基于贝叶斯多变量联合模型的体检人群脑卒中发病风险因素的纵向研究

doi:10.12114/j.issn.1007-9572.2022.0695

中国全科医学 ›› 2023, Vol. 26 ›› Issue (12): 1437-1443.DOI: 10.12114/j.issn.1007-9572.2022.0695

所属专题：神经系统疾病最新文章合集；脑健康最新研究合集

基于贝叶斯多变量联合模型的体检人群脑卒中发病风险因素的纵向研究

杨毅¹, 丛慧文¹, 王廉源¹, 杨丽萍², 包绮晗¹, 王浩桦¹, 李承圣¹, 周立雯¹, 丁子琛¹, 石福艳¹^,^*(), 王素珍¹^,^*()

¹261053　山东省潍坊市，潍坊医学院公共卫生学院卫生统计学系
²710032　陕西省西安市，空军军医大学西京医院健康医学中心

收稿日期:2022-09-26 修回日期:2023-01-01 出版日期:2023-04-20 发布日期:2023-01-18
通讯作者: 石福艳, 王素珍
作者贡献：杨毅负责选题、清洗保留研究数据、模型构建、计算机代码和支持算法的实现、原稿写作；丛慧文和王廉源负责模型构建、计算机代码和支持算法的实现；杨丽萍负责调查开展、提供研究数据；包绮晗负责数据可视化展示；王浩桦和李承圣负责验证研究结果；周立雯和丁子琛负责清洗和整合研究数据；通信作者石福艳和王素珍对选题进行指导，对文章涉及观点及立论依据进行审阅和修订；所有作者确认了论文的最终稿。
基金资助:
国家自然科学基金资助项目--基于双稳健共享参数Joint模型的脑卒中早期关键风险因素推断研究(81803337); 国家自然科学基金资助项目--广义提升模型和机器学习下基于逆概率加权的纵向数据因果推断研究(81872719); 国家统计局课题--基于机器学习和逆概率加权的高维数据降维方法及应用研究(2018LY79); 山东省自然科学基金资助项目--基于广义提升模型下逆概率加权法的纵向数据因果推断研究(ZR2019MH034); 山东省高等学校青创人才引育计划--卫生统计理论方法及应用研究创新团队(No.2019-6-156，Lu-Jiao); 潍坊医学院博士启动基金项目--心脑血管病纵向数据关键风险因素推断及共享参数模型研究(2017BSQD51)

Longitudinal Study on the Risk Factors of Stroke in Check-up Population Based on Bayesian Multivariate Joint Model

YANG Yi¹, CONG Huiwen¹, WANG Lianyuan¹, YANG Liping², BAO Qihan¹, WANG Haohua¹, LI Chengsheng¹, ZHOU Liwen¹, DING Zichen¹, SHI Fuyan¹^,^*(), WANG Suzhen¹^,^*()

¹Department of Health Statistics, School of Public Health, Weifang Medical University, Weifang 261053, China
²Center for Health and Medicine, Xijing Hospital, Air Force Military Medical University, Xi'an 710032, China

Received:2022-09-26 Revised:2023-01-01 Published:2023-04-20 Online:2023-01-18
Contact: SHI Fuyan, WANG Suzhen

分享到

1. 2023中国知网《学术精要数据库》论文入选证书.png(593KB)

摘要/Abstract

摘要： 背景脑卒中是目前影响人类健康的主要公共卫生问题之一；健康体检纵向数据累积了大量的健康信息，由于缺失数据多、样本量小等诸多问题，导致其利用率低、重要信息未能得到充分挖掘，进而对常见慢性病的有效防控等工作带来一定困难。目的基于贝叶斯多变量联合模型，探讨体检人群脑卒中发病风险因素，为慢性病风险因素分析提供新的方法。方法本研究使用空军军医大学西京医院健康医学中心2008—2015年的体检资料。随访情况：以首次发生脑卒中为结局事件，发生结局事件立即停止随访；若未发生，到2015年体检信息收集完成后结束随访；体检间隔时间为1年。依据随访过程中是否发生脑卒中分为脑卒中组和非脑卒中组。纵向观察变量包括总胆固醇（TC）、三酰甘油（TG）、低密度脂蛋白胆固醇（LDL-C）、高密度脂蛋白胆固醇（HDL-C）、体质指数（BMI）和收缩压（SBP）。采用多因素Cox回归模型分析基线情况对脑卒中结局事件的影响；采用贝叶斯多变量联合模型，分析随访过程中TC、TG、LDL-C、HDL-C、BMI和SBP的纵向变化轨迹对脑卒中发病的影响。结果本研究共纳入234例研究对象，1 581条纵向随访记录，平均随访时间为（7.4±1.2）年，其中70例（29.9%）在随访过程中发生脑卒中。多因素Cox回归模型结果显示：基线TC、TG、LDL-C、HDL-C、BMI、SBP对脑卒中发病均无影响（P>0.05）。贝叶斯多变量联合模型结果显示：TG每纵向升高1 mmol/L，脑卒中发病风险升高1.863倍[95%CI(1.018,3.294),P=0.042]；LDL-C每纵向升高1 mmol/L，脑卒中发病风险升高1.347倍[95%CI(1.045,1.863),P=0.046]。结论TG、LDL-C水平随时间变化的纵向升高是体检人群脑卒中发病的危险因素；贝叶斯多变量联合模型可用于体检人群的慢性病风险因素探讨研究中。

关键词: 卒中, 体格检查, 贝叶斯联合模型, Cox回归模型, 血脂异常, 危险因素

Abstract:

Background

Stroke is one of the major public health problems affecting human health in current. Longitudinal check up data has accumulated a large amount of health information. However, the utilization rate of the longitudinal check up data is low and important information has not been fully extracted due to many problems such as missing data and small sample size, which brings difficulties to the effective prevention and control of common chronic diseases.

Objective

To explore the risk factors of stroke in check-up population based on Bayesian multivariate joint model, so as to provide a new approach for the analysis of risk factors for chronic diseases.

Methods

In this study, the data were collected from the Center for Health and Medicine, Xijing Hospital, Air Force Military Medical University from 2008 to 2015. Follow-up status: the follow up was conducted with the first occurrence of stroke as the outcome event and stopped at the occurrence of outcome event or ended when the collection of medical examination information was completed by 2015 if the outcome event did not occur. The interval between physical examinations was 1 year. The participants were divided into the stroke group and the non-stroke group according to whether stroke occurred during follow-up. Longitudinal variables observed in this study included total cholesterol (TC) , triglyceride (TG) , low density lipoprotein cholesterol (LDL-C) , high density lipoprotein cholesterol (HDL-C) , body mass index (BMI) and systolic blood pressure (SBP) . Multivariate Cox regression model was used to analyze the influence of baseline conditions on stroke outcome events. Bayesian multivariate joint model was used for analyzing the effect of longitudinal trajectory of TC, TG, LDL-C, HDL-C, BMI and SBP on the incidence of stroke during follow-up.

Results

A total of 234 subjects with 1 581 longitudinal follow-up records were included in this study, with the mean follow-up time of (7.4±1.2) years, of which 70 cases (29.9%) developed stroke during the follow-up. The results of multivariate Cox proportional hazards model showed that there was no effect of baseline values including TC, TG, LDL-C, HDL-C, BMI and SBP on the incidence of stroke (P>0.05) . The results of Bayesian multivariate joint model showed that the risk of stroke was 1.863 times higher for per longitudinal increase of 1 mmol/L TG level 〔95%CI (1.018, 3.294) , P=0.042〕 and 1.347 times higher for per longitudinal increase of 1 mmol/L LDL-C level〔95%CI (1.045, 1.863) , P=0.046〕.

Conclusion

The longitudinal increase of TG and LDL-C levels over time is a risk factor for stroke in check-up population. Bayesian multivariate joint model can be used to explore the risk factors of chronic diseases in check-up population.

Key words: Stroke, Physical examination, Bayesian joint model, Cox regression model, Dyslipidemias, Risk factors

杨毅,丛慧文,王廉源,等. 基于贝叶斯多变量联合模型的体检人群脑卒中发病风险因素的纵向研究[J]. 中国全科医学, 2023, 26(12): 1437-1443. DOI: 10.12114/j.issn.1007-9572.2022.0695.
YANG Yi,CONG Huiwen,WANG Lianyuan, et al. Longitudinal Study on the Risk Factors of Stroke in Check-up Population Based on Bayesian Multivariate Joint Model[J]. Chinese General Practice, 2023, 26(12): 1437-1443. DOI: 10.12114/j.issn.1007-9572.2022.0695.

图/表 6

参考文献 34

[1]	ZHANG S，ZHANG W，ZHOU G. Extended risk factors for stroke prevention[J]. J Natl Med Assoc，2019，111（4）：447-456. DOI：10.1016/j.jnma.2019.02.004.
[2]	BONITA R，MENDIS S，TRUELSEN T，et al. The global stroke initiative[J]. Lancet Neurol，2004，3（7）：391-393. DOI：10.1016/s1474-4422(04)00800-2.
[3]	FEIGIN V L，FOROUZANFAR M H，KRISHNAMURTHI R，et al. Global and regional burden of stroke during 1990-2010：findings from the Global Burden of Disease Study 2010[J]. Lancet，2014，383（9913）：245-255. DOI：10.1016/S0140-6736(13)61953-4.
[4]	JIA Q，LIU L P，WANG Y J. Stroke in China[J]. Clin Exp Pharmacol Physiol，2010，37（2）：259-264. DOI：10.1111/j.1440-1681.2009.05290.x.
[5]	TSAI C F，ANDERSON N，THOMAS B，et al. Comparing risk factor profiles between intracerebral hemorrhage and ischemic stroke in Chinese and white populations：systematic review and meta-analysis[J]. PLoS One，2016，11（3）：e0151743. DOI：10.1371/journal.pone.0151743.
[6]	WATTANACHAYAKUL P，RUJIRACHUN P，UNGPRASERT P. Risk of stroke among patients with chronic rhinosinusitis：a systematic review and meta-analysis[J]. J Stroke Cerebrovasc Dis，2019，28（5）：1185-1191. DOI：10.1016/j.jstrokecerebrovasdis.2019.01.002.
[7]	GUO X F，LI Z，SUN G Z，et al. Comparison of four nontraditional lipid profiles in relation to ischemic stroke among hypertensive Chinese population[J]. Int J Cardiol，2015，201：123-125. DOI：10.1016/j.ijcard.2015.07.102.
[8]	DE LA RIVA P，ZUBIKARAI M，SARASQUETA C，et al. Nontraditional lipid variables predict recurrent brain ischemia in embolic stroke of undetermined source[J]. J Stroke Cerebrovasc Dis，2017，26（8）：1670-1677. DOI：10.1016/j.jstrokecerebrovasdis.2017.03.024.
[9]	LI N，ELASHOFF R M，LI G，et al. Joint modeling of longitudinal ordinal data and competing risks survival times and analysis of the NINDS rt-PA stroke trial[J]. Stat Med，2010，29（5）：546-557. DOI：10.1002/sim.3798.
[10]	毛倩，管佩霞，刘玉洁，等. 基于多变量纵向数据联合模型的血脂异常对脑卒中发病的影响研究[J]. 中国卫生统计，2022，39（2）：172-175. DOI：10.3969/j.issn.1002-3674.2022.02.003.
[11]	RIZOPOULOS D，GHOSH P. A Bayesian semiparametric multivariate joint model for multiple longitudinal outcomes and a time-to-event[J]. Stat Med，2011，30（12）：1366-1380. DOI：10.1002/sim.4205.
[12]	ERANGO M A. Bayesian joint modeling of longitudinal and survival time measurement of hypertension patients[J]. Risk Manag Healthc Policy，2020，13：73-81. DOI：10.2147/RMHP.S222425.
[13]	彭斌，刘鸣，崔丽英. 与时俱进的新指南——《中国急性缺血性脑卒中诊治指南2018》解读[J]. 中华神经科杂志，2018，51（9）：657-659. DOI：10.3760/cma.j.issn.1006-7876.2018.09.001.
[14]	KLEINDORFER D O，TOWFIGHI A，CHATURVEDI S，et al. 2021 guideline for the prevention of stroke in patients with stroke and transient ischemic attack：a guideline from the American heart association/American stroke association[J]. Stroke，2021，52（7）：e364-467. DOI：10.1161/STR.0000000000000375.
[15]	RIAZ B K，CHOWDHURY S H，KARIM M N，et al. Risk factors of hemorrhagic and ischemic stroke among hospitalized patients in Bangladesh—a case control study[J]. Bangladesh Med Res Counc Bull，2015，41（1）：29-34. DOI：10.3329/bmrcb.v41i1.30231.
[16]	EVANS C R，LONG D L，HOWARD G，et al. C-reactive protein and stroke risk in blacks and whites：the reasons for geographic and racial differences in stroke cohort[J]. Am Heart J，2019，217：94-100. DOI：10.1016/j.ahj.2019.08.003.
[17]	PEDUZZI P，CONCATO J，FEINSTEIN A R，et al. Importance of events per independent variable in proportional hazards regression analysis. II. Accuracy and precision of regression estimates[J]. J Clin Epidemiol，1995，48（12）：1503-1510. DOI：10.1016/0895-4356(95)00048-8.
[18]	ALVARES D，RUBIO F J. A tractable Bayesian joint model for longitudinal and survival data[J]. Stat Med，2021，40（19）：4213-4229. DOI：10.1002/sim.9024.
[19]	RIZOPOULOS D. The R Package JMbayes for fitting joint models for longitudinal and time-to-event data using MCMC[J]. Journal of Statistical Software，2016，72（7）. DOI：10.18637/jss.v072.i07.
[20]	谢纬华，余小金，戴品远，等. 老年人脉压变化与全因死亡关联的贝叶斯联合模型应用研究[J]. 中华疾病控制杂志，2021，25（1）：72-77. DOI：10.16462/j.cnki.zhjbkz.2021.01.014.
[21]	ALSEFRI M，SUDELL M，GARCÍA-FIÑANA M，et al. Bayesian joint modelling of longitudinal and time to event data：a methodological review[J]. BMC Med Res Methodol，2020，20（1）：94. DOI：10.1186/s12874-020-00976-2.
[22]	RIZOPOULOS D. Joint Models for Longitudinal and time-to-event data[M]. Montrouge：CRC Press，2012.
[23]	LIU F D，SHEN X L，ZHAO R，et al. Pulse pressure as an independent predictor of stroke：a systematic review and a meta-analysis[J]. Clin Res Cardiol，2016，105（8）：677-686. DOI：10.1007/s00392-016-0972-2.
[24]	BARTHELS D，DAS H. Current advances in ischemic stroke research and therapies[J]. Biochim Biophys Acta Mol Basis Dis，2020，1866（4）：165260. DOI：10.1016/j.bbadis.2018.09.012.
[25]	HAGBERG G，FURE B，SANDSET E C，et al. Long-term effects on survival after a 1-year multifactorial vascular risk factor intervention after stroke or TIA：secondary analysis of a randomized controlled trial，a 7-year follow-up study[J]. Vasc Health Risk Manag，2019，15：11-18. DOI：10.2147/VHRM.S191873.
[26]	PETERS S A，SINGHATEH Y，MACKAY D，et al. Total cholesterol as a risk factor for coronary heart disease and stroke in women compared with men：a systematic review and meta-analysis[J]. Atherosclerosis，2016，248：123-131. DOI：10.1016/j.atherosclerosis.2016.03.016.
[27]	YU H X，LI Y G，TAO L Y，et al. Trajectories of lipid profile and risk of carotid atherosclerosis progression：a longitudinal cohort study[J]. Nutrients，2022，14（15）：3243. DOI：10.3390/nu14153243.
[28]	DUNCAN M S，VASAN R S，XANTHAKIS V. Trajectories of blood lipid concentrations over the adult life course and risk of cardiovascular disease and all-cause mortality：observations from the Framingham study over 35 years[J]. J Am Heart Assoc，2019，8（11）：e011433. DOI：10.1161/JAHA.118.011433.
[29]	DAYIMU A，WANG C X，LI J B，et al. Trajectories of lipids profile and incident cardiovascular disease risk：a longitudinal cohort study[J]. J Am Heart Assoc，2019，8（21）：e013479. DOI：10.1161/JAHA.119.013479.
[30]	KOOHI F，AHMADI N，HADAEGH F，et al. Trajectories of cardiovascular disease risk and their association with the incidence of cardiovascular events over 18 years of follow-up：the Tehran Lipid and Glucose study[J]. J Transl Med，2021，19（1）：309. DOI：10.1186/s12967-021-02984-2.
[31]	李志强. 中老年人血脂水平及其变化值与脑卒中发生风险的关联性研究[D]. 武汉：华中科技大学，2019.
[32]	LEE J S，CHANG P Y，ZHANG Y，et al. Triglyceride and HDL-C dyslipidemia and risks of coronary heart disease and ischemic stroke by glycemic dysregulation status：the strong heart study[J]. Diabetes Care，2017，40（4）：529-537. DOI：10.2337/dc16-1958.
[33]	GU X Y，LI Y Z，CHEN S H，et al. Association of lipids with ischemic and hemorrhagic stroke：a prospective cohort study among 267 500 Chinese[J]. Stroke，2019，50（12）：3376-3384. DOI：10.1161/STROKEAHA.119.026402.
[34]	王毅. 中国农村45~75岁高血压人群血脂与脑卒中发生相关性研究[D]. 上海：复旦大学，2014.

组别	例数	TC（mmol/L）	TG（mmol/L）	LDL-C（mmol/L）	HDL-C（mmol/L）	BMI（kg/m²）	SBP（mm Hg）
非脑卒中组	164	4.5±0.9	1.9±1.1	1.6±0.6	2.8±0.7	24.2±1.8	124±15
脑卒中组	70	4.4±0.9	2.1±1.6	1.6±0.8	2.6±0.9	24.4±3.1	126±20
t值		0.352	-0.834	-0.037	1.619	-0.417	-1.037
P值		0.725	0.405	0.970	0.107	0.667	0.247

组别	例数	TC（mmol/L）	TG（mmol/L）	LDL-C（mmol/L）	HDL-C（mmol/L）	BMI（kg/m²）	SBP（mm Hg）
非脑卒中组	164	4.5±0.9	1.9±1.1	1.6±0.6	2.8±0.7	24.2±1.8	124±15
脑卒中组	70	4.4±0.9	2.1±1.6	1.6±0.8	2.6±0.9	24.4±3.1	126±20
t值		0.352	-0.834	-0.037	1.619	-0.417	-1.037
P值		0.725	0.405	0.970	0.107	0.667	0.247

变量	赋值
生存时间	实测值
TC	实测值
TG	实测值
LDL-C	实测值
HDL-C	实测值
BMI	实测值
SBP	实测值
脑卒中情况	未发生=0，发生=1

变量	赋值
生存时间	实测值
TC	实测值
TG	实测值
LDL-C	实测值
HDL-C	实测值
BMI	实测值
SBP	实测值
脑卒中情况	未发生=0，发生=1

变量	β	SE	HR（95%CI）	Wald χ²值	P值
TC	-0.088	0.182	0.916（0.642，1.308）	0.233	0.629
TG	0.133	0.108	1.143（0.924，1.413）	1.511	0.219
LDL-C	-0.026	0.192	0.975（0.669，1.419）	0.018	0.893
HDL-C	-0.403	0.210	0.668（0.442，1.009）	3.676	0.055
BMI	0.065	0.063	1.067（0.942，1.208）	1.043	0.307
SBP	0.014	0.008	1.014（0.999，1.029）	3.387	0.066

基于贝叶斯多变量联合模型的体检人群脑卒中发病风险因素的纵向研究

Longitudinal Study on the Risk Factors of Stroke in Check-up Population Based on Bayesian Multivariate Joint Model

RichHTML

PDF

PDF (英文版)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 34

相关文章 15

编辑推荐

Metrics

留言

参数		β	SD	SE	P值	HR（95%CI）
纵向子模型
	β_TC	-0.009	0.018	—	0.612	—
	σ_TC	0.991	0.020	—	<0.001	—
	β_TG	-0.011	0.016	—	0.534	—
	σ_TG	1.020	0.021	—	<0.001	—
	β_LDL-C	0.014	0.012	—	0.248	—
	σ_LDL-C	0.800	0.016	—	<0.001	—
	β_HDL-C	-0.096	0.012	—	<0.001	—
	σ_HDL-C	0.865	0.017	—	<0.001	—
	β_BMI	0.041	0.023	—	0.088	—
	σ_BMI	1.564	0.032	—	<0.001	—
	β_SBP	0.469	0.181	—	0.014	—
	σ_SBP	11.928	0.239	—	<0.001	—
生存子模型
	TC	-0.679	0.760	0.024	0.368	0.507（0.127，2.237）
	TG	0.622	0.305	0.008	0.042	1.863（1.018，3.294）
	LDL-C	0.298	0.233	0.040	0.046	1.347（1.045，1.863）
	HDL-C	-1.527	1.146	0.036	0.140	0.217（0.017，1.486）
	BMI	0.186	0.114	0.004	0.082	1.204（0.969，1.528）
	SBP	-0.021	0.018	<0.001	0.206	0.979（0.944，1.010）

[1]	冉东升, 逯艳艳, 辛春玲, 马颖才. 血脂异常与结直肠锯齿状病变、结直肠癌相关性研究进展[J]. 中国全科医学, 2024, 27(12): 1424-1430.
[2]	金梦龙, 秦晓英, 马力亚·阿米提, 加孜呢·努尔拜, 李建新, 曹杰, 罗思富, 刘成, 张雨晨, 盖敏涛, 李艳鹏, 鲁向锋, 付真彦. 新疆哈萨克族血脂异常、高血压和糖尿病共病现状及影响因素研究[J]. 中国全科医学, 2024, 27(12): 1438-1444.
[3]	尚金梦, 邓笑伟. 体检人群保留比值受损肺功能的特点及危险因素分析[J]. 中国全科医学, 2024, 27(11): 1331-1336.
[4]	谢翼, 徐俊马, 胥方琴, 俪超, 陈辰, 邵婵. 肌少症指数对老年急性缺血性脑卒中患者预后的预测价值研究[J]. 中国全科医学, 2024, 27(11): 1326-1330.
[5]	高川, 李庆印, 柯丹丹, 周俞余, 张宇扬, 何仲. 中国≥45岁人群健康体检服务利用情况：一项基于CHARLS 2018的全国横断面调查[J]. 中国全科医学, 2024, 27(10): 1179-1185.
[6]	王雪婷, 蒋祎. 1990—2019年金砖国家慢性阻塞性肺疾病疾病负担研究[J]. 中国全科医学, 2024, 27(09): 1118-1125.
[7]	韩俊杰, 武迪, 陈志胜, 肖扬, 森干. 2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究[J]. 中国全科医学, 2024, 27(09): 1054-1061.
[8]	王晓萱, 张振香, 赵志欣, 江湖, 王佳佳, 林蓓蕾, 王文娜, 陈素艳. 卒中后疲劳患者疲劳体验质性研究的Meta整合[J]. 中国全科医学, 2024, 27(09): 1134-1141.
[9]	袁媛, 张亚荣, 李振刚, 张莉. 俯卧位通气相关面部压力性损伤危险因素分析及最佳建模方法选择[J]. 中国全科医学, 2024, 27(08): 948-954.
[10]	陈玟瑾, 陈飘盈, 杨晓华, 陈轶凡, 蔡业峰, 倪小佳. 膳食模式与脑血管疾病相关的流行病学研究新进展[J]. 中国全科医学, 2024, 27(08): 900-907.
[11]	赵媛, 刘尚红, 张延芳, 马立旭, 李红, 李小花, 田园, 郭忠琴, 梁沛枫. 脑卒中住院患者性别、年龄及时空分布特征：基于宁夏地区19万例患者数据[J]. 中国全科医学, 2024, 27(08): 915-920.
[12]	高歌, 张鑫越, 冯玉华, 窦婧予, 吴雪莹, 程根阳. 激素治疗慢性肾脏病进展高风险IgA肾病患者的预后分析——一项回顾性研究[J]. 中国全科医学, 2024, 27(06): 692-698.
[13]	陈倩倩, 芮法娟, 倪文婧, 李婕. 原发性肝癌的流行病学及其危险因素研究进展[J]. 中国全科医学, 2024, 27(06): 637-642.
[14]	袁仙仙, 李静, 王佳, 张可欣, 杨蕊华, 郑薇, 李光辉. 妊娠期血脂异常患病率及妊娠早期血脂水平预测价值研究[J]. 中国全科医学, 2024, 27(06): 670-678.
[15]	董雯迪, 杨佳妮, 朱婕, 全玉杰, 张金晶, 刘妍, 张海蓉. 肝硬化门静脉血栓形成患者并发消化道出血的相关因素研究[J]. 中国全科医学, 2024, 27(05): 552-556.