《Neuroscience & Biobehavioral Reviews》：Social role participation and inflammation: A meta-analytic examination of the shape of association and variability with age
编辑推荐：
社会角色参与与身体健康结果始终相关。例如，参与更多社会角色（如配偶、朋友或邻居）的个体患慢性疾病（包括心血管疾病、2型糖尿病和某些癌症）的风险较低。关于该现象的一些最严谨的观察性研究在基线时评估了社会角色参与，然后随时间追踪参与者以记录疾病的发生或进展，提供了
社会角色参与与身体健康结果始终相关。例如，参与更多社会角色（如配偶、朋友或邻居）的个体患慢性疾病（包括心血管疾病、2型糖尿病和某些癌症）的风险较低。关于该现象的一些最严谨的观察性研究在基线时评估了社会角色参与，然后随时间追踪参与者以记录疾病的发生或进展，提供了社会角色参与先于后续疾病结果的证据。受这些发现的启发，概念模型提出了将社会角色与健康联系起来的各种潜在机制，其中若干模型强调系统性炎症（systemic inflammation）作为一种生物通路，因为其对社会因素敏感并涉及广泛的健康问题。社会角色与运动、饮食和睡眠等健康行为相关，并可能影响对应激的生理反应，所有这些都可能影响系统性炎症水平。在过去三十年中，大量研究检验了拥有更多社会角色是否与较低的系统性炎症水平相关。然而，尽管研究数量不断增长，该关联的整体幅度仍不清楚，且具有理论和临床意义的问题，包括其形状和发展变异性，尚未被系统评估。因此，这项元分析旨在综合关于社会角色数量与系统性炎症之间联系的证据，描述该关联是分级还是基于阈值的，并评估其强度是否随成年发展而变化。
**1. Social Role Participation**
社会角色参与是指个体定期参与的不同类型关系（如配偶、父母、朋友）的数量，反映了个体嵌入多样化社交网络的客观程度。测量通常基于过去两周至一个月内至少四种社交关系（如婚姻状况、与子女/亲属/朋友的联系、教会参与、社区团体成员）的参与情况。有些测量还评估多达12种独特角色。此外，客观社会关系（如角色数量、联系频率、网络规模）与主观社会关系（如情感支持、关系质量）有所区分，本综述聚焦于客观社会角色参与，并采用主效应模型作为理论框架。
**1.1. Systemic Inflammation**
炎症是对微生物入侵和组织损伤的关键反应。免疫细胞释放炎性细胞因子，如白细胞介素-6（IL-
6）、肿瘤坏死因子α（TNF-α）和白细胞介素1β（IL-1β），这些细胞因子促进急性期蛋白（如C反应蛋白（CRP）和纤维蛋白原）的释放。慢性低度炎症可能在刺激未消除或免疫调节受损时持续存在，也可能受衰老、遗传变异、肥胖和慢性心理应激等影响。系统性炎症通常通过测量静脉或毛细血管血中炎症标志物浓度来评估，并已与心血管疾病、2型糖尿病及多种癌症的发病或进展相关。
**1.2. Social Role Participation and Inflammation**
概念模型提出了心理、生物和行为通路。心理上，社会角色参与增强生活目的感和情绪健康；生物上，通过影响交感神经系统（SNS）和下丘脑-垂体-肾上腺（HPA）轴，调节糖皮质激素和儿茶酚胺释放，进而影响炎症信号；行为上，社会角色参与促进健康行为。本部分还提出两个未解决问题：第一，关联是分级模式还是阈值模式；第二，关联强度是否随年龄变化。分级模式支持社会整合模型，阈值模式支持社会隔离模型，两者也可能并存。
**1.3. The Current Meta-analysis**
先前两项元分析分别关注社会整合和社会隔离，但未能检验分级与阈值模式，且分别分析炎性标志物限制了样本量。本元分析采用稳健方差估计（RVE）合并多项效应量，旨在综合社会角色参与与系统性炎症的总体关联、检验关联形状、并评估年龄调节作用。还纳入了方法学特征的调节变量以及补充分析社会经济地位（SES）、身心健康的影响。
**2. Method**
**2.1. Study Retrieval Strategy**
在PubMed和PsycINFO数据库进行电子检索，使用社会角色参与（如“social* network*”、“social* isolation*”等）和炎症（如“inflammation”、“IL-
6”、“CRP”等）相关检索词，限定同行评审、英文、人类研究。
**2.2. Inclusion and Exclusion**
检索于2026年4月15日完成。纳入标准包括：同行评审、实证研究、英文、人类、非免疫受损、至少包含一项社会角色参与测量和一项炎症标志物测量、样本年龄18岁以上。排除综述文章、仅关注主观即时社会体验或关系质量的研究、儿童样本。最终纳入50篇文章，其中35篇贡献整合分析，30篇贡献隔离分析，19篇提供分级与阈值比较数据。
**2.3. Data Extraction**
提取研究特征（社会角色测量、炎症标志物、样本平均年龄、研究设计、男性比例等）。根据社会测量是连续还是分类编码为“整合”或“隔离”效应量。使用改编自NHLBI的清单评估研究质量。提取未调整和年龄调整的效应量，并优先选择最常用的Berkman-Syme社会网络指数和Cohen社会网络指数。所有统计量转换为Pearson r或偏相关，再转为Fisher's Z。对于分类比较，保留最大整合差异的对比用于总体分析，但保留所有相邻组对比用于形状分析。
**3. Data Analysis**
**3.1. Data Preparation**
对于相同队列样本，保留唯一关联，重复效应量则保留较大样本。删除偏离均值3个标准差以上的离群效应量（共3个，占2.1%）。
**3.2. Data Synthesis**
使用R软件robumeta包进行随机效应模型，采用RVE处理研究内效应量相关性，并应用小样本校正。分别对整合与隔离、未调整与调整进行四种合成。控制研究质量和转换置信度。通过PET-PEESE评估发表偏倚。
**3.3. Graded vs. Threshold Patterns**
为检验分级模式，计算最隔离组（G1）与各组（G2、G3、G4）的标准化均差（Hedge's g），并元回归预测线性趋势。若线性项显著则支持分级。为检验阈值模式，计算相邻组间Hedge's g差异，若存在显著差异则支持阈值。
**3.4. Moderator Analyses**
检验样本平均年龄及其他方法学特征（社会测量类型、年份、炎症标志物类型、研究设计、性别比例）的调节作用。
**3.5. Subgroup Analyses**
按炎症标志物进行描述性亚组分析，并呈现其他特征的分布。
**3.6. Supplementary Analyses**
检验SES、身体健康和心理健康是否混杂
