老年高血压患者睡眠质量与健康相关生活质量在组件与维度层面的网络关联

《Frontiers in Public Health》：Component- and dimension-level network associations between sleep quality and health-related quality of life in older adults with hypertension

　　

： 背景： 老年高血压患者常伴有较差的睡眠质量及健康相关生活质量（health-related quality of life, HRQoL）的下降。既往研究多采用总分评估上述关联，对特定症状维度间的交互作用认识有限。本研究旨在构建睡眠质量与HRQoL在组件及维度层面的关联网络，并比较不同抑郁症状状态下的网络差异。 方法： 本研究纳入2,257名老年人。采用B-PSQI、EQ-5D-5L及PHQ-9分别评估睡眠质量、HRQoL及抑郁症状。研究人员基于EBICglasso正则化高斯图模型估计组件与维度层面网络，计算中心性及桥接中心性指标，采用Bootstrap方法验证稳定性，并比较抑郁症状组与非抑郁症状组之间的网络差异。 结果： 最终网络包含10个节点，45条可能边中有32条非零边，网络密度为0.711。最强的关联见于睡眠效率与睡眠时长（SE–ST，0.793）、睡眠中断与主观睡眠质量（SW–SQ，0.583）以及自理能力与日常活动（SC–UA，0.560）。日常活动（UA）具有最高的强度中心性及期望影响，其次为主观睡眠质量（SQ）、自理能力（SC）及睡眠效率（SE）。睡眠效率具有最高的桥接期望影响，其次为主观睡眠质量。中心性指标表现出良好的稳定性（CS = 0.75）。网络结构（M = 0.224，P > 0.05）及全局强度（S = 0.119，P > 0.05）在组间无显著差异；重复1:1子抽样分析总体上支持上述发现。 结论： 在老年高血压患者中，睡眠组件与HRQoL维度形成了紧密连接的网络。日常活动表现出最高的中心性，而睡眠效率与主观睡眠质量在跨社群连接方面表现突出。上述领域可能有助于筛查或产生研究假设，但不应被解释为已确认的干预靶点。

论文解读文章：

一、研究背景与问题提出

随着人口老龄化进程加速，我国老年高血压疾病负担持续加重。第七次全国人口普查数据显示，我国60岁及以上人口已达2.64亿。在此背景下，高血压已成为老年人群最常见的慢性病之一，目前影响我国约2.45亿人口。高血压不仅增加脑卒中、冠心病及肾功能障碍风险，还会损害老年人日常功能与整体健康状况。

睡眠质量与健康相关生活质量（health-related quality of life, HRQoL）是理解老年高血压患者疾病负担的两个关键切入点。既往研究表明，睡眠时长不足或过长均与高血压风险、不良心血管结局及功能状态下降相关；同时，生活质量下降也是高血压长期管理的核心问题。然而，既往研究多将睡眠质量与HRQoL视为聚合变量，主要采用总分比较、相关分析或回归模型评估其线性关系。这种以总分为导向的方法虽能捕捉总体相关性，却无法阐明不同睡眠维度与HRQoL维度之间的具体联系，也难以识别系统中需要优先关注的关键组件。

网络分析为上述问题提供了更适宜的框架。与传统将症状视为潜在疾病指标的观点不同，网络分析将症状或维度视为系统内相互作用的组件，可识别连接不同领域的中枢节点与桥接节点。尽管近年已有研究将网络分析应用于老年高血压患者的心理症状与生活满意度，但关于睡眠质量与HRQoL维度间层级关系的研究仍十分有限，尤其是同时纳入具体睡眠维度与HRQoL维度的研究更为稀缺。

抑郁症状可能改变睡眠质量与HRQoL之间的关系。抑郁在高血压人群中常见，尤其多见于老年人，并与睡眠障碍、功能损害及生活质量下降相关。本研究将抑郁症状状态作为分层变量而非网络节点纳入分析，旨在检验具有临床意义抑郁症状的参与者与无抑郁症状参与者之间，睡眠组件与HRQoL维度条件关联是否存在差异。

二、研究设计与方法概述

本研究数据来源于中国居民心理与行为调查（Psychology and Behavior Investigation of Chinese Residents, PBICR）第四波调查，该调查于2023年6月20日至8月31日开展，采用分层抽样与配额抽样相结合的设计，覆盖全国150个城市，最终样本量为30,054人。本研究纳入年龄≥60岁且自我报告经医生诊断患有高血压的参与者，经数据质量筛查后，最终分析样本为2,257人。

研究采用简版匹兹堡睡眠质量指数（B-PSQI）评估睡眠质量，包含睡眠效率（SE）、睡眠时长（ST）、睡眠觉醒（SW）、睡眠潜伏期（SL）及主观睡眠质量（SQ）五个组件；采用欧洲五维健康量表（EQ-5D-5L）评估HRQoL，涵盖行动能力（MA）、自理能力（SC）、日常活动（UA）、疼痛/不适（PD）及焦虑/抑郁（AD）五个维度；采用患者健康问卷-9（PHQ-9）评估抑郁症状，以≥10分界定具有临床相关抑郁症状。

网络估计采用EBICglasso正则化高斯图模型，节点代表B-PSQI组件与EQ-5D-5L维度，边代表控制其他所有节点后的正则化偏相关。研究计算了强度中心性、期望影响（expected influence, EI）、桥接强度及一步桥接期望影响（bridge expected influence, BEI）等指标，采用Bootstrap方法验证稳定性，并使用网络比较检验（Network Comparison Test, NCT）比较抑郁与非抑郁亚组间的网络差异。此外，研究还进行了排除焦虑/抑郁维度后的敏感性分析、重复1:1子抽样分析以及不同EBIC调参参数下的估计器敏感性分析。

三、研究结果

3.1 研究样本

本研究纳入2,257名中国老年高血压患者，平均年龄71.11岁（标准差=6.754），其中男性1,187人、女性1,070人。B-PSQI平均总分为4.67（SD=3.16），EQ-5D-5L平均总分为7.51（SD=3.16），PHQ-9平均总分为5.44（SD=4.90）。409名参与者（18.12%）表现出显著抑郁症状（PHQ-9≥10）。可预测性分析显示，日常活动（UA）具有最高的样本内归一化正确分类率（nCC=0.555），其次为行动能力（MA，0.471）、自理能力（SC，0.415）及疼痛/不适（PD，0.396）；睡眠潜伏期（SL，0.142）与睡眠时长（ST，0.144）的nCC值最低。

3.2 网络结构

10节点网络中，45条可能边中有32条非零（密度=0.711），其中27条正边、5条负边。最强边依次为：睡眠效率与睡眠时长（SE–ST，权重=0.793）、睡眠觉醒与主观睡眠质量（SW–SQ，权重=0.583）、自理能力与日常活动（SC–UA，权重=0.560）、疼痛/不适与焦虑/抑郁（PD–AD，权重=0.361）以及行动能力与日常活动（MA–UA，权重=0.336）。上述发现表明睡眠维度内部及HRQoL维度内部均存在较强的局部关联。

中心性分析显示，日常活动（UA）在全网络中具有最高的强度中心性（z=1.731）和期望影响（z=1.539）；主观睡眠质量（SQ）在两项指标中均排名第二（强度z=0.621，EI z=0.912）；自理能力（SC）与睡眠效率（SE）也表现出较高的中心性指标。相比之下，睡眠潜伏期（SL）的强度（z=?1.869）与期望影响（z=?1.812）均为最低，焦虑/抑郁（AD）也相对较低，表明这些节点是网络中最边缘的症状。

桥接中心性分析显示，睡眠效率（SE）具有最高的桥接期望影响（BEI=0.117），其次为主观睡眠质量（SQ，0.114）和焦虑/抑郁（AD，0.107），提示其在睡眠质量维度与HRQoL维度之间发挥相对更关键的桥接作用。

3.3 网络稳定性

稳定性分析显示，强度中心性、桥接强度中心性、期望影响中心性及BEI中心性均表现出良好的稳健性。强度与期望影响的CS系数均为0.75，一步桥接期望影响的CS系数为0.595，表明上述指标在剔除大量参与者后仍与原始样本估计保持充分相关。桥接强度中心性的稳定性不足（CS=0.206），因此未用于实质性解释，研究主要依赖BEI解释桥接节点。

3.4 不同抑郁状态下的网络差异

网络比较检验显示，抑郁症状组与非抑郁症状组之间在网络结构（M=0.224，P>0.05）及全局强度（S=0.119，P>0.05）方面均无显著差异。中心性不变性检验显示，非抑郁亚组中睡眠时长（ST）的期望影响中心性显著高于抑郁亚组（P<0.05），其余节点的强度与期望影响差异均无统计学意义。Wilcoxon秩和检验经Benjamini–Hochberg校正后显示，两组间所有10个节点的得分分布均存在显著差异，抑郁症状组得分普遍较高。重复1:1子抽样分析中，网络结构与全局强度的中位P值分别为0.158和0.421，100次迭代中分别有25%和20%产生P<0.05，表明结果对样本构成存在一定敏感性。

3.5 估计器敏感性

在γ=0.25、0.50和0.75条件下，网络分别包含33、32和28条非零边，密度分别为0.733、0.711和0.622。与主模型（γ=0.50）相比，边权重相关性（Spearman ρ=0.996和0.968）及强度排序相关性（ρ=1.000和0.952）均保持较高水平，期望影响排序未发生变化，UA、SQ和SC始终排名最高，表明主要网络结果对EBIC调参参数具有稳健性。

四、讨论与结论

本研究发现，老年高血压患者的睡眠组件与HRQoL维度形成了高密度、以正连接为主的网络，提示睡眠受损与HRQoL下降倾向于同时发生而非独立存在。日常活动（UA）在全网络中具有最高的中心性，而睡眠效率（SE）在睡眠质量与HRQoL两个社群之间具有最高的桥接期望影响。

最强边SE–ST提示睡眠连续性与夜间实际睡眠获取可能是老年高血压患者睡眠受损的关键组成部分，但该强关联可能部分反映B-PSQI内部共享的测量内容或计算依赖。同样，SC–UA的强关联可能部分反映EQ-5D-5L内部的概念邻近性。UA的中心性地位提示，当睡眠质量与HRQoL在同一网络中考察时，功能能力更可能占据系统中心位置。高血压相关的血压波动、动脉僵硬度增加、自主神经调节受损以及头晕、疲劳或体位性低血压等症状可能直接损害日间活动与日常功能。SE的桥接作用提示睡眠效率作为反映睡眠连续性的关键指标，可能更直接地反映睡眠的结构特征及其生理恢复功能。SQ的突出桥接地位则提示主观睡眠质量可能捕捉了受访者对多种睡眠相关体验的整体感知，可作为感知睡眠负担的有用患者报告指标。

全样本网络比较检验显示，不同抑郁症状状态下的网络结构与全局强度无显著差异，重复1:1子抽样分析在75%和80%的迭代中重现了上述零结果。排除焦虑/抑郁维度后的九节点敏感性分析保持了最强边、日常活动的中心角色及整体中心性排序，表明主要结构发现并非主要由构念重叠驱动。

研究结论： 综上所述，在自我报告经医生诊断患有高血压的老年人中，睡眠质量组件与HRQoL维度形成了密集连接的条件关联网络。日常活动表现出最高的中心性，而睡眠效率与主观睡眠质量表现出相对较高的桥接期望影响。总体网络结构与全局强度在不同抑郁症状状态下无显著差异，但亚组估计对样本构成存在一定敏感性。日常活动、睡眠效率及主观睡眠质量可作为潜在的筛查或假设生成指标；然而，横断面设计不能确立其为因果或有效的干预靶点，需开展纵向及干预研究以确定其时间性与治疗相关性。排除EQ-5D-5L焦虑/抑郁维度后，主要网络发现总体保持一致。