《Current Developments in Nutrition》：More than just the mean: A distributional approach to dietary surveillance
编辑推荐：
人群水平的膳食监测传统上依赖于均值和依从百分比等汇总统计量，但这些统计量可能掩盖摄入分布的重要特征并限制其对公共卫生行动的指导价值。为弥补这一缺口，研究人员提出了一个用于可视化和解读常规膳食摄入累积分布函数（cumulative distribution fu
人群水平的膳食监测传统上依赖于均值和依从百分比等汇总统计量，但这些统计量可能掩盖摄入分布的重要特征并限制其对公共卫生行动的指导价值。为弥补这一缺口，研究人员提出了一个用于可视化和解读常规膳食摄入累积分布函数（cumulative distribution functions, CDFs）的分析框架，并演示了其在美国营养监测数据中的应用。研究基于美国国家健康与营养调查（National Health and Nutrition Examination Survey, NHANES）2011–2018年数据（每位参与者包含至多两次非连续24小时膳食回顾），应用美国国家癌症研究所（National Cancer Institute, NCI）方法按年龄和性别估计了六类食物类别的常规摄入CDFs。随后研究人员绘制了这些CDFs并附以Dvoretzky-Kiefer-Wolfowitz 95%置信带，并叠加了《美国人膳食指南（2020–2025）》的推荐摄入范围。当在分布背景下审视依从性时，将其转化为公共卫生行动取决于以下考量：达到推荐标准的百分比在分布中所处的位置、分布形状对所需改善规模的含义，以及常规指标是否会遗漏消费量的有意义的转变。为阐明这些原则，研究人员呈现了一个案例研究，将依从性接近分布尾部（Total Vegetables、Whole Grains、Refined Grains）的食物类别与依从性接近分布中心（Total Protein Foods）的食物类别进行对比，以展示两种情形下解读的差异，并突出人群水平CDFs在指导公共卫生工作方面的优势与局限。综上，该研究表明，常规摄入CDFs为营养政策与决策提供了比常规汇总统计量更丰富的证据，使研究人员能够刻画消费模式、确定干预优先事项并评估所需膳食变化的幅度。此外，该方法可扩展至其他膳食成分、人群亚组及监测情境。
**研究背景与问题** 膳食与心血管疾病、糖尿病及某些癌症等健康结局持续相关，因此人群水平膳食监测对刻画营养摄入至关重要。当前广泛使用的指标包括低于或高于适宜摄入量（Adequate Intake, AI）阈值或估计平均需要量（Estimated Average Requirement, EAR）的人群百分比，以及低于、达到或超过特定食物和营养素推荐摄入范围的人群比例。估计这些指标需先估计常规摄入分布，NCI方法是标准途径，其将常规摄入分布表达为累积分布函数（CDFs）。历史上，由CDF衍生的汇总统计量（百分位数、食物类别依从比例、高于或低于AI/EAR阈值的人群比例）多以表格或堆叠条形图呈现，但CDF所含信息远多于这些传统汇总，且现有统计与分析工具可支持更细致的评估，例如判断摄入不足或过量的严重程度，从而帮助确定公共卫生干预优先次序。尽管可视化与刻画分布的统计工具已成熟，但尚未整合为公共卫生情境下解读常规摄入分布的框架。为此，研究人员利用NCI方法与NHANES 2011–2018数据生成六类食物、八个年龄组并按性别分层的CDFs，并选取其中一部分结果实现两个目标：一是方法学目标，提出可视化CDF并提取信息的分析框架；二是示例性目标，通过案例研究展示如何将CDF可视化识别的模式在公共卫生情境中解读。该案例研究并非源于先验假设，而来自对CDFs的探索性审阅，所得CDFs仅具示范功能，不应视为对所考察食物类别或人群的全面评估或本文主要发现。
**主要关键技术方法** 数据来自NHANES 2011–2018年，纳入6月龄及以上、膳食数据合格者共32,655人。膳食数据经食品与营养素膳食研究数据库（Food and Nutrient Database for Dietary Studies, FNDDS）编码，并通过食物模式等量数据库（Food Patterns Equivalents Databases, FPEDs）转换为37项美国农业部（United States Department of Agriculture, USDA）食物模式组分。采用SAS 9.4实现NCI方法估计均值、标准差与百分位数：对偶发性消费食物拟合含相关个体随机效应的两部分模型（分别建模消费概率与消费日摄入量），对几乎每日消费的组分仅拟合摄入量模型；所有估计均考虑NHANES复杂抽样设计，标准误采用平衡重复复制（balanced repeated replication, BRR）法。建模按三个互斥亚组分别进行，模型纳入年龄、性别（<12岁模型）、种族与族裔（RIDRETH3）及访谈顺序与回顾星期等混杂变量。CDF计算中，以第1至第99百分位范围除以249生成250个等距摄取值；不确定性以基于Dvoretzky-Kiefer-Wolfowitz（DKW）不等式的同时置信带刻画，并以"有效样本量"替代公式中的n，置信限截断于0和1之间；并与Bonferroni校正的逐点置信区间比较以评估覆盖度。达标比例估计中将按年龄、性别、体力活动水平的能量需要量与USDA食物模式相应热量水平的推荐量关联，形成各性别-年龄组的推荐范围。R 4.5.1用于补充统计分析与全部数据可视化。
**研究结果** 分析框架要素：图3所示要素使研究人员能够描述消费模式、计算对推荐的依从性，并评估分布的离散度、均值与中位数等特征。研究人员指出，展示哪些及多少个CDF、是否纳入参考要素（推荐范围、均值、中位数）由分析者依据研究目标选择，需策略性选择绘图要素，以确保图的数目与复杂度有助于而非妨碍解读。解读注意事项：图4进一步说明解读结果时应注意的额外考量，包括不同组间推荐范围的差异、单点值推荐，以及达标百分比所处的背景。该文因属方法学性质，未对全部48幅图（96个CDFs）逐一解读，而将完整结果作为资源提供，使读者无需承担计算负担即可将方法应用于自身问题；实践中特定研究问题可能仅需少量图，例如关注儿童青少年Total Dairy摄入者仅需查看18岁及以下年龄组的四幅图；若观察到71岁及以上成人六类食物达标比例均低，可查看该年龄组CDFs以判断低依从反映的是摄入偏离推荐还是推荐范围相对分布离散度较窄。分组示例：为展示CDF可视化可揭示汇总统计量可能掩盖的模式，研究人员目视检查全部图以寻找一般人群中一致的依从模式，选择推荐范围在摄入分布上位置在各年龄与性别组间相似的食物类别。结果显示，Total Vegetables、Whole Grains和Refined Grains的依从性总体集中于分布两端：达标摄入在Total Vegetables与Whole Grains中位于较高百分位，在Refined Grains中位于较低百分位。Total Protein Foods作为对照案例纳入，因在多数年龄-性别组中其推荐范围与分布中部相交。图5呈现这四类食物在男女八个年龄组共32幅图，每幅均显示年龄与性别特异性推荐范围及95% DKW置信带。
**讨论与结论总结** 讨论指出，获得分布信息对膳食监测极具价值；尽管CDF完整描述常规摄入分布，结果常以汇总统计量或表格报告，掩盖了分布形状、离散度及各摄入水平人群比例等特征，而这些特征为解读膳食模式（包括依从性）和确定后续步骤提供背景。本文CDF按与各食物类别膳食推荐相符的性别-年龄组分层，便于评估各生命阶段的总体依从与消费模式。图5显示，依从性在分布中的位置可分为接近尾部或接近中心两类，各具不同公共卫生含义。依从位于尾部意味着多数人群相对推荐量摄入不足或过量，提示需整体增加或减少消费；例如多数年龄组中Total Vegetables与Whole Grains依从性低且位于上尾，Refined Grains依从性低但位于下尾，故干预可聚焦全人群增加前两者、减少后者；该方向性解读适用于反方向消费者比例小且超出幅度有限的情形，但对依从模式不明确或偏离更显著、或过量/不足健康后果严重（如铁，缺乏与过量均有严重风险）的食物或营养素需谨慎。依从接近中心（如全部八个年龄组的Total Protein Foods）解读更复杂，需同时上调与下调摄入，干预宜针对低于范围者增加、高于范围者减少，并按受影响比例、偏离幅度及健康风险分配优先次序；但由于CDF仅按性别与年龄分层，无法识别低于或高于推荐范围者的特征，故不足以制定靶向干预或个体化指导。进一步按附加特征分层可从两方面弥补：按既有接触点（如补充营养援助计划（Supplemental Nutrition Assistance Program, SNAP）、妇女、婴儿和儿童特别补充营养计划（Special Supplemental Nutrition Program for Women, Infants, and Children, WIC）参与情况或地理区域）分层可识别可通过项目或场所干预直接触达的亚人群；按收入、教育、种族与族裔等社会人口学特征分层主要发挥监测功能，描述不同人群在各分布中的位置并揭示值得进一步研究的差异，但因类别宽泛异质，一般不太适合单独用于设计靶向干预。此外，分布分析可检测汇总统计量可能掩盖的消费变化：随访中依从百分比或均值变化甚微时，分布层面可能已有有意义改善，例如Refined Grains右尾收缩或19–30岁男性Total Protein Foods上尾向中心移动，此时高摄入者减少消费但仍高于推荐范围，达标百分比与中位数不变、均值仅略降，此类分布变化可代表人群膳食的实质改善，凸显全面分布评估对有效营养监测的必要性。跨时间或人群比较CDFs还涉及差异是否有意义的问题：DKW置信带刻画各估计CDF的不确定性并可提示两分布可能不同之处，但不量化差异大小或提供正式显著性检验；此类比较中，分位数函数（quantile function, QF）即CDF的逆函数提供更自然的框架，如基于分位数的移位函数（shift function）方法；CDF与QF信息相同但用途互补，前者表达某摄入水平及以下的人群比例，直接对应依从性评估，后者表达某百分位处的摄入量，使组间或时间差异以摄入单位表示（如第25百分位处相差0.5杯当量/天）。另一个相关问题不是两个观测分布如何不同，而是单一分布距理想分布有多远；改善依从所需努力取决于分布形状，是需改变摄入者比例与所需变化幅度的函数；一般而言，接近正态且中心接近推荐范围的分布比明显偏态或中心远离目标值的分布所需人群水平移动更小，CDF可定性传达这一点，而通过最优传输理论中的Wasserstein距离可正式量化将观测分布转变为理想分布的最小成本。将基于分位数的比较与Wasserstein距离应用于复杂抽样数据估计的常规摄入分布是未来研究的重要方向，前者需发展效应量估计与假设检验方法，后者需定义合适的理想分布并考虑不同食物与人群行为改变难度的差异。本文提出利用NCI方法估计的CDFs的完整分布信息为公共卫生营养行动与政策提供全面证据的方法；标准NCI方法通常要求至少具代表性的子样本提供至少两次非连续24小时膳食回顾，子样本量取决于膳食成分的偶发程度，而NCI单日法提供替代方案，可仅用单日回顾数据并辅以外源推导的个体内与个体间方差比来估计几乎每日消费食物与营养素的常规摄入人群分布。无论CDF以何种方法生成，将常规摄入CDFs与置信带及膳食推荐叠加可视化，可使研究人员超越汇总统计量与基本依从指标，刻画消费模式、确定干预优先事项并评估改善人群膳食所需变化幅度；该框架面向生成或解读常规摄入估计者，包括审查人群摄入数据的联邦机构与咨询委员会、开展膳食监测的研究人员以及利用这些数据设定优先事项的公共卫生从业者与项目规划者。研究人员强调，尽管示例仅基于性别与年龄，但按其他有助于了解所需改变类型的特征进行亚组分析是提升公共卫生影响的关键步骤，界定此类特征可能引发对食物供应底层架构的思考，包括可利用性约束和/或生产过剩；随文提供的数据与代码为研究人员和从业者实施与扩展这些方法奠定基础。研究结论指出，该研究提出的方法利用NCI方法估计的CDFs的完整分布信息，为公共卫生营养行动与政策提供全面证据；可视化带置信带和膳食推荐叠加的常规摄入CDFs使研究者可超越汇总统计量和基本依从指标，刻画消费模式、确定干预优先事项并评估改善人群膳食所需的变化幅度，该框架适用于生成或解读常规摄入估计的各类使用者。
