编辑推荐：
随着对个体间应激神经内分泌差异研究的深入，整合多项急性应激诱导研究数据以进行大规模个体参与者数据（IPD）荟萃分析的需求日益增长。然而，传统的皮质醇应激反应指标（如曲线下面积AUC）受到采样时间和持续时间的影响，这在数据整合中构成了挑战。为此，研究人员利用大型联合数据集（STRESS-EU；n=1,295）开发了基于数学建模的新型指标，该模型能够适应不同的采样方案，并通过插值和外推实现对个体响应曲线的完整建模。模拟和独立数据的验证表明，在采样持续时间存在变异的情况下，基于模型的AUC指标相比传统的“基于观测”的指标具有更高的准确性。这项研究开发的创新方法统一了皮质醇反应指标的估计，为急性应激测试研究的IPD荟萃分析提供了有力工具，有望极大地推动该领域的发展。
当压力来临时，我们的身体会启动一套名为“下丘脑-垂体-肾上腺（HPA）轴”的精巧系统，促使肾上腺释放皮质醇，帮助我们应对挑战。科学家们在实验室中设计了各种急性应激测试（如Trier社会应激测试TSST、社会评价性冷水压力测试SECPT等）来标准化地诱发这种反应，并测量唾液中的皮质醇水平，以此量化HPA轴的激活状态。这些研究为了解抑郁、精神分裂症等临床疾病相关的HPA轴失调提供了重要见解。然而，随着研究的深入，一个“甜蜜的烦恼”出现了：不同研究由于设计、样本量、特别是唾液采样方案（采样时间和频率）的巨大差异，导致结果难以直接比较和整合。传统的皮质醇反应汇总指标，如曲线下面积（AUC），其计算直接依赖于采样持续时间和时间点，在将这些来自不同“时间表”的研究数据合并时，会产生偏差，威胁到大规模个体参与者数据（IPD）荟萃分析的准确性和有效性。为了调和这些“不同步”的数据，挖掘其中蕴含的关于个体差异的宝贵信息，研究人员亟需一种能超越特定采样方案限制的、更稳健的指标计算方法。
为了应对这一挑战，来自荷兰拉德堡德大学医学中心等机构的研究团队在《Neurobiology of Stress》上发表了一项研究。他们利用大型联合数据库STRESS-EU（包含来自31项研究的1295名参与者的数据），开发了一种基于数学建模的新方法，旨在创建能够适应不同采样方案的皮质醇应激反应指标，从而促进跨研究数据的有效整合。
研究的主要技术方法包括：1. 数据来源与处理：研究核心数据来源于STRESS-EU数据库，该数据库汇集了多项采用急性应激测试（如TSST、SECPT、MAST等）并测量唾液皮质醇的研究。研究者对数据进行了严格的清洗和标准化处理，包括将采样时间统一参照应激源起始点、校正基线值、排除特定条件参与者等。2. 数学建模：研究者开发了两种基于伽马分布的非线性模型来拟合皮质醇反应曲线。一种是多水平模型，该模型灵活地模拟个体反应曲线的形状，并考虑了性别和应激测试类型等协变量，通过“收缩”效应估计个体参数。另一种是振幅缩放模型，该方法假设所有应答者的反应曲线形状一致，仅估计个体反应的幅度，其基础曲线基于STRESS-EU数据库中应激条件下的应答者数据得出。3. 模型验证与应用：首先，在STRESS-EU数据上训练和测试模型，评估拟合优度。其次，利用基于随机微分方程（SDE）生成的高时间分辨率模拟数据集进行严格验证。该模拟数据可提供不受采样噪声影响的“真实”指标值，通过将其下采样模拟不同采样方案，可以系统比较传统的“基于观测”的指标与新型“基于模型”的指标在准确性、稳定性以及对采样方案变异的稳健性。最后，将模型应用于两个独立的真实世界急性应激测试数据集，以展示其实际应用潜力并提供初步的外部验证。
研究结果
3.1. 第一步：利用STRESS-EU数据进行方法开发——模型拟合与性能
研究者利用STRESS-EU数据拟合了两种模型。多水平模型在训练集和测试集上均表现出较低的预测误差（平均绝对误差MAE约为0.44 nmol/L），且未出现过拟合。振幅缩放模型的拟合误差较高（MAE约为1.7 nmol/L），这是因为它是一个更为简化的模型。模型最终基于全部数据生成，多水平模型输出了考虑性别和应激测试类型后的“群体估计”反应曲线，而振幅缩放模型则得出了一条基于应激应答者的平均皮质醇反应曲线，用于后续的个体幅度缩放。
3.2. 第二步：利用模拟数据进行方法验证——比较皮质醇汇总指标
本研究通过模拟数据系统评估了不同指标的优劣。
- •
指标准确性：在单一的、固定的采样方案下，传统的基于观测的指标与两种基于模型的指标在等级顺序准确性（即估计值与“真实”值之间的斯皮尔曼相关系数）上表现相当，均处于较高水平。
- •
指标稳定性：当系统地改变采样方案的某一特定因素（如持续时间、频率、峰值时间点）时，三种方法得出的指标在跨采样方案稳定性方面也表现相似，尤其是AUC指标稳定性很高。
- •
指标在合并数据中的适用性：这是检验新方法价值的关键。模拟结果显示，当合并的数据在采样持续时间上存在变异时，传统的基于观测的AUC指标，特别是AUCg，会与采样持续时间呈中度正相关，这导致其在合并数据中的准确性显著下降。而基于模型的AUC指标（无论是多水平模型还是振幅缩放模型）通过数据插值和外推，消除了与采样持续时间的相关性，从而在此种情况下提供了更准确、更稳健的估计。振幅缩放模型在AUC指标上表现略优。对于反应性指标，三种方法在合并数据中表现相近且均可接受。而对于最大增量指标，所有方法在采样方案非常稀疏（例如仅包含基线和应激后30分钟样本）时准确性都相对较低。
- •
指标在个体采样时间变异中的适用性：当单个研究内部存在个体采样时间点的微小变异时，传统方法通过使用平均采样时间点进行计算，其准确性仍然较高，与模型方法差异不大。
3.3. 方法应用于独立的急性应激测试研究
研究者将模型应用于两个独立的真实数据集（一个使用修改版SECPT，另一个使用MAST）。结果显示，基于模型的AUC指标与传统的基于观测的AUC指标高度相关，这为模型指标提供了一种基于当前领域“金标准”的外部验证。同时，应用中也揭示了一些细节，例如振幅缩放模型得出的反应性与AUCi完全线性相关，而多水平模型得出的最大增量指标在特定数据集中更接近传统的峰值时间点。
结论与意义
本研究的核心结论是，为了整合采样方案各异的急性应激测试研究数据，基于数学建模的皮质醇反应指标提供了一种优越的解决方案。传统的基于观测的AUC指标，尤其是AUCg，其估计值会因采样持续时间的不同而产生偏差，从而影响合并数据分析的准确性。而本研究开发的两种模型（特别是振幅缩放模型）通过对个体皮质醇反应曲线进行数据插值和外推，能够计算出不受采样持续时间影响的AUC估计值，因此在处理包含不同采样持续时间数据的合并数据集时，表现出更高的准确性和稳健性。虽然传统的反应性指标在许多情况下仍可使用，但基于模型的指标为研究者提供了更灵活、更可靠的选择。
这项研究的重要意义在于，它为解决应激神经内分泌学领域长期存在的数据整合难题提供了切实可行的工具。通过统一和标准化皮质醇应激反应的量化指标，该方法极大地促进了跨研究的个体参与者数据（IPD）荟萃分析的开展。这将有助于汇集更大规模的数据，从而更有效地探索皮质醇应激反应的个体差异及其与精神病理学、心理健康和其他个体特征（如性别、年龄）的关联，最终推动对HPA轴功能及其在健康和疾病中作用的更深入理解。研究者公开了模型公式和代码，鼓励其他学者使用，以推动该领域的协同进步。同时，文章也指出了未来研究方向，例如开发能更好建模皮质醇反应恢复相的指标，以及对更多样化应激测试方案的验证。
