PRECISE联盟：一项包含220万中国成年人的全国队列研究，用于精准营养、慢性病及死亡率研究

《Porto Biomedical Journal》：The PRECISE Consortium: a national cohort of 2.2 million Chinese adults for precision nutrition, chronic disease, and mortality research

　　

背景：中国正经历快速的人口、营养和生活方式变迁，慢性非传染性疾病目前已占死亡原因中的很大比例。营养和生活方式是影响这些结局的主要可改变因素，但在中国多样化的地理、社会经济和文化环境中，其差异十分显著。PRECISE联盟作为大规模全国性队列平台应运而生，整合了营养、生活方式、临床和生物标志物数据，并进行长期死亡随访。

方法：PRECISE包含中国10个队列，涵盖随机临床试验和社区基的前瞻性队列。PRECISE的入选参与者为年龄≥18岁的成年人，需具备年龄、性别、体质指数（BMI）、收缩压（SBP）和舒张压（DBP）等基线信息。研究参与者接受标准化的基线评估，包括人口学特征和体格检查。营养和遗传生物标志物——包括叶酸、维生素B12、同型半胱氨酸、维生素D和MTHFR C677T基因型——在部分队列中进行了测量。死亡结局通过与中国国家死亡监测系统（NMSS）关联确定，死因按照世界卫生组织《国际疾病分类》第十次修订版（ICD-10）进行分类。核心人口学、营养、生活方式、临床和实验室变量在各队列之间进行了统一化处理。

结果：PRECISE目前共纳入2,181,318名参与者，入组时间为2008年至2024年，覆盖中国大陆31个省（自治区、直辖市）。女性占参与者的51.7%，66.5%居住在农村地区。入组时的中位年龄为61.2岁（四分位距[IQR]，52.2–69.0岁）。734,026名参与者可提供血清同型半胱氨酸浓度数据，这为研究中国心血管病和卒中的一个重要可改变危险因素提供了独特的庞大资源。迄今为止，PRECISE已在877万人年的随访中记录了139,843例死亡，其中包括70,962例循环系统疾病死亡和33,211例恶性肿瘤死亡。

结论：PRECISE是全球最大的全国性中国联盟之一，旨在研究营养、代谢健康、生活方式、慢性疾病和特定死因死亡之间的相互作用。其规模、广泛的地理覆盖、农村代表性、统一化的深度表型分析以及与全国死亡数据的关联，为发现、验证和转化研究提供了强大平台。PRECISE旨在支持全球精准营养推进、慢性病负担减轻和健康长寿促进的努力。

引言

非传染性疾病——包括心血管疾病和卒中、癌症、糖尿病和慢性肾脏病——是中国发病、致残和过早死亡的主要原因。[1,2] 人口老龄化、城市化以及饮食和生活方式的迅速变化进一步增加了识别有效且可推广的慢性病预防策略的需求。营养是影响慢性病和健康长寿最重要的潜在可改变因素之一。[1]

中国人群在营养需求方面具有独特的特点值得关注。近几十年来，中国经历了深刻的营养转型，其特征是从传统膳食模式向更多地消费动物源性食物、精制谷物和加工食品转变，同时能量摄入和膳食组成也发生了显著变化。[3] 与此同时，某些微量营养素缺乏仍然是一个重要问题。与许多北美人群相比，中国人群——尤其是北方地区人群——的叶酸水平较低，这是多种因素共同作用的结果：膳食摄入不足、烹饪蔬菜的方法破坏了叶酸、补充剂使用率低、缺乏国家强制性叶酸强化项目，以及由于功能性亚甲基四氢叶酸还原酶（MTHFR）677 TT基因型导致的遗传易感性较高。[4–7] MTHFR活性降低会损害叶酸依赖的单碳代谢，并与循环中同型半胱氨酸浓度升高相关，尤其是在叶酸水平不足时更为明显。[8,9] 这些营养和遗传特征反过来导致同型半胱氨酸水平升高，增加了中国人群尤其是高血压患者的心血管和卒中风险。[10]

应对中国慢性病日益上升的发病率和死亡率存在迫切需求，同时也面临重大挑战。中国占世界人口的五分之一，因此在减轻全球慢性病负担和促进健康长寿方面发挥着关键作用。此外，健康结局及其决定因素因地理、社会和环境背景的不同而存在较大差异。[2,11] 中国拥有巨大的地理、民族、文化和社会经济多样性，庞大的农村人口，快速的城市化进程，以及在饮食、生活方式、医疗服务获取和环境暴露方面显著的地区差异。这种异质性表明不存在"一刀切"的解决方案。另一方面，这种异质性也为研究营养、代谢、行为、遗传和情境因素如何共同影响长期健康提供了绝佳机遇。然而，要捕捉如此大的变异，需要一个大样本量且具有广泛地理覆盖的研究人群，并具备足够的统计效能来考察地区差异、人群亚组、罕见结局以及多种决定因素之间的交互作用。

为应对这些挑战，我们建立了PRECISE联盟，作为中国精准营养、慢性病和死亡研究的全国性协作平台。PRECISE统一整理了来自10个现有队列的数据，涵盖从随机临床试验到社区基的前瞻性队列，包括来自中国大陆全部31个省（自治区、直辖市）的约220万名成年人。多年来，现有的中国队列对慢性病流行病学做出了重大贡献。[12] PRECISE通过其卓越的规模、大量的农村参与、地理广度，以及营养和生活方式评估与临床特征、代谢、营养和遗传生物标志物、纵向随访以确定全因死亡和特定死因死亡的整合，对这些资源进行了有益补充。

这些资源使PRECISE在推进精准营养方面处于有利地位，通过考察膳食暴露及其健康效应如何随地理区域、饮食和生活方式因素、代谢状态、遗传易感性、医疗状况以及社会和环境背景的变化而变化。[13] 其多队列结构也为发现和内部验证、地区和人群异质性评估，以及观察性证据和干预性证据的整合提供了机遇。

在PRECISE的首次报告中，我们描述了PRECISE联盟的设计和组成、数据统一化和死亡随访程序，以及其支持中国人群精准营养、慢性病和健康长寿研究的能力及其全球意义。

研究设计与治理

总体研究设计

PRECISE包含10个组成队列，包括随机临床试验和社区基的前瞻性队列。共有2,181,318名年龄≥18岁的成年人于2008年至2024年间入组，覆盖中国大陆31个省（自治区、直辖市）。参与者接受了标准化的基线数据采集，包括人口学特征、体格检查及其他相关指标。营养生物标志物和遗传标志物——包括叶酸、维生素B12、同型半胱氨酸、维生素D和MTHFR C677T基因型——在部分队列或亚组中可获取。主要暴露因素、协变量和结局在各队列之间进行了统一化处理，包括人口学、营养、生活方式、临床和实验室变量。特定死因死亡通过与中国国家死亡监测系统（NMSS）关联确定，死因按照《国际疾病分类》第十次修订版（ICD-10）进行分类。按设计，PRECISE是对组成队列的二次分析，不会进行新的招募、数据采集或干预。所有数据均已去标识化。

联盟结构与治理

联盟在四级治理框架下运作：

指导委员会：提供科学领导和战略决策。

执行委员会：监督日常运营和实施。

科学工作组：涵盖流行病学、精准营养、生物标志物、心血管疾病、卒中、肾脏疾病、癌症、死亡、数据科学和统计学等领域。

数据协调中心（DCC）：负责数据统一化、质量控制、安全和统计支持。

数据访问基于项目制，遵循标准程序。研究人员提交分析方案，说明科学问题、所需变量、分析计划、数据安全要求和出版计划。经批准的分析在受控环境中使用去标识化数据集进行，结果在传播前需经过内部科学和统计学审查。

数据来源与参与队列

PRECISE联盟包括10个组成队列：

- 中国卒中一级预防试验（CSPPT）
- 中国高血压患病率调查（CHS）
- 荣成卒中预防公共卫生项目（PHSP）
- H型高血压和卒中预防控制项目（HSPCP）
- 中国H型高血压首次卒中基于临床表型的研究（CP-HHFS）
- 精准叶酸降低Hcy试验（PFAT-Hcy）
- 中国H型高血压管理与预防项目（CHAMP）
- 中国精准营养与健康-KAP真实世界研究（CPN-KAPS）
- 中国精准营养与健康研究（CPNAS-2）
- 高脂血症区域整合诊疗项目（RICH）

在10个组成队列的数据统一化过程中，CPN-KAPS和CPNAS-2队列被合并为一个CPNAS数据集，最终共保留9个独立队列。

参与者和入选标准

PRECISE中所有队列及其参与者均需满足以下标准：

- 参与者年龄≥18岁。
- 具备完整的年龄、性别、体质指数、收缩压和舒张压等基线信息，且收缩压大于舒张压。
- 每个原始研究方案（包括其知情同意程序）均经相应机构审查委员会批准。
- 每名参与者拥有唯一标识符，用于与NMSS关联以确定存活状态、死亡日期和ICD-10死因编码。
- PRECISE中的所有数据集均已去标识化，移除了全名、原始居民身份证号码、详细居住地址等可直接识别个人参与者的信息。数据访问、数据分析和结果传播将遵循伦理标准、数据安全要求和最小风险原则。

基线数据域与变量

基线域包括人口学和社会经济特征、饮食和营养、生活方式、人体测量学、血压、实验室生物标志物、临床病史、用药情况、家族史以及部分专项测量。

标准化心血管代谢评估包括血压、体质指数、腰围、空腹血糖、血脂谱、肾功能和高血压、糖尿病、卒中和心血管疾病病史。

营养测量包括循环同型半胱氨酸、叶酸、维生素B12、维生素D等生物标志物，以及膳食摄入和叶酸等补充剂使用的问卷调查。

遗传生物标志物侧重于MTHFR C677T基因型。

死亡结局确定

主要结局：全因死亡、心血管死亡、卒中死亡、癌症死亡、慢性肾脏病死亡、慢性呼吸系统疾病死亡。

次要结局：消化系统、神经系统、内分泌系统、免疫系统、血液系统和其他疾病系统的特定死因死亡。

与NMSS的死亡关联

为了准确匹配中国疾病预防控制中心国家死亡监测系统（NMSS）的死因数据，同时确保个人信息安全，本研究采用MD5算法对身份证号码相关信息进行脱敏处理。MD5（消息摘要算法5）是一种哈希摘要算法，可将原始18位居民身份证号码转换为固定长度的32位十六进制字符串。死亡关联使用在数据整合之前生成的MD5编码身份证号码进行。原始身份证号码未传输至分析平台。哈希化标识符仅用于在受控访问条件下与NMSS记录进行确定性关联。该程序应被视为隐私保护性的假名化处理，而非完全的匿名化，并与机构访问控制、数据最小化和安全分析环境相结合。此外，相同的身份证号码经MD5处理后会产生相同的摘要值，从而能够与国家CDC提供的MD5编码死因数据进行准确匹配。在整个匹配过程中，MD5仅生成身份证号码的"数字指纹"，不保留任何可直接识别个人的原始信息。仅使用相关数据进行此死因终点匹配，不会用于任何其他目的。此处理方式在数据安全、隐私保护和研究可行性之间取得了平衡，符合敏感个人信息处理的基本原则——最小必要和脱敏利用。

随访起点定义为每个原始研究的基线调查日期或入组日期。对于死亡的参与者，随访终点定义为死亡日期；对于仍然存活的参与者，随访终点定义为管理性删失日期或NMSS数据更新的截止日期。死因确定和编码统一按照ICD-10进行标准化。对于所有死亡事件，以NMSS中记录的根本死因编码作为主要依据。所有死亡事件按照预先设定的分类规则归类为全因死亡和相应的疾病特异性死亡，包括心血管疾病死亡、卒中死亡、恶性肿瘤死亡、慢性肾脏病死亡和慢性呼吸系统疾病死亡。ICD-10编码的应用有助于确保各地区和数据来源之间死因确定的连贯性、可比性和标准化，从而提高PRECISE队列中死亡结局分类的科学严谨性和研究结果的可重复性。

数据统一化

PRECISE队列中多源队列数据的整合严格遵循四项标准化整合原则：统一变量命名、统一分类编码、统一测量单位和统一衍生变量算法。具体而言，平台首先建立一个通用数据模型，各队列随后进行适配。

这将使10个队列能够整合为单一的大型队列，克服单一队列研究的局限性。针对数据整合的核心要素，制定了统一且可重复的标准化规范，包括一致的变量命名体系、分类结局的分级标准、体格与生化检查的统一计量单位、涵盖非应答、未检测项目、失访、逻辑缺失值及其他常见情形的缺失值标准化编码规则，以及时间序列表型与临床表型衍生变量的可重复计算规则。这些措施确保所有参与队列的数据在核心维度上具有同质性和可比性。所有数据变量均进行预设并归入六大模块：人口学与社会经济指标、生活方式与膳食营养指标、体格检查指标、实验室生化检测指标、器械检查指标、以及临床医学史与药物暴露指标。在原始变量层面，在完成所有队列变量的语义对齐、编码重新分配和单位转换后，通过集中式质控工作流实施系统性数据标准化，以确保原始数据的准确性和标准化。对于体质指数（BMI）和代谢表型等关键衍生变量，在所有参与队列中采用统一的标准化算法进行同步计算和批量生成，严格避免各队列后处理规则不一致导致的人为异质性。最终，专门生成结构统一、统计口径一致、数据质量可控的标准化分析数据集，用于多队列合并的二次流行病学分析。整个过程中保留每个变量的原始来源记录、整合流程和质控评估，实现数据整合的全过程可追溯与可重复。

分布式与整合式混合数据架构

PRECISE联盟采用混合数据架构，即原始数据分布式存储与管理，分析层级数据集中式标准化整合。该架构精准满足多中心百万级队列联合二次分析对数据安全、隐私合规和可追溯管理的核心要求，同时兼顾数据利用效率与伦理安全。所有去标识化合并分析均在联盟专属的受控分析环境中进行，实施覆盖原始数据、脱敏中间数据及整合分析数据的三层存储架构，并配套精细化分级权限管理体系。研究者仅允许在授权范围内访问去标识化的分析数据集，严格防止原始数据泄露，保护研究参与者的隐私与安全。该架构不仅确保了大样本多队列合并二次分析的可行性与统计效能，还实现了数据整合与分析全过程中的隐私保护、伦理合规、操作可追溯与异质性可控。该架构为多中心研究的偏倚控制提供了扎实的方法学支持，保证了研究结果的真实性与可靠性。

PRECISE的伦理审批

PRECISE的所有成员队列均分别获得各自机构伦理委员会的审批。按照设计，PRECISE是对成员队列现有数据的二次分析，不涉及额外招募、数据或生物样本收集，以及临床干预。PRECISE联盟的研究方案已提交北京大学第一医院生物医学研究伦理委员会审查批准（批准号：2026R0431-0001），并获得深圳大健康伦理委员会批准（批准号：2026-004-02）。

统计分析

这是PRECISE的首次报告，旨在提供队列概况的全面描述。因此，统计分析以描述性分析为主。基线特征以均值（标准差[SD]）、中位数（四分位数间距[IQR]）或例数及百分比进行汇总。特征总体报告，并在数据可获得时按性别、队列、地理区域和死亡状态分别报告。

在该描述性队列概况中，我们呈现现有数据而不进行统一插补，以保留各队列的特定特征。在未来的病因学分析中，缺失数据将采用多重插补法处理，连续变量通过预测均值匹配进行插补，分类变量通过自适应舍入的Logistic回归或多项Logistic回归进行插补。

PRECISE联盟包含成员试验队列，如CSPPT和PFAT-Hcy，其中实施了基于叶酸的中试干预。在合并分析中，直接将原始随机分配到叶酸干预组的参与者与观察性队列的参与者进行整合，可能会引入与干预相关的异质性，并复杂化观察性关联的解读。因此，对于合并观察性分析，将在适当情况下排除原始试验干预组的参与者，或开展排除这些参与者的敏感性分析，以评估结果的稳健性。旨在评估干预效果的分析将单独进行，并明确考虑原始试验设计与治疗分配。

预计今后将有无数假设利用PRECISE进行检验，并将应用常规及高级分析方法。例如，时间-事件分析可能包括以达到的年龄或基线以来时间为时间尺度的Cox比例风险模型、用于特定原因死亡的竞争风险分析模型，以及用于非线性关系的限制性三次样条。预测建模将采用内部-外部交叉验证，即模型可在若干成员队列中开发，并在留出的队列中进行评估。未来的分析将明确考虑队列间异质性。主要分析将根据研究问题，将队列或分析数据来源作为分层因素或调整变量。在可行时，将生成队列特异性的估计值，然后使用随机效应Meta分析进行合并，以考虑入组期间、人群特征、基线风险谱和随访时间方面的异质性。异质性将使用队列特异性的效应估计和标准异质性统计量进行评估。

结果

队列组装与死亡终点

PRECISE联盟将10个队列协调统一为9个分析数据集（CPN-KAPS和CPNAS-2合并为单一CPNAS分析数据集）。当前发布版本包含2,181,318名成人参与者，通过NMSS链接识别出139,843例死亡。所有成员队列的基线入组时间范围为2008年5月19日至2024年12月31日。各队列共计贡献877万人年随访时间，中位随访时间为2.22年（IQR：1.10–7.18）。PRECISE总体基线中位年龄为61.2岁（IQR：52.2–69.0），女性占51.7%，农村居民占66.5%。

若干实验室变量的缺失主要反映了各参与队列之间测量可获得性的差异以及生物标志物检测的分阶段实施，而非参与者的非应答。同型半胱氨酸检测数据在734,026名参与者中可获得，中位浓度为12.7（10.4–16.2）μmol/L。近半数（47.8%）参与者在基线时有自报高血压病史，同型半胱氨酸水平在性别间存在显著差异（男性中位数为14.4 μmol/L vs. 女性11.6 μmol/L）。139,843例死亡为特定原因死亡分析、亚组异质性、非线性暴露-反应关联、以及营养、代谢、临床和生活方式因素之间的交互效应提供了优异的统计效能，这些方面在较小的中国队列中此前统计效能不足（表1）。

表1 PRECISE参与者特征，总体及按性别分组

变量 | 总体（n=2,181,318） | 男性（n=1,054,543） | 女性（n=1,126,775） | 数据可用率 n（%）
---|---|---|---|---
**人口学特征**
　　居住地（%）2,181,318（100）
　　　　农村 | 1,450,161（66.5） | 630,448（59.8） | 819,713（72.7） |
　　　　城镇 | 731,157（33.5） | 424,095（40.2） | 307,062（27.3） |
　　年龄（中位数[IQR]），岁 | 61.2（52.2–69.0） | 60.7（50.0–68.8） | 61.6（53.7–69.1） | 2,181,318（100）
　　教育水平（%）1,458,918（66.9）
　　　　文盲 | 309,126（21.2） | 70,037（10.5） | 239,089（30.2） |
　　　　小学及以下 | 451,793（31.0） | 205,355（30.8） | 246,438（31.1） |
　　　　初中 | 446,672（30.6） | 237,272（35.6） | 209,400（26.5） |
　　　　高中/中专 | 175,865（12.1） | 105,894（15.9） | 69,971（8.8） |
　　　　本科/大专/硕士及以上 | 75,462（5.2） | 48,853（7.3） | 26,609（3.4） |
　　吸烟状态（%）2,059,692（94.4）
　　　　从未吸烟 | 1,521,645（73.9） | 490,315（49.2） | 1,031,330（96.9） |
　　　　已戒 | 159,733（7.8） | 144,578（14.5） | 15,155（1.4） |
　　　　当前吸烟 | 378,314（18.4） | 360,815（36.2） | 17,499（1.6） |
　　饮酒状态（%）2,058,448（94.4）
　　　　从未饮酒 | 1,529,569（74.3） | 523,592（52.6） | 1,005,977（94.6） |
　　　　已戒 | 130,722（6.4） | 112,476（11.3） | 18,246（1.7） |
　　　　当前饮酒 | 398,157（19.3） | 359,109（36.1） | 39,048（3.7） |
**体格检查**
　　BMI（均值±SD），kg/m2 | 25.2±3.9 | 25.1±3.7 | 25.4±4.0 | 2,181,318（100）
　　收缩压（均值±SD），mmHg | 138.9±19.8 | 138.2±18.7 | 139.6±20.7 | 2,181,318（100）
　　舒张压（均值±SD），mmHg | 83.8±11.8 | 84.9±11.8 | 82.8±11.7 | 2,181,318（100）
　　脉搏（均值±SD），次/分 | 74.4±11.5 | 73.9±11.8 | 74.9±11.1 | 1,582,575（72.6）
**生化指标**
　　MTHFR C677T | 91,172（4.2）
　　　　CC | 23,090（25.3） | 8,880（25.4） | 14,210（25.3） |
　　　　CT | 44,765（49.1） | 17,108（48.9） | 27,657（49.2） |
　　　　TT | 23,317（25.6） | 8,982（25.7） | 14,335（25.5） |
　　叶酸（中位数[IQR]），ng/mL | 7.2（4.9–11.3） | 6.0（4.3–10.0） | 8.1（5.3–12.0） | 91,362（4.2）
　　VB12（中位数[IQR]），pg/mL | 415.1（347.3–502.1） | 399.9（333.9–480.3） | 424.6（356.4–515.8） | 90,233（4.1）
　　同型半胱氨酸（中位数[IQR]），μmol/L | 12.7（10.4–16.2） | 14.4（11.8–18.7） | 11.6（9.7–14.3） | 734,026（33.7）
　　总胆固醇（中位数[IQR]），mmol/L | 5.2（4.4–6.0） | 5.0（4.2–5.7） | 5.3（4.6–6.1） | 1,531,640（70.2）
　　甘油三酯（中位数[IQR]），mmol/L | 1.6（1.0–2.2） | 1.5（1.0–2.2） | 1.6（1.1–2.3） | 1,532,008（70.2）
　　HDL-C（中位数[IQR]），mmol/L | 1.3（1.1–1.6） | 1.2（1.0–1.5） | 1.4（1.1–1.6） | 923,045（42.3）
　　LDL-C（中位数[IQR]），mmol/L | 3.0（2.4–3.6） | 2.9（2.3–3.5） | 3.1（2.5–3.7） | 1,245,221（57.1）
　　空腹血糖（中位数[IQR]），mmol/L | 5.5（5.0–6.2） | 5.5（5.0–6.3） | 5.5（5.0–6.2） | 1,101,666（50.5）
　　肌酐（中位数[IQR]），μmol/L | 68.5（58.0–81.0） | 76.3（67.0–88.0） | 61.6（53.0–73.0） | 1,108,372（50.8）
　　eGFR（中位数[IQR]），ml/min/1.73m2 | 95.1（81.3–103.0） | 95.7（84.3–103.3） | 94.5（78.8–102.8） | 1,108,372（50.8）
　　尿酸（中位数[IQR]），μmol/L | 330.0（274.8–398.0） | 368.0（309.0–436.0） | 303.0（255.0–358.0） | 658,192（30.2）
　　尿素（中位数[IQR]），mmol/L | 5.7（4.6–6.9） | 5.9（4.9–7.1） | 5.4（4.4–6.6） | 468,680（21.5）
　　总胆红素（中位数[IQR]），μmol/L | 13.2（10.1–17.1） | 14.5（11.2–18.6） | 12.3（9.6–15.8） | 807,434（37.0）
　　直接胆红素（中位数[IQR]），μmol/L | 4.7（3.6–6.0） | 5.1（4.0–6.6） | 4.3（3.4–5.5） | 77,332（3.5）
　　白蛋白（中位数[IQR]），g/L | 46.3（44.0–48.8） | 46.3（44.0–48.7） | 46.4（44.1–48.8） | 111,091（5.1）
　　碱性磷酸酶（中位数[IQR]），U/L | 83.0（69.0–100.0） | 78.0（65.0–93.0） | 87.0（73.0–106.0） | 37,604（1.7）
　　ALT（中位数[IQR]），U/L | 18.0（13.0–25.0） | 19.0（14.0–27.6） | 17.0（12.5–23.0） | 1,090,958（50.0）
　　AST（中位数[IQR]），U/L | 22.0（18.1–27.0） | 23.0（19.0–28.0） | 22.0（18.0–26.7） | 1,043,630（47.8）
　　GGT（中位数[IQR]），U/L | 20.0（15.0–29.9） | 24.0（18.0–37.0） | 17.8（13.7–24.4） | 100,557（4.6）
　　总蛋白（中位数[IQR]），g/L | 73.3（69.8–77.1） | 72.4（69.0–76.2） | 74.0（70.4–77.7） | 76,885（3.5）
**自报疾病史**
　　高血压（%） | 985,766（47.8） | 476,563（47.8） | 509,203（47.8） | 2,061,032（94.5）
　　卒中（%） | 135,824（6.6） | 73,326（7.4） | 62,498（5.9） | 2,060,997（94.5）
　　糖尿病（%） | 215,238（10.5） | 98,590（9.9） | 116,648（11.0） | 2,049,370（94.0）
　　血脂异常（%） | 496,204（24.2） | 253,212（25.5） | 242,992（23.0） | 2,049,356（94.0）
**用药史**
　　抗高血压药（%） | 737,601（36.0） | 349,461（35.2） | 388,140（36.7） | 2,049,354（94.0）
　　降糖药（%） | 144,031（7.0） | 64,393（6.5） | 79,638（7.5） | 2,049,230（93.9）
　　调脂药（%） | 251,490（12.3） | 138,367（14.0） | 113,123（10.7） | 2,049,204（93.9）
**家族病史**
　　高血压（%） | 386,107（34.0） | 183,593（35.2） | 202,514（33.0） | 1,134,572（52.0）
　　糖尿病（%） | 85,523（7.5） | 37,710（7.2） | 47,813（7.8） | 1,134,567（52.0）
　　卒中（%） | 94,332（5.4） | 46,676（5.5） | 47,656（5.4） | 1,731,412（79.4）
　　恶性肿瘤（%） | 26,669（2.4） | 11,547（2.3） | 15,122（2.5） | 1,111,267（50.9）
**死亡**
死亡（%） | 2,181,318（100）
　　否 | 2,041,475（93.6） | 973,056（92.3） | 1,068,419（94.8） |
　　是 | 139,843（6.4） | 81,487（7.7） | 58,356（5.2） |

ALB，白蛋白；ALP，碱性磷酸酶；ALT，丙氨酸氨基转移酶；AST，天冬氨酸氨基转移酶；BMI，体质指数；CHOL，总胆固醇；CREA，肌酐；DBIL，直接胆红素；DBP，舒张压；eGFR，估算肾小球滤过率；GGT，γ-谷氨酰转移酶；GLU，葡萄糖；Hcy，同型半胱氨酸；HDL-C，高密度脂蛋白胆固醇；IQR，四分位数间距；LDL-C，低密度脂蛋白胆固醇；MTHFR，亚甲基四氢叶酸还原酶；SBP，收缩压；SD，标准差；TBIL，总胆红素；TG，甘油三酯；TP，总蛋白；UA，尿酸；UREA，尿素；VB12，维生素B12。

PRECISE的具体贡献队列包括：CSPPT（n=23,643）、CHS（n=11,741）、PHSP（n=280,132）、HSPCP（n=482,101）、CP-HHFS（n=247,964）、PFAT-Hcy（n=5,082）、CHAMP（n=129,977）、CPNAS（n=403,630）及RICH（n=597,048）。这些成员队列在研究设计、规模、地理覆盖范围和随访时长方面各有不同，共同构成了一个用于研究营养、慢性病及死亡方面多样性的规模异常庞大的前瞻性队列（表2）。

表2 PRECISE联盟各独立队列描述

分析数据来源 | 总参与人数 | 死亡数 | 基线期间 | 人年数 | 中位随访时间（IQR），年 | 年龄（岁）中位数（IQR） | 女性（%） | 地区*
---|---|---|---|---|---|---|---|---
CSPPT | 23,643 | 498 | 2008年5月19日至2009年7月24日 | 357,232 | 15.84（15.51–16.23） | 59.8（54.4–65.8） | 14,749（62.4） | 1
CHS | 11,741 | 1,489 | 2012年12月2日至2014年12月5日 | 117,376 | 10.43（10.38–10.48） | 54.8（42.1–66.2） | 6,966（59.3） | 2
PHSP | 280,132 | 37,345 | 2013年1月1日至2024年12月26日 | 2,059,960 | 7.80（4.35–10.74） | 62.3（58.8–68.3） | 152,380（54.4） | 3
HSPCP | 482,101 | 52,486 | 2016年3月15日至2021年1月30日 | 3,388,547 | 7.59（6.47–7.76） | 63.0（54.3–69.5） | 287,931（59.7） | 4
CP-HHFS | 247,964 | 28,087 | 2017年2月7日至2021年10月31日 | 1,445,074 | 6.05（5.40–6.71） | 60.7（51.6–68.9） | 101,896（41.1） | 5
PFAT-Hcy | 5,082 | 436 | 2018年3月20日至2018年7月24日 | 32,469 | 6.58（6.49–6.74） | 64.5（57.6–69.5） | 3,016（59.3） | 6
CHAMP | 129,977 | 5,981 | 2019年6月18日至2024年12月31日 | 372,747 | 2.99（1.78–3.95） | 59.8（51.4–69.3） | 49,181（37.8） | 7
CPNAS? | 403,630 | 5,177 | 2022年5月25日至2024年7月22日 | 579,596 | 1.43（1.40–1.45） | 64.3（55.7–71.2） | 240,547（59.6） | 8
RICH | 597,048 | 3,859 | 2023年3月7日至2024年12月3日 | 419,750 | 0.65（0.40–1.01） | 56.4（42.3–66.9） | 270,109（45.2） | 9
**总计** | **2,181,318** | **139,843** | **2008年5月19日至2024年12月31日** | **8,772,752** | **2.22（1.10–7.18）** | **61.2（52.2–69.0）** | **1,126,775（51.7）** | **全部**

总人年数由未取整数据计算得出，因此可能与各队列取整值之和略有差异。

*地区1包括安徽省和江苏省。地区2包括江西省。地区3包括山东省。地区4包括安徽、江苏、江西和山东省。地区5包括安徽省、北京市、福建省、甘肃省、广东省、广西壮族自治区、贵州省、河北省、河南省、黑龙江省、湖北省、湖南省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、宁夏回族自治区、山东省、山西省、陕西省、四川省、新疆维吾尔自治区、云南省、浙江省和重庆市。地区6包括安徽、江西和江苏省。地区7包括安徽省、北京市、甘肃省、广西壮族自治区、河北省、河南省、黑龙江省、湖北省、湖南省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、宁夏回族自治区、山东省、山西省、陕西省、四川省、新疆维吾尔自治区、云南省和重庆市。地区8包括安徽、甘肃、广东、贵州、河北、河南、湖北、江苏、江西、内蒙古自治区、宁夏回族自治区、山东、四川、新疆维吾尔自治区、云南和重庆市。地区9包括安徽省、北京市、福建省、甘肃省、广东省、广西壮族自治区、贵州省、海南省、河北省、河南省、黑龙江省、湖北省、湖南省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、宁夏回族自治区、青海省、山东省、山西省、陕西省、上海市、四川省、天津市、西藏自治区、新疆维吾尔自治区、云南省、浙江省和重庆市。

?CPNAS：CPN-KAPS和CPNAS-2经协调统一后合并为单一分析数据集，标记为CPNAS，具有统一的变量定义和标准化方案。

CHAMP，中国H型高血压管理与预防项目；CHS，中国高血压患病率调查；CP-HHFS，H型高血压首发卒中中国临床表型研究；CPN-KAPS，中国精准营养与健康-KAP真实世界研究；CPNAS-2，中国精准营养与健康研究；CSPPT，中国卒中一级预防试验；HSPCP，H型高血压与卒中防控项目；IQR，四分位间距；PFAT-Hcy，精准叶酸干预降低同型半胱氨酸试验；PHSP，荣成卒中防控公共卫生项目；RICH，区域整合式高脂血症诊疗项目。

## 地理覆盖范围与人群多样性

PRECISE在中国具有广泛的地理覆盖范围。根据各组成队列的区域定义，该平台纳入了来自中国大陆31个省、自治区、直辖市的参与者，覆盖华东、华中、西部、北方及南方地区（表2）。图1展示了PRECISE参与者中的地理分布。

开放多媒体模式
图1：
开放多媒体模式
PRECISE联盟参与者的地理位置。省级边界划分参考自中国标准地图服务（http://bzdt.ch.mnr.gov.cn，GS [2024] 0650）。

与许多现有队列不同，PRECISE纳入了大量的农村人口。总体而言，1,450,161名（66.5%）参与者来自农村地区，731,157名（33.5%）来自城市地区，捕捉了不同中国人群和社区在社会经济背景、生活方式、饮食模式、临床风险因素及死亡风险方面的异质性。这种地理和人群多样性增强了PRECISE在评估特定地区、特定人群和特定亚群的营养、慢性病和死亡方面的价值。

## 共同数据要素与专业化模块

表3显示，九个组成队列贡献了关于基本人口学信息、体格检查、饮食习惯、生活方式、既往病史、用药史和家族病史的核心信息。大多数队列可获得血液生化检测数据。

表3 PRECISE联盟各队列共同数据要素汇总。

| 数据模块 | 组成队列（地区） | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
|---|---|---|---|---|---|---|---|---|---|---|
| **核心变量** | | | | | | | | | | |
| 基本人口学信息 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 体格检查 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 生活方式 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 饮食习惯 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 既往病史 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 用药史 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 家族病史 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| 血液生化 | ? | ? | ? | ? | ? | ? | ? | ? | ? |
| **专业化模块** | | | | | | | | | | |
| 全血细胞计数 | ? | ? | ? | ? | | | | | | |
| 尿液分析 | ? | ? | ? | ? | | | | | | |
| 维生素 | ? | ? | ? | ? | ? | | | | | |
| MTHFR C677T | ? | ? | ? | ? | ? | ? | | | | |
| 矿物质 | ? | ? | ? | ? | ? | | | | | |
| 其他代谢指标 | ? | ? | ? | ? | | | | | | |
| 心电图 | ? | ? | ? | ? | ? | | | | | |
| 眼底检查 | ? | ? | | | | | | | | |
| 抑郁量表 | ? | ? | ? | ? | | | | | | |
| 颈动脉超声 | ? | ? | | | | | | | | |
| 脉搏波传导速度 | ? | ? | ? | ? | | | | | | |
| 肠道微生物调查问卷 | ? | ? | ? | | | | | | | |

ECG，心电图；PWV，脉搏波传导速度。

除这些核心变量外，多个队列还纳入了专业化模块，如全血细胞计数、尿液分析、维生素和矿物质生物标志物、MTHFR C677T基因型、心电图（ECG）、眼底检查、抑郁量表、颈动脉超声、脉搏波传导速度以及与肠道微生物健康相关因素的问卷。虽然这些专业化测量并非在所有队列中均可获得，但它们为检验新假设提供了独特机会，而这些新假设在以往的研究中由于缺乏此类数据或样本量不足而难以实现。

## 总体人群及分性别的20大主要特定原因死亡

特定原因死亡按照ICD-10进行分类，并呈现两个层级：主要系统类别（I类）和主要具体原因（III类）。如表4所示，循环系统疾病是导致死亡的首要原因，总体死亡人数为70,962例（50.7%），女性在其中的比例（53.4%）高于男性（48.9%）。肿瘤排名第二，总体死亡人数为33,211例（23.7%），男性中的比例（25.8%）显著高于女性（20.9%）。呼吸系统疾病、外部原因以及内分泌-营养-代谢疾病分别构成第三至第五位的主要系统死因。

表4 分系统的特定原因死亡及总体人群中前20大疾病特异性死亡，含分性别计数和排名。

| 死因 | 总体（n = 139,843） | 排名 | 性别：男性（n = 81,487） | 排名 | 女性（n = 58,356） | 排名 |
|---|---|---|---|---|---|---|
| **按系统统计的总死亡数** | | | | | | |
| 循环系统疾病 | 70,962 (50.7) | 1 | 39,820 (48.9) | 1 | 31,142 (53.4) | 1 |
| 肿瘤 | 33,211 (23.7) | 2 | 20,996 (25.8) | 2 | 12,215 (20.9) | 2 |
| 呼吸系统疾病 | 11,285 (8.1) | 3 | 7,243 (8.9) | 3 | 4,042 (6.9) | 3 |
| 外部病因所致发病和死亡 | 8,528 (6.1) | 4 | 5,245 (6.4) | 4 | 3,283 (5.6) | 4 |
| 内分泌、营养和代谢疾病 | 5,743 (4.1) | 5 | 2,543 (3.1) | 5 | 3,200 (5.5) | 5 |
| 消化系统疾病 | 3,191 (2.3) | 6 | 1,876 (2.3) | 6 | 1,315 (2.3) | 6 |
| 神经系统疾病 | 1,767 (1.3) | 7 | 956 (1.2) | 7 | 811 (1.4) | 7 |
| 未在其他处分类的症状、体征及异常临床和实验室发现 | 1,488 (1.1) | 8 | 722 (0.9) | 9 | 766 (1.3) | 8 |
| 泌尿生殖系统疾病 | 1,407 (1.0) | 9 | 842 (1.0) | 8 | 565 (1.0) | 9 |
| 精神和行为障碍 | 710 (0.5) | 10 | 372 (0.5) | 11 | 338 (0.6) | 10 |
| 某些传染病和寄生虫病 | 591 (0.4) | 11 | 375 (0.5) | 10 | 216 (0.4) | 11 |
| 肌肉骨骼系统和结缔组织疾病 | 361 (0.3) | 12 | 170 (0.2) | 12 | 191 (0.3) | 12 |
| 血液和造血器官疾病以及涉及免疫机制的某些疾患 | 223 (0.2) | 13 | 115 (0.1) | 13 | 108 (0.2) | 13 |
| 特殊用途代码 | 178 (0.1) | 14 | 106 (0.1) | 14 | 72 (0.1) | 14 |
| 皮肤和皮下组织疾病 | 109 (0.1) | 15 | 48 (0.1) | 15 | 61 (0.1) | 15 |
| 先天性畸形、变形和染色体异常 | 46 (<0.1) | 16 | 30 (<0.1) | 16 | 16 (<0.1) | 16 |
| 损伤、中毒和外部原因的其他后果 | 39 (<0.1) | 17 | 27 (<0.1) | 17 | 12 (<0.1) | 17 |
| 耳和乳突疾病 | 3 (<0.1) | 18 | 1 (<0.1) | 18 | 2 (<0.1) | 18 |
| 围生期情况 | 1 (<0.1) | 19 | 0 | 19 | 1 (<0.1) | 19 |
| **前20大特定死因** | | | | | | |
| 慢性缺血性心脏病 | 15,498 (11.1) | 1 | 8,304 (10.2) | 1 | 7,194 (12.3) | 1 |
| 脑梗死 | 12,822 (9.2) | 2 | 7,306 (9.0) | 2 | 5,516 (9.5) | 2 |
| 支气管和肺恶性肿瘤 | 10,877 (7.8) | 3 | 7,271 (8.9) | 3 | 3,606 (6.2) | 5 |
| 急性心肌梗死 | 10,405 (7.4) | 4 | 5,897 (7.2) | 4 | 4,508 (7.7) | 3 |
| 脑血管疾病后遗症 | 9,253 (6.6) | 5 | 5,462 (6.7) | 5 | 3,791 (6.5) | 4 |
| 脑内出血 | 8,308 (5.9) | 6 | 4,735 (5.8) | 6 | 3,573 (6.1) | 6 |
| 高血压性心脏病 | 6,167 (4.4) | 7 | 3,150 (3.9) | 8 | 3,017 (5.2) | 7 |
| 其他慢性阻塞性肺疾病 | 5,212 (3.7) | 8 | 3,579 (4.4) | 7 | 1,633 (2.8) | 9 |
| 肝和肝内胆管恶性肿瘤 | 3,901 (2.8) | 9 | 2,570 (3.2) | 10 | 1,331 (2.3) | 10 |
| 非胰岛素依赖性糖尿病 | 3,816 (2.7) | 10 | 1,672 (2.1) | 11 | 2,144 (3.7) | 8 |
| 胃恶性肿瘤 | 3,740 (2.7) | 11 | 2,717 (3.3) | 9 | 1,023 (1.8) | 11 |
| 肺炎，病原未特指 | 1,932 (1.4) | 12 | 1,134 (1.4) | 13 | 798 (1.4) | 12 |
| 食管恶性肿瘤 | 1,822 (1.3) | 13 | 1,416 (1.7) | 12 | 406 (0.7) | 23 |
| 胰腺恶性肿瘤 | 1,745 (1.2) | 14 | 1,001 (1.2) | 14 | 744 (1.3) | 13 |
| 直肠恶性肿瘤 | 1,403 (1.0) | 15 | 872 (1.1) | 15 | 531 (0.9) | 16 |
| 其他急性缺血性心脏病 | 1,227 (0.9) | 16 | 754 (0.9) | 16 | 473 (0.8) | 21 |
| 慢性支气管炎，未特指 | 1,224 (0.9) | 17 | 704 (0.9) | 17 | 520 (0.9) | 17 |
| 结肠恶性肿瘤 | 1,172 (0.8) | 18 | 656 (0.8) | 19 | 516 (0.9) | 18 |
| 在同一平面上的滑倒、绊倒和跌倒 | 1,117 (0.8) | 19 | 602 (0.7) | 22 | 515 (0.9) | 19 |
| 衰老 | 1,062 (0.8) | 20 | 443 (0.5) | 24 | 619 (1.1) | 14 |

在前20大特定死因中，慢性缺血性心脏病（11.1%）、脑梗死（9.2%）和支气管及肺恶性肿瘤（7.8%）是总体人群中最常见的死因。这种分级死亡分类方法，将器官层面的概览与详细的特定原因量化相结合，为在不同人群中整合营养、慢性病和死亡研究提供了独特数据。

## 讨论

PRECISE联盟是中国成人营养、慢性病和死亡研究领域最大规模的协调多队列平台之一。当前发布版本纳入了来自10个组成队列的2,181,318名参与者，涵盖中国大陆31个省级行政区，贡献了877万人年的随访数据，并通过与国家死因监测系统（NMSS）关联确认了139,843例死亡。其主要优势包括：样本量巨大、地理覆盖范围广泛、农村参与比例高、多维度基线特征表征以及全因和特定原因死亡的标准化确认。

PRECISE在中国快速的人口学、营养学和流行病学转型背景下具有时效性和重要意义。人口老龄化、城市化进程、饮食模式变化以及日益增加的心代谢多病共存，伴随着饮食、微量营养素状况、生活方式、医疗服务可及性和环境条件等方面显著的区域差异和城乡差异。[14–16] 西方人群的研究结果可能无法完全反映这些暴露因素在中国人群中的分布及其与健康结局的关系。[17] 因此，PRECISE提供了重要的特定人群资源，同时也为正在经历类似转型的其他国家提供了相关见解。

PRECISE的多队列结构提供了多项科学优势。对在不同地区、时期和临床环境中招募的队列进行协调，创造了检验地理和人群异质性的机会，而这些异质性在单一队列内难以评估。其规模提供了统计学效能，用于研究常见和不太频繁的死亡原因，并评估相关性是否因年龄、性别、地区、城乡居住、基线健康状况、营养生物标志物、遗传易感性及药物暴露而异。多队列联盟设计还可以支持内部-外部交叉验证，即在多个队列中开发的发现或预测模型在预留队列中进行评估。[18] 此类分析可以增强可重复性，并评估在不同中国人群和研究环境间的可迁移性。

另一个重要优势是将生活方式和临床数据与生化、营养及部分遗传学测量相结合。叶酸状况和MTHFR C677T多态性是同型半胱氨酸代谢的重要决定因素，可能影响心血管和卒中风险，尤其是在叶酸状况低下且高血压患病率较高的人群中。[19] PRECISE大样本子集中同型半胱氨酸及相关营养生物标志物的可获得性，为研究营养素-基因交互作用及心代谢风险的异质性创造了机会。

与国家死因监测系统（NMSS）的关联为研究全因和主要特定原因死亡提供了标准化框架。[20,21] 这种设计可以支持识别高危表型、评估潜在可改变的风险因素，以及开发和验证死亡预测模型。未来的出版物应记录关联完整性、随访时长、死因定义以及死亡证明中潜在的区域差异。分析还应区分重叠的结局类别，如卒中和更广泛的心血管死亡，并考虑特定死因潜在的错误分类。

PRECISE的政策相关性源于其关注潜在可改变的营养、行为、代谢和临床因素。研究结果可能有助于识别可从针对性筛查或预防中受益的人群，为特定地区的饮食和心代谢策略提供信息，并改善中国成人风险预测工具。然而，观察性关联不应自动被解释为因果关系。药物相关分析需要仔细关注适应证混杂、治疗随时间的变化以及随机化队列与观察性队列之间的差异。随机试验队列的存在提供了评估干预效果的额外机会，但在合并数据时必须考虑治疗分配和试验资格。

应承认若干局限性。首先，PRECISE协调的是现有研究，而非遵循单一统一方案。在招募时期、抽样框架、纳入标准、测量方法、干预暴露和随访方面的差异可能引入异质性。根据研究问题的不同，队列特异性分析后进行荟萃分析可能优于直接合并。其次，由于组成队列是通过高血压筛查项目、基于社区的公共卫生倡议和临床试验而非多阶段概率抽样组建的，合并后的PRECISE队列并非全国代表性样本。因此，风险因素和基线状况的患病率估计不应外推至中国成人总体人群。然而，这种招募策略产出了一个大规模高危人群，为研究特定原因死亡和评估风险因素-死亡关联的异质性提供了可观的统计学效能。第三，并非所有测量在每个队列中都可获得。核心变量支持大规模合并分析，而遗传学数据、营养生物标志物、认知评估、影像学测量和其他专项评估仅限于特定队列。第四，许多暴露因素仅在基线时评估，可能无法捕捉随访期间饮食、生活方式、用药或心代谢健康的变化。第五，随访时长因招募跨度较长而有所差异，近期纳入的队列提供的纵向信息较少。最后，由于该联盟既包括基于社区的人群也包括临床试验人群，合并结果应与贡献队列的特征联系起来进行解读，并尽可能跨研究环境进行验证。

## 结论

PRECISE联盟是一个大规模、协调的国家级研究平台，由10个组成队列和来自中国大陆31个省级行政区的2,181,318名成人组成。其广泛的地理覆盖范围、大量农村参与、多维度基线数据、丰富的生物标志物以及与全因和特定原因死亡的标准关联，为推进精准营养以及研究中国成人慢性病和死亡的营养、生活方式、代谢、临床和遗传决定因素提供了宝贵资源。

## 致谢

作者衷心感谢各组成队列中的所有研究参与者，并感激地感谢参与各队列参与者招募、数据收集和长期随访的研究人员和当地医疗专业人员所做出的宝贵贡献。

## 资金支持

本研究得到了深圳市发展和改革委员会的资金支持[XMHT20220104055]。

## 作者贡献

J.L.、X.Q.、D.C.、X.C.和Y.H.（研究设计）构思并设计了研究项目，制定了整体研究方案并指导了本研究的开展。J.L.、H.M.、Q.D.、Y.C.、B.W.、F.F.H.、H.S.、M.Z.和Y.H.（实施研究）参与了现场队列调查、核心队列指标收集、实验室检测、终点确认和/或提供了必要的队列资源及研究材料。J.L.、H.M.、Q.D.、B.W.、F.F.H.、H.S.、M.Z.和Y.H.（提供必要材料）提供了必要的队列资源、实验室数据、终点信息或本研究所需的其他材料。C.M.、B.W.、X.Q.、D.C.和L.L.（数据分析或统计处理）参与了数据清洗、统计分析、方法确定和统计审核。C.M.和Y.S.（撰写论文）起草了初稿。F.F.H.、H.S.、M.Z.、X.C.、J.L.、Y.H.（撰写论文）以及所有其他共同作者对论文的重要学术内容进行了批判性审阅和修改。Y.H.（对最终内容负主要责任）领导和协调了研究团队，监督了整体项目，并对最终内容负主要责任。所有作者阅读、审阅并批准了提交的最终版本。

## 利益冲突

作者声明不存在利益冲突。