《Nutrients》：Joint Association of Hydration Status and Sleep Quality with Type 2 Diabetes Mellitus in a Population-Based Study
编辑推荐：
目的：探讨水合状态和睡眠质量与2型糖尿病（T2DM）的联合关联，并量化其加性交互和乘性交互。方法：本横断面研究纳入来自海南前瞻性队列研究基线资料的4762名参与者。采用logistic回归估算水合状态和睡眠质量四种组合的比值比（ORs）和95%置信区间（CIs
目的：探讨水合状态和睡眠质量与2型糖尿病（T2DM）的联合关联，并量化其加性交互和乘性交互。方法：本横断面研究纳入来自海南前瞻性队列研究基线资料的4762名参与者。采用logistic回归估算水合状态和睡眠质量四种组合的比值比（ORs）和95%置信区间（CIs）。加性交互采用交互作用相对超额危险度（RERI）、归因比例（AP）和协同指数（S）进行评估；乘性交互采用乘积项进行评估。通过g计算估算预测概率。结果：T2DM患病率为8.13%（387/4762）。与非脱水且睡眠质量好相比，脱水且睡眠质量差的组合与T2DM患病几率显著升高相关（调整后OR 9.92，95% CI 7.14至14.00）。所有三项加性交互指标均具有统计学显著性（RERI 7.74，95% CI 4.99至10.50；AP 78.04%，95% CI 69.28至86.80；S 7.57，95% CI 3.49至16.42），乘性交互亦显著（OR 3.96，95% CI 2.30–6.90）。在绝对风险尺度上，交互对比为14.53个百分点（95% CI：11.01至18.34），归因比例为80.5%（95% CI：66.3至94.6），协同指数为5.14（95% CI：2.94至17.25）。在脱水加睡眠质量差的组合中，T2DM的预测概率最高。结论：脱水与睡眠质量差的组合与T2DM患病几率的关联强于任一单独因素，并观察到统计学显著的加性交互。由于这些加性交互指标来自非罕见结局的比值比，其绝对幅度在比值比尺度上可能被高估；风险差异尺度上的指标证实了该交互。鉴于横断面设计，不能排除反向因果关联，需要纵向数据来阐明这些关联的时间顺序。
研究人员基于一篇发表于《Nutrients》的论文，系统分析了水合状态和睡眠质量与2型糖尿病（T2DM）的联合关联及交互作用。T2DM已成为全球最常见的代谢性疾病之一，患病率高、致残负担重、经济成本大，其发病机制涉及遗传、环境和生活方式因素的多维交互。水合状态在维持生理稳态中发挥关键作用，睡眠质量也是影响代谢健康的重要生活方式因素；但既往研究通常单独考察两者与T2DM的关系，对其联合关联和交互作用量化评估不足。因此，该研究利用海南前瞻性队列研究（Hainan Cohort）的基线数据，旨在探讨水合状态与睡眠质量对T2DM的联合关联，并量化加性交互和乘性交互，为理解其协同作用提供流行病学证据。
研究人员共纳入4762名35–74岁社区居住居民（男性2576人，女性2186人），平均年龄45.87±7.52岁，平均BMI为23.42±3.05。T2DM定义为空腹血糖（FPG）≥7.0 mmol/L；水合状态以尿比重（USG）评估，非脱水定义为USG≤1.025，脱水定义为USG>1.025；睡眠质量以匹兹堡睡眠质量指数（PSQI）评估，良好定义为PSQI≤10，差定义为PSQI>10。主要统计方法包括：采用logistic回归估算比值比（OR）和95%置信区间（CI）；采用RERI、AP和S评估加性交互；采用乘积项评估乘性交互；采用g计算估算边际标准化预测概率，并通过1000次bootstrap重抽样获得置信区间。此外，在375名老年人亚样本中以尿渗透压≥800 mOsm/kg为参考标准进行ROC分析，验证USG判别水合状态的能力（AUC=0.850）。研究还开展了五项敏感性分析以检验结果的稳健性。
3.1 尿比重的判别能力：ROC分析显示，USG判别水合状态的AUC为0.850（95% CI: 0.763–0.938），提示USG作为水合状态筛查指标具有较好的判别性能。
3.2 研究参与者特征：T2DM患病率为8.13%（387/4762），与整体基线队列的患病率接近；T2DM组年龄更大、BMI更高，女性、中心性肥胖、脱水、睡眠差、慢性病、吸烟、饮酒以及无喝茶习惯者的比例更高。
3.3 与T2DM相关的因素：单因素分析显示年龄、BMI、性别、中心性肥胖、水合状态、睡眠质量、体力活动、职业、慢性病、吸烟、饮酒和喝茶均与T2DM显著相关（p<0.05）。
3.4 水合状态和睡眠质量与T2DM的联合关联：以非脱水且睡眠良好为参照组，脱水合并睡眠差组的T2DM患病几率显著升高，调整后OR=9.92（95% CI: 7.14–14.00），明显高于任一单独因素对应的关联。
3.5 加性交互分析：调整混杂因素后，RERI=7.74（95% CI: 4.99–10.50）、AP=78.04%（95% CI: 69.28–86.80）、S=7.57（95% CI: 3.49–16.42），均具有统计学显著性；在绝对风险尺度上，交互对比为14.53个百分点（95% CI: 11.01–18.34），AP=80.5%，S=5.14，进一步支持加性交互的存在。
3.6 乘性交互分析：多元logistic回归模型显示，脱水与睡眠差的乘积项OR=3.96（95% CI: 2.30–6.90，p<0.001），表明两因素间存在统计学显著的乘性交互。
3.7 T2DM预测概率：g计算显示，非脱水且睡眠好组的调整后T2DM预测概率为3.40%（95% CI: 2.60–4.30%），而脱水合并睡眠差组为21.50%（95% CI: 18.70–24.30%），显著高于其他组合。
3.8 敏感性分析：纳入糖尿病前期个体（N=5180）后，联合关联OR=11.03（95% CI: 7.95–15.53）；排除既往诊断T2DM（N=4717）后OR=9.90（95% CI: 7.04–14.15）；分别调整BMI或中心性肥胖、进一步调整饮食因素以及将USG和PSQI作为连续变量分析时，结果基本一致，RERI范围7.42–8.49，AP范围76.9%–80.9%，S范围6.49–10.05，连续模型乘性交互OR=1.58（95% CI: 1.39–1.80）。
讨论部分强调，脱水与睡眠质量差的联合状态与T2DM患病的关联强于任一单独因素，且加性交互和乘性交互均显著。机制上，睡眠质量差可能通过系统性炎症、应激激素失调和胰岛素敏感性降低影响血糖代谢；脱水可能通过血浆渗透压升高、抗利尿激素激活和皮质醇升高等途径影响葡萄糖稳态。然而，横断面设计不能排除反向因果关联（例如T2DM引起的多尿和夜尿可能同时影响水合状态和睡眠），排除既往诊断T2DM的敏感性分析仍显示类似结果，但未诊断或临床前期的糖尿病仍可能造成偏倚。此外，单次晨尿USG可能造成水合状态错分，自我报告的睡眠和生活方式变量存在回忆和报告偏倚，且分析样本人群仅限完成全部评估的参与者，可能存在选择偏倚。
研究结论翻译：这项基于人群的横断面研究发现，脱水与睡眠质量差的联合状态与T2DM患病风险显著相关，且存在统计学显著的加性交互和乘性交互，尽管加性交互的绝对幅度可能因基于非罕见结局的OR而高估。联合评估水合状态和睡眠质量可能有助于识别T2DM患病风险增高的人群；但由于横断面设计，无法确定因果关系，未来需要纵向研究来阐明水合状态、睡眠质量与T2DM之间的时间顺序。
