饮食活微生物摄入与美国中老年卒中幸存者的全因死亡率和心血管死亡率的关联：NHANES 2003-2018的前瞻性队列研究 - 硒与微生态

摘要

目的

饮食活微生物摄入(DLMI)与卒中患者全因死亡率(ACM)和心血管死亡率(CVM)之间的关系尚不明确。本研究考察了DLMI与卒中患者ACM和CVM的关联。

方法

本研究对公开可用的固定周期美国国家健康和营养检查调查(NHANES)数据集进行了二次分析。因此，未预先进行样本量计算。所有2003-2018调查周期中年龄≥40岁且数据完整的参与者作为分析样本。卒中病史基于自我报告，未进一步指定亚型(缺血性与出血性)。参与者随访至2019年12月31日，中位随访时间为6.0年。DLMI基于单次24小时膳食回顾进行估算，并根据富含活微生物食物的消费情况分为低、中、高摄入类别，作为饮食模式的指标。采用Cox模型、分层分析和敏感性分析来确定DLMI与卒中患者ACM和CVM的关联。

结果

本研究包括1,313名卒中患者，其中539人经历了ACM，209人经历了CVM。在Cox模型中，与低DLMI相比，高DLMI的ACM发生率较低[模型1：HR=0.63 (95%CI: 0.44-0.91, p=0.013)；模型2：HR=0.61 (95%CI: 0.44-0.84, p=0.003)；模型3：HR=0.63 (95%CI: 0.46-0.88, p=0.007)]。然而，高DLMI与CVM之间未观察到显著关联。亚组分析和敏感性分析普遍支持这些结果的稳健性。

结论

在本研究中，较高的DLMI与卒中幸存者较低的ACM风险相关。这些探索性发现表明DLMI可作为进一步调查卒中患者饮食干预策略的候选因素。未来需要前瞻性研究来确定其作用和最佳实施方式。

引言

卒中是导致死亡和残疾的主要原因，对全球人口构成重大威胁。根据2021年全球疾病负担(GBD)研究，全球卒中病例超过6,994万例，发病率为92.4/10万，死亡率为44.2/10万。根据2022年行为危险因素监测系统(BRFSS)数据，美国成年人卒中患病率为3.4%(中位数)，波多黎各和南达科他州最低(分别为1.8%和2.1%)，阿肯色州最高(4.8%)。2020年，中国≥40岁人群的卒中年龄标化患病率、发病率和死亡率分别为2.6%、505.2/10万和343.4/10万。已知的卒中危险因素包括吸烟、肥胖、糖尿病、血脂异常、高血压、缺乏体力活动和不健康饮食。积极干预这些指标对于降低卒中发病率和死亡率至关重要。除了这些已确定的因素外，新兴证据强调了饮食和生活方式因素(包括咖啡因摄入、整体饮食模式、社会经济地位和系统性炎症)在影响卒中风险和卒后结局方面的重要作用。

肠-脑轴日益受到关注。有益的饮食活微生物摄入(DLMI)有助于维持健康的肠道微生物群，可发挥免疫调节作用，缓解心血管疾病(CVDs)，并影响神经心理活动。不健康的饮食模式，如高脂肪、高热量的西方饮食，会促进动脉粥样硬化并增加卒中风险，而富含水果、坚果、蔬菜、全谷物和橄榄油的地中海饮食则有益于内皮功能并维持心血管健康。饮食活微生物具有代谢活性，通过食物摄入，主要包括益生菌、发酵食品中的微生物和某些未经巴氏杀菌食品中的共生细菌。研究表明，向肥胖小鼠注射益生菌可以逆转肠道菌群失调和炎症反应。益生菌通过调节肠道微生物群来维持健康并改善各种疾病。然而，DLMI与卒中人群中ACM和CVM的关系尚不清楚。因此，本研究基于美国国家健康和营养检查调查(NHANES)数据库分析了DLMI与卒中后死亡风险的关联。

方法

研究人群与伦理

NHANES旨在调查美国人的健康和营养状况。它每年收集约5,000名美国人的综合数据，包括人口统计信息、社会经济状况、饮食模式和整体健康状况。数据通过访谈和体格检查收集，包括生理评估和实验室测试。NHANES方案经国家健康统计中心伦理审查委员会批准，所有参与者均提供书面知情同意。

本研究纳入了2003-2018年NHANES的80,312名参与者。我们排除了40岁以下的参与者(50,731人)和未经历过卒中的参与者(27,846人)。此外，在排除了缺少膳食数据的个体后，我们进一步排除了其他协变量数据缺失的个体(422人)。最终，纳入了1,313名参与者。整个选择过程如图1所示。

DLMI及其分类

使用24小时膳食回顾数据评估DLMI及其分类。采用标准化方法收集数据，参与者提供过去24小时内消耗的所有食物和饮料的详细报告。训练有素的访问员使用自动数据录入系统记录每个项目的详细信息，确保数据的全面性和准确性。为准确量化食物中的活微生物(菌落形成单位/克，CFU/g)，研究团队聘请了四位在微生物学和食品科学领域的专家(MLM、MES、RH、CH)，他们拥有相关领域的高级学位和丰富的研究经验。他们的主要任务是评估9,388个食物条目，并根据Marco等人建立的分类框架和CFU/g截断值将其分为三组：(1)低(<10⁴ CFU/g)：主要包括巴氏杀菌食品和其他微生物含量低的食品。(2)中(10⁴-10⁷ CFU/g)：包括微生物含量中等的食品，如未去皮的新鲜水果和蔬菜。(3)高(>10⁷ CFU/g)：包括未经巴氏杀菌的发酵食品(酸奶和泡菜)和益生菌补充剂。分类过程采用了共识验证方法，包括重复评估、交叉参考外部微生物数据库以及在数据不确定时咨询外部专家(Fred Breidt，农业研究服务部)，以确保分类的可靠性和一致性。根据Sanders等人的验证方法，基于24小时饮食中的总DLMI将人群分为三组：(1)低摄入组：仅食用微生物含量低的食物；(2)中摄入组：食用微生物含量中等的食物，但不含微生物含量高的食物；(3)高摄入组：至少食用一种微生物含量高的食物。此分类反映了单次24小时回顾日的膳食摄入情况。本研究专家评估得出的NHANES食物代码与DLMI类别的完整映射见补充文件S1和S2，以确保可重复性。

关于DLMI变量的解释说明至关重要：本研究中的DLMI类别基于单次24小时膳食回顾得出。因此，此测量值应主要解释为实用的行为指标，反映通常富含活微生物的食物的饮食模式，而非对摄入微生物剂量的精确量化。虽然它作为此类食物习惯性消费的人群水平标志物，但必须注意其在评估确切微生物暴露方面的固有限制。这一澄清对于将我们的研究结果解释与方法学方法保持一致至关重要。

诊断

卒中通过自我报告的医疗诊断确定。对以下任一问题回答"是"的参与者被诊断为卒中："医生或健康专业人员是否曾告知您在什么年龄被诊断为卒中？"、"您是否曾被告知患有卒中？"

结局确定

ACM基于2019年12月31日前的国家死亡指数记录确定，该记录与NHANES数据集相关联。CVM通过ICD-10代码I00-I09、I11、I13、I60-I69和I20-I51定义。

协变量

基于先前报告和生物学因素，收集了已知的卒中混杂因素。通过问卷和访谈记录人口统计学特征(年龄、性别、婚姻状况、种族)、教育水平、吸烟、饮酒、体重指数(BMI)、心血管疾病、卒中二级预防药物(降脂药物、抗血小板药物、抗凝药物和降压药物)、高血压和糖尿病状况。

BMI通过移动筛查中心的体格检查获得。相关定义的详细信息如下：种族/民族包括非西班牙裔白人、非西班牙裔黑人、墨西哥裔美国人和其他人种。教育程度包括高中以下、高中和高中以上。曾经吸食超过100支香烟者被视为吸烟者，无论其在访谈时是否已戒烟。在过去一年中饮用超过12杯酒精饮料者被视为饮酒者。婚姻状况分为三类：未婚、丧偶/离异/分居和已婚/同居。BMI = 体重(千克)/身高平方(米²)，广泛用于估计超重/肥胖状况。胸痛或不适定义为：是否曾有过任何胸痛或不适？高血压确定为收缩压≥140 mmHg或舒张压≥90 mmHg，自我报告的高血压病史，或服用降压药物。血压由经验丰富的临床医生在标准化程序下测量，使用水银血压计记录每30秒一次的三次连续读数。所有三次读数的平均值作为结果。糖尿病通过先前医疗诊断、糖化血红蛋白(HbA1c)≥6.5%(47.5 mmol/mol)、空腹血浆葡萄糖(FPG)≥126 mg/dL(7.0 mmol/L)或口服葡萄糖耐量试验(OGTT)中2小时血浆葡萄糖≥200 mg/dL(11.1 mmol/L)来确认。糖尿病前期定义为FPG水平100至125 mg/dL，OGTT后2小时血糖水平140至199 mg/dL，或HbA1c水平5.7%至6.4%或6.0%至6.4%。

统计分析

由于NHANES采用了复杂的多阶段概率抽样设计，所有分析都通过应用膳食第一天样本权重并结合分层(SDMVSTRA)和聚类(SDMVPSU)变量，使用R中的survey包来考虑这一设计。分类变量表示为未加权计数和加权百分比，而连续变量描述为中位数和四分位距(IQRs)。使用Rao-Scott卡方检验(二阶校正)进行分类变量的组间比较，使用Wilcoxon秩和检验进行连续变量的比较。

为避免多重共线性，本研究使用方差膨胀因子(VIF)进行测试。结果表明，所有变量的VIF值均小于5，表明无明显共线性。随后，构建了多变量Cox模型，计算风险比(HR)和95%置信区间(CI)。此外，采用Schoenfeld残差检验来验证假设。

首先，建立了一个未经变量调整的粗略模型1。对于模型2，控制了人口统计学变量(性别、年龄和种族)。对于模型3，我们控制了所有变量，包括人口统计学变量、BMI、婚姻状况、教育、吸烟、饮酒、胸痛或不适以及卒中二级预防药物。鉴于对两个主要结局(ACM和CVM)的检验，承认了多重比较问题。结果重点关注预先指定的主要结局ACM，而CVM的结果应视为探索性。

为评估结果的稳健性，进行了两项敏感性分析。首先，使用未加权数据集重复主要分析过程，从而确认DLMI与ACM和CVM的关联。其次，排除了随访2年内死亡的参与者，以排除潜在的反向因果关系(即严重既往疾病可能同时影响饮食和短期死亡率)，并再次验证关联。双侧p<0.05被视为显著。所有分析均使用R(4.5.0)进行。

结果

基线特征

最终纳入了1,313名年龄≥40岁的卒中患者。在随访期间，539名患者死亡，其中209名死于心血管疾病。人群平均年龄为68岁，女性占55.24%。在年龄、种族、教育水平、吸烟和ACM方面未观察到显著差异(p<0.05)(表1)。

DLMI与死亡率的关联

Cox回归模型1、2和3(表2)均显示，与低DLMI相比，高DLMI与ACM显著呈负相关[模型1：HR(95%CI)=0.63(0.44-0.91，p=0.013)；模型2：0.61(0.44-0.84，p=0.003)；模型3：0.63(0.46-0.88，p=0.007)]；然而，DLMI与CVM无显著关联(p>0.05)。

亚组分析

与低DLMI相比，高DLMI与男性、非西班牙裔白人、离异或丧偶参与者、BMI在25-30之间的参与者、高中以上教育水平的参与者、无胸痛或不适的参与者、无糖尿病的参与者、有高血压病史的参与者以及使用药物的参与者的ACM显著呈负相关(p<0.05)。在探索性分析中，交互作用检验表明与婚姻状况存在显著交互作用(p交互=0.047)，而其余因素未观察到交互作用(表3)。这些亚组发现应谨慎解释，因为它们是探索性的，可能受多重比较和某些分层中有限能力的影响。

敏感性分析

在Cox回归模型(表S1)中，与低DLMI相比，高DLMI与ACM在统计学上显著呈负相关[模型1：0.63(0.41-0.95，p=0.028)；模型2：0.60(0.41-0.87，p=0.007)；模型3：0.61(0.42-0.88，p=0.009)]。然而，DLMI与CVM无显著关联(p>0.05)。

对所有数据应用未加权Cox回归模型(表S2)。敏感性分析显示一致结果，表明与低DLMI相比，高DLMI与ACM强烈呈负相关[模型1：0.71(0.54-0.94，p=0.017)；模型2：0.66(0.50-0.88，p=0.004)；模型3：0.66(0.50-0.89，p=0.005)]。然而，DLMI与CVM无统计学关联(p>0.05)。

值得注意的是，在解释这些敏感性分析和主要发现时，应承认对两个主要结局(ACM和CVM)的检验。因此，所有模型中观察到的ACM的一致且显著关联是我们结论的主要重点，而CVM的非显著发现应视为探索性。这种方法强调对个别结果的谨慎解释，并在未来研究中进行验证。

讨论

在对1,313名有卒中病史的NHANES参与者的分析中，我们观察到较高的DLMI与较低的ACM风险显著相关。这种关联在敏感性分析和分层分析中保持稳健。值得注意的是，即使在排除随访前两年内死亡的情况下，这种关联仍然存在，这是一个关键分析，减轻了对反向因果关系的担忧。据我们所知，这是首个报告DLMI与卒中人群死亡风险之间关联的大规模研究。这些发现表明，富含活微生物的饮食成分(如益生菌和发酵食品)可能成为卒中后营养管理进一步研究的相关焦点。

我们的发现丰富了对可改变因素(特别是饮食)在卒中结局中作用的已有认识。饮食模式在卒中预后中已被认可。例如，地中海饮食与降低风险相关，而西方饮食模式可能增加风险。在此背景下，我们的研究强调了一个特定的、可量化的饮食成分——活微生物摄入——值得在卒中幸存者中进一步研究。

所观察到的关联可能在肠道-脑轴框架内理解，以及肠道微生物群在全身健康中的作用。一般人群的研究表明，较高的DLMI与健康益处相关。从机制上讲，饮食活微生物(主要是益生菌)可能支持肠道屏障功能、粘膜免疫和组织修复，如实验模型所示。关于我们在卒中幸存者中的具体发现，一种可能的解释是DLMI可能通过调节肠道微生物群影响卒中后预后，可能减少全身炎症并改善代谢状态。然而，这仍是一种假设，需要直接测试。此外，应考虑潜在的残余混杂作为我们发现的另一种解释。在24小时回顾中食用富含活微生物食物(如酸奶、发酵蔬菜)的个体可能与那些不食用的人存在系统性差异，超出我们可以测量和调整的因素。他们可能更可能遵循整体更健康的饮食模式，进行更多的体力活动，获得更好的医疗保健，或表现出其他健康意识行为，这些共同促成了改善的生存率。尽管我们调整了人口统计学、社会经济和临床变量范围，但这种更广泛的"健康用户"或"健康生活方式"特征中未测量或测量不完善的方面可能是观察到关联的真正驱动因素，而非DLMI。营养观察研究的这一固有限制强调了对结果的谨慎解释。因此，DLMI应解释为有益饮食模式的标志，而非微生物暴露的具体测量。未来研究应收集更详细的行为数据或采用随机设计，以分离饮食活微生物的特定效果。

总之，我们的研究表明，富含活性微生物的饮食可能适用于卒中的长期管理。该策略调整饮食模式以增加DLMI，并考虑对肠道微生物组、心理因素和整体健康的总体影响。将推荐富含微生物饮食的教育和营养策略整合到卒中护理中可能是有益的，因为它们有可能改善治疗结果和患者预后。

我们的研究具有多项优势。首先，它从NHANES数据库中纳入了大量样本，提高了结果的可靠性和普适性。其次，本研究首次检验了DLMI与卒中死亡结局的关联。第三，通过结合多个混杂因素提高了模型准确性。在未调整模型以及模型2和模型3中均观察到一致结果。

尽管有这些优势，但仍应注意几项局限性。首先，残余混杂仍然是主要关注点。与健康意识特征相关的未测量生活方式和社会经济因素(如饮食质量、健康素养、医疗保健获取)在高DLMI组中聚集。因此，观察到的关联可能反映了这些有利因素，而非活微生物摄入本身。其次，暴露和结局测量都存在固有限制。DLMI基于单次24小时回顾估算，可能无法代表习惯性摄入，并依赖于文献中的CFU估计而非直接食物测量。非差异性错误分类可能使结果偏向于无效。此外，卒中病史是自我报告的，没有关于亚型、严重程度和慢性病的数据，这进一步限制了临床可解释性。第三，CVM的定义应谨慎解释。我们使用了包含致命性卒中(I60-I69)的复合终点。由此产生的病理生理异质性可能削弱观察到的关联。结合有限的事件数量，这降低了统计能力。因此，CVM的无效发现应谨慎解释。第四，亚组分析是探索性的。与婚姻状况的显著交互作用(p=0.047)表明社会决定因素可能具有调节作用。未来需要纳入详细心理社会评估的研究来确认这一发现。未来研究应在不同人群中复制这些发现，采用更精确的暴露评估，并探索饮食模式、心理社会因素和高危人群心血管健康之间的相互作用。