
数据、图表与可复核的方法
文件与本版本固定关联。材料包包含分析代码与汇总结果，不重新分发参与者层面的记录。
- 复跑材料包 · ZIP
SHA-256
dc265e0b6848cfd96bac7cf9e09edc75c2677f3195332d834241820420e3f353 - 方法比较 · CSV
SHA-256
ce065298c2e055745b53fbd34ca82430a1d360fa91f31869ecbf14cbfbb910d2 - 参照阈值 · CSV
SHA-256
1725b7f7dab9fd66bf01ead9fed03b85e4af06988d85419a7c72895c65edc5cb - 敏感性图 · SVG
SHA-256
ebf3dbd920b2011c0ce8a2bec3e48060e3f29eff68a60e39ee07f44e2d3f2019 - 敏感性图 · PDF
SHA-256
fa6315d2ea89bab3ff830178b707032a41daa6e9f76914d2183af490e1134316 - 分数转移图 · SVG
SHA-256
991fe4306a52888512748570b25333bef8088e46fb05412588bb839d9c459957 - 分数转移图 · PDF
SHA-256
6088184051ec11a97b3557bdf33a9931418a517dca0aea9a14c51e27e4c6ec87
参考文献
- Shawna Beese, J. Cross, D. Rice, T. L. DeJong (2025). Allostatic (over)Load Measurement: Workflow and repository. medRxiv (preprint). https://doi.org/10.1101/2025.07.31.25332519
- Cathal McCrory, Sinead McLoughlin, Richard Layte, Cliona NiCheallaigh, Aisling M. O’Halloran, Henrique Barros, Lisa F. Berkman, Murielle Bochud, Eileen M. Crimmins, Meagan T. Farrell, Silvia Fraga, Emily Grundy, Michelle Kelly-Irving, Dusan Petrovic, Teresa Seeman, Silvia Stringhini, Peter Vollenveider, Rose Anne Kenny (2023). Towards a consensus definition of allostatic load: a multi-cohort, multi-system, multi-biomarker individual participant data (IPD) meta-analysis. Psychoneuroendocrinology. https://doi.org/10.1016/j.psyneuen.2023.106117
- National Center for Health Statistics (2017). NHANES 2015–2016: demographic variables and sample weights. CDC NHANES. https://wwwn.cdc.gov/Nchs/Data/Nhanes/Public/2015/DataFiles/DEMO_I.htm
- CHORDS Lab (2026). Allostatic (over)Load Repository, commit 2bbb624dd01cec5c54b778d3cd2df4ada582c989. GitHub repository. https://github.com/CHORDSLab/Allostatic-over-Load-Repository/tree/2bbb624dd01cec5c54b778d3cd2df4ada582c989
- Hmisc contributors (2026). Hmisc 5.3-0: Harrell Miscellaneous. CRAN. https://cran.r-project.org/package=Hmisc