《Measurement: Interdisciplinary Research and Perspectives》：Validating the Chronic Stress Indicator: A Data-Driven Framework for Integrating Physiological and Socio-Behavioral Measures
编辑推荐：
本文针对慢性应激测量不统一、不全面的问题，提出并验证了一种整合生理、社会经济与行为指标的数据驱动框架——慢性应激指标（CSI）。研究通过优化生物标志物选择、应用统计加权方法，提升了模型对短期应激结局的预测性能，为精准识别高危人群、制定干预措施提供了有力工具，对公共卫生实践具有重要价值。
在快节奏的现代社会，压力无处不在。长期持续的压力，即慢性应激，并非仅仅是精神上的疲惫，它会在身体里悄然累积，导致心血管、代谢、免疫系统等一系列生理功能的失调，这种累积性的生理负担在学术上被称为稳态应变负荷。慢性应激被认为是心血管疾病、糖尿病和精神健康障碍的重要推手。然而，一个根本性的难题长期困扰着科研人员和公共卫生工作者：我们该如何准确、一致地测量这种看不见摸不着却又危害巨大的“压力”？现有的测量方法五花八门，从选择的生物标志物到汇总方式都缺乏统一标准，这使得不同研究之间难以比较，也限制了我们在人群层面识别高危个体、进而设计有效干预措施的能力。
针对这一核心痛点，一项名为“验证慢性应激指标：整合生理与社会行为指标的数据驱动框架”的研究应运而生，并发表于《Measurement: Interdisciplinary Research and Perspectives》。该研究旨在对先前提出的慢性应激指标（CSI）进行精炼、验证和比较。CSI的创新之处在于，它不再局限于传统的生理生物标志物，而是构建了一个多维度的综合指标，将生理指标与社会经济、行为因素整合在一起，以期更全面地量化慢性应激。为了验证和优化这一工具，研究人员利用了一项具有全国代表性的美国成年人（年龄34-84岁）健康调查数据——MIDUS II生物标志物项目的数据。
本研究主要采用了几个关键技术方法：首先，研究严格遵循了综合指标构建的标准化框架，包括指标定义、选择、数据标准化、加权和聚合。其次，为优化指标，研究应用了先进的统计技术，包括Boruta特征选择算法（一种基于随机森林的包装式特征选择方法）和因子分析，以确定最重要的变量并分配统计权重。再者，研究利用MIDUS II队列的丰富数据，将构建的CSI和传统的稳态应变负荷（AL）指数，与多个验证指标（如感知压力量表、生活满意度量表、终生症状与慢性病数量）进行关联分析，以评估其预测效能。最后，研究进行了系统的敏感性分析，通过比较不同的数据标准化方法、缺失数据处理策略（如完整个案分析与多重插补）和异常值处理方式，来评估所构建指标的稳健性和可靠性。
研究结果
可靠性结果
研究评估了不同CSI和AL构建的内部一致性。结果显示，通过自动统计特征选择构建的CSIAUTO模型具有最高的信度（ω = 0.45）。这表明其子指标在测量“慢性应激”这一潜在构念时表现出较好的一致性。
验证结果
研究人员通过线性回归模型，评估了各种CSI和AL构建对短期和长期应激相关结局的预测能力。
- •
对于感知压力：表现最佳的模型是AL5.q.FA和AL5.q.FA_SCORES，它们仅包含5个健康生物标志物并进行了二分化处理，其标准化系数β和R2值较高。
- •
对于生活满意度：表现最好的模型是CSIAUTO.boruta，它通过惩罚因子分析进行变量选择，并利用Boruta算法得出的重要性进行加权。该模型显示出显著的负相关，符合压力与满意度负相关的预期。
- •
对于长期健康负担：表现最佳的模型是CSIAUTO.FA_SCORES，它结合了变量选择和因子得分构建。传统的AL5.FA模型也表现出色。这在意料之中，因为所使用的生物标志物本身就是诊断许多相关症状和慢性疾病的常用指标。
总体而言，与原始CSI相比，整合了社会行为变量并采用数据驱动加权的精炼模型，在预测短期应激结局（如感知压力和生活满意度）方面表现出改进的预测性能。而在预测长期健康负担（NOLSACC）方面，传统和扩展模型都表现良好。这提示，包含更多社会行为维度的CSI模型在捕捉压力更广泛的心理社会影响方面可能更具优势。
不确定性结果
为了确保结论的稳健性，研究系统评估了方法论选择带来的不确定性。
- •
标准化技术的不确定性：比较Z分数标准化和最小-最大缩放法，发现结果总体模式相似，CSI复合指标的表现普遍优于AL指标，结论具有稳健性。
- •
异常值处理的不确定性：比较包含与排除异常值的数据集，结果显示标准化系数、p值和R2的模式与参考结果高度一致，表明异常值处理并未实质性扭曲指标的解释结构。
- •
缺失数据处理的不确定性：比较完整个案分析和多重插补法，发现使用多重插补时，R2值的整体范围有所压缩，这反映了插补数据中常见的方差膨胀现象，使得估计更为保守。尽管如此，CSI复合指标相对于AL的优越性模式依然存在。
这些分析共同表明，不同方法条件下的结果具有高度收敛性，增强了研究实质性结论的可信度。CSI框架在概念上更广泛的优势（整合社会决定因素）是真实的，而非特定分析方法带来的假象。
结论与讨论
本研究深化了Hill等人先前的工作，通过方法学改进增强了慢性应激指标的有效性。与主要关注生理生物标志物的传统稳态应变负荷研究不同，精炼后的CSI通过系统整合收入、教育、体育活动等社会行为变量，在人群层面实践了健康的生物心理社会模型。
在方法学上，本研究通过应用Boruta特征选择和因子分析来优化变量加权，改进了早期的简单求和方法，保留了信息量最大的预测因子。与已确立的压力量表进行验证，进一步证明了CSI相对于传统AL模型的改进效用。值得注意的是，某些CSI和AL变体取得了优异的模型拟合度，这凸显了使用数据驱动方法进行特征选择和加权的好处。
这项研究强调了敏感性分析在综合指标构建中的关键作用。结果表明，尽管不同的数据处理选择（如标准化、缺失值插补）会在数值上产生细微影响，但CSI复合指标在预测多种应激相关结局方面普遍优于传统AL指标的核心结论是稳健的。这有力地支持了CSI作为一个稳健、数据驱动的慢性应激测量工具的可靠性。
重要意义
CSI为在临床和公共卫生背景下评估慢性应激提供了一个全面而灵活的工具。在医疗场景中，它有助于识别压力相关疾病的高危个体，指导同时针对生理和社会健康决定因素的干预措施。在公共卫生领域，其对贫困、体育活动等因素的纳入，使得基于数据的规划和公平的资源分配成为可能。此外，通过利用特征选择和因子分析加权，CSI展示了机器学习如何增强复合健康指标的构建并提高预测准确性。除了个体风险评估，CSI通过量化社会经济和行为应激源，支持了促进健康公平的努力，使从业者和政策制定者能够倡导结构性干预措施，如在人群层面减少慢性应激。
当然，该框架也面临挑战，如对数据全面性的高要求、跨人群可比性等。未来研究需要在更多样化的人群中进行验证，纳入更广泛的情境变量（如就业、社区特征），并扩展到纵向数据以研究压力的动态变化。标准化CSI和AL的方法对于可比性和可重复性也至关重要。为了促进该工具的应用，研究人员还开发了一个公开可用的R Shiny应用程序，供用户使用自己的数据构建和比较多种CSI变体。所有这些工作共同推动了慢性应激测量的标准化和可重复性，为研究和实践提供了一个可扩展的数据驱动框架。
