利用面板数据模型研究血脂对血压的影响

目的 利用面板数据模型,探讨血脂四项指标对血压的影响。 方法 收集社区居民连续5年的血脂、血压及身高、体重、腰围等体检数据,建立以血压为因变量,以血脂四项指标为自变量,以BMI和腰围为控制变量的面板数据模型,分析血脂水平变化对血压的影响。 结果 单因素模型中,影响收缩压的有甘油三酯、低密度脂蛋白;影响舒张压的有总胆固醇、甘油三酯、低密度脂蛋白。多因素模型中,影响收缩压的有高密度脂蛋白与低密度脂蛋白,影响舒张压的是低密度脂蛋白与甘油三酯,总胆固醇未能进入两个方程。 结论 血脂四项中,总胆固醇不能影响血压,甘油三酯增高会导致舒张压上升,高密度脂蛋白增高会降低收缩压,低密度脂蛋白增高会导致收缩压与舒张压的上升。居民膳食指南中,对于胆固醇的摄入,作出不再受限制的简单的建议是不够的,应该综合当前的研究结果,对脂肪的摄入提出更精准的推荐。     

基于互联网的自我管理干预模式对高血压患者膳食情况的影响

目的 构建“互联网+”自我管理平台,评价“互联网+”自我管理平台干预模式对高血压患者膳食情况的影响效果。 方法 于2016年4月－2016年10月在广州市番禺区A、B、C三个居委招募的高血压病例106例,随机分为试验组和对照组,各53例,试验组接受基于互联网的社区高血压自我管理干预模式,对照组接受常规自我管理干预模式,干预时间均为6个月,对试验组和对照组进行膳食评估及血压测量,用SPSS 21.0分析两组高血压患者干预前后膳食摄入的差异。 结果 干预前试验组和对照组的主要食物的每日实际摄入量和主要营养素摄入量比较差异无统计学意义(P>0.05)。试验组干预后盐、谷薯类的实际摄入量分别减少1.44、103.54 g,钙的实际摄入量比干预前增多,禽畜水产品、钠、胆固醇的实际摄入量比干预前降低,差异均有统计学意义(P＜0.05);对照组干预后维生素C的摄入量降低,差异有统计学意义(P＜0.05),其余能量及营养素的实际摄入量干预前后差异均无统计学意义(P＞0.05);干预后试验组的盐、油、谷薯类、禽畜肉类的实际摄入量比对照组较少;蔬菜类、蛋类、水果类、奶及奶制品的实际摄入量较对照组多,差异有统计学意义(P＜0.05);干预后试验组患者的钙、磷、钾、维生素A、维生素B1、维生素B2、维生素C的实际摄入量均比对照组多,钠的摄入量比对照组少,差异有统计学意义(P＜0.05)。 结论 “互联网+”自我管理膳食干预模式对调整高血压患者的膳食结构、防治高血压、改善患者的健康具有积极意义,是一项高血压防治的新举措。     

广州市大学生HPV疫苗的接种意愿及影响因素分析

目的 调查广州市大学生对人乳头瘤病毒（human papillomavirus,HPV）疫苗的认知、接种意愿及影响因素,为HPV疫苗在大学生群体中的推广提供理论依据和建议。方法 采用整群抽样对广州市5所高校1 244名大学生进行问卷调查。结果 大学生HPV疫苗的接种率为3.9%,49.4%（615/1 244）表示愿意接种HPV疫苗,50.6%（629/1 244）表示不愿意接种;大学生中听说过HPV、HPV疫苗及知道HPV疫苗上市分别有51.1%、45.1%、23.9%,对HPV知识的得分情况为0~分、3~分、>6分分别占52.5%、23.8%、23.7%;大学生性行为发生率为6.4%（80/1 244）,有2个以上危险性行为因素的大学生占32.5%（26/80）,HPV感染高风险人群和低风险人群的接种意愿之间无明显差异。多因素Logistic回归分析显示,女性（OR=3.617,95%CI:2.721~4.806,P<0.001）、医药类专业学生（OR=1.601,95%CI:1.181~2.171,P=0.002）、有肿瘤家族史（OR=2.264,95%CI:1.002~5.115,P=0.049）、听说过HPV疫苗（OR=1.683,95%CI:1.219~2.324,P=0.002）、知道HPV疫苗上市（OR=1.469,95%CI:1.034~2.086,P=0.032）、对HPV认知得分高（OR=2.674,95%CI:1.854~3.856,P<0.001）的学生的接种意愿高。结论 大学生对HPV的认知尚匮乏,接种意愿不高,应加强HPV相关知识和性安全的宣传教育,提升大学生健康意识。     

糖尿病与痛风发病的竞争风险研究

目的 探讨糖尿病与痛风发病风险随年龄变化的趋势,以及一种疾病先发病对另一种发生的影响。 方法 采取分层整群抽样方法,抽取35岁及以上户籍常住居民14 752人,采用面对面调查及调阅健康档案建立糖尿病、痛风发生的历史性队列。采用具有竞争风险的多状态Markov模型来估计糖尿病和痛风在不同年龄下、不同状态下的经验发病风险。采用参数法,利用6种常见的发病风险函数,对经验发病风险数据拟合分布曲线,并从中选择最合适的分布曲线。 结果 logistic分布为最合适的发病风险分布曲线。人群从健康到患糖尿病、健康到患痛风、患糖尿病到同时患有糖尿病和痛风、患痛风到同时患有糖尿病和痛风的累积发病率分别为0.314 8、0.163 9、0.172 8、0.420 4。人群从健康到患糖尿病、健康到患痛风、患糖尿病到同时患有糖尿病和痛风、患痛风到同时患有糖尿病和痛风的瞬时发病率的最大值时的年龄分别为70.8、79.0、60.4、68.1岁。 结论 糖尿病与痛风互为危险因素。痛风和糖尿病将对方发病率发峰值提前10年,发病曲线更高、更陡。样本年龄范围以及年龄构成比的差异,可能是导致目前研究结论不一致的重要原因。在研究慢性病相互作用时,应进一步探讨样本年龄对结果的影响。