文章题目：在美国全国人口中，暴露于BTEX与心血管疾病、血脂异常和白细胞增多有关研究目的：关于血液样本中单个苯、甲苯、乙苯和二甲苯(BTEX)及其混合物对普通人群心血管疾病(CVD)和相关危险因素影响的综合研究有限。本研究旨在探讨血液中单独和混合BTEX对总CVD及其亚型、脂质谱和白细胞计数的影响。数据来源：1999-2018年NHANES中17007名参与者。方法：采用调查加权多因素logistic回归分析了1999-2018年NHANES中17007名参与者的血液个体和混合BTEX与CVD及其亚型之间的关系。采用加权分位数和模型和分位数g计算估计BTEX混合物对CVD的综合影响。加权多元线性回归评估BTEX对脂质谱和白细胞的影响，包括其五部分差异计数。结果：与BTEX混合物的参考四分位数相比，最高四分位数的个体心血管疾病风险的调整优势比显著增加(1.64,95% CI: 1.23 ~ 2.19, P为趋势= 0.008)。苯、甲苯、乙苯和间/对二甲苯呈正相关，呈现单调递增的暴露-反应关系。混合BTEX与充血性心力衰竭(CHF)、心绞痛和心脏病发作有关。个别苯、甲苯和乙苯与CHF有关，而甲苯、乙苯和所有二甲苯异构体与心绞痛有关。苯、甲苯和邻二甲苯与心脏病发作有关。混合BTEX和单独BTEX均与甘油三酯、胆固醇、低密度脂蛋白和白细胞(包括其五分差计数)呈正相关，但与高密度脂蛋白呈负相关。亚组分析确定了吸烟、饮酒、运动、身体质量指数、高血压和糖尿病对特定毒物与心血管疾病风险之间关系的调节作用。结论：暴露于BTEX与心血管疾病和心血管危险因素相关。这些发现强调了在评估心血管健康风险时考虑血液BTEX水平的重要性。诺维之舟AI公众号回复'gweb'，获取诺维之舟AI地址  在此研究中，数据分析的主要步骤包括：
1.数据来源：本研究的数据来自1999-2018年的NHANES，包含17007名参与者的信息。 2.数据预处理：可能会包括控制缺失值、异常值以及数据的标准化。 3.数据分析方法：使用多因素logistic回归来分析BTEX与CVD及其亚型之间的关系，并采用加权分位数模型和分位数g计算估计BTEX混合物对CVD的综合影响。此外，还使用加权多元线性回归评估BTEX对脂质谱和白细胞的影响。
以下是相关的Python代码实现： import pandas as pd
from sklearn.linear_model import LogisticRegression
from statsmodels.regression.quantile_regression import QuantReg
# 加载数据
data = pd.read_csv('your_data.csv')
# 数据预处理
data = data.dropna() #删除缺失值
# 多因素logistic回归
logistic_model = LogisticRegression()
X = data[['BTEX_individual', 'BTEX_mixture']]
y = data['CVD']
logistic_model.fit(X, y)
# 加权分位数模型
weights = data['weights']
qr = QuantReg(y, X)
result = qr.fit(q=0.5, weights=weights)
# 多元线性回归
from sklearn.linear_model import LinearRegression
linear_model = LinearRegression()
X = data[['BTEX']]
y = data[['lipid_spectrum', 'leukocytes']]
linear_model.fit(X, y)
以上代码的运行需要在一个Python环境下进行，并需要你具备相关依赖库如pandas，sklearn和statsmodels。具体的实现可能会根据数据的实际情况有所不同，例如在数据预处理阶段，你可能需要对数据进行更详细的清洗和标准化。  上述内容用R实现，关键指标保存并可视化。
在你的提问中，你希望将上述Python代码转化为R代码，并进行关键指标的保存和可视化。以下是具体的R代码实现:# 导入相关包
library(tidyverse)
library(glm2)
# 加载数据
data <- read.csv('your_data.csv')
# 数据预处理
data <- data %>% drop_na()
# 多因素logistic回归
model1 <- glm(CVD ~ BTEX_individual BTEX_mixture, data = data, family = binomial())
summary(model1)
# 加权分位数模型
library(quantreg)
rq <- rq(CVD ~ BTEX_individual BTEX_mixture, weights = weights, tau = 0.5, data = data)
summary(rq)
# 多元线性回归
model2 <- lm(cbind(lipid_spectrum, leukocytes) ~ BTEX, data = data)
summary(model2)
# 保存模型结果
write.csv(summary(model1)$coefficients, 'logistic_model.csv')
write.csv(summary(rq)$coefficients, 'quantile_model.csv')
write.csv(summary(model2)$coefficients, 'linear_model.csv')
# 创建可视化
par(mfrow=c(2,2))
plot(model1)
title('Logistic Model')
plot(rq)
title('Quantile Regression Model')
plot(model2)
title('Linear Model')
# 保存图像
dev.copy(png,'Logistic_Model.png')
dev.off()
dev.copy(png,'Quantile_Regression_Model.png')
dev.off()
dev.copy(png,'Linear_Model.png')
dev.off()
|
