葡萄糖稳态的应激负荷、表观遗传生物标志物以及全因死亡率和心血管死亡率：一项前瞻性队列研究

《Journal of the American Heart Association》：Allostatic Load of Glucose Homeostasis, Epigenetic Biomarkers, and All‐Cause and Cardiovascular Death: A Prospective Cohort Study

　　**摘要**

**背景**
本研究旨在评估葡萄糖稳态系统的代偿负荷（AL-GHS，即对葡萄糖稳态的代谢压力的累积指标）与全因死亡和心血管疾病死亡之间的关联，并探讨多种表观遗传生物标志物在这种关联中的中介作用。

**方法**
研究纳入了1999至2002年间美国国家健康与营养调查（NHANES）中1021名50岁及以上的成年人，随访至2019年12月。AL-GHS（范围0-6）是根据6个与葡萄糖相关的生物标志物计算得出的：空腹血糖、胰岛素、胰岛素抵抗和β细胞功能的稳态模型评估、甘油三酯-葡萄糖指数以及血糖指数。使用加权Cox比例风险模型评估AL-GHS与全因死亡和心血管疾病死亡的关联，并结合Kaplan-Meier曲线和受限立方样条回归进行分析。此外，还进行了中介分析以评估表观遗传生物标志物的中介效应。

**结果**
AL-GHS每增加1分，全因死亡风险增加9.5%（风险比[HR] = 1.095 [95% CI, 1.016–1.181]），心血管疾病死亡风险增加15.8%（HR = 1.158 [95% CI, 1.010–1.327]）。表观遗传生物标志物HorvathAge（HR = 1.292 [95% CI, 1.105–1.510]）、HannumAge（HR = 1.307 [95% CI, 1.054–1.621]）、PhenoAge（HR = 1.428 [95% CI, 1.119–1.822]）、GrimAgeMort（HR = 1.753 [95% CI, 1.265–2.429]）、GrimAge2Mort（HR = 1.725 [95% CI, 1.315–2.263]）和HorvathTelo（HR = 0.807 [95% CI, 0.688–0.947]）与全因死亡呈线性相关；GrimAgeMort（HR = 1.753 [95% CI, 1.265–2.429]）和GrimAge2Mort（HR = 1.725 [95% CI, 1.315–2.263]）与心血管疾病死亡呈线性相关。HorvathAge和PhenoAge分别介导了AL-GHS与全因死亡之间7.53%和18.00%的关联。

**结论**
AL-GHS与全因死亡和心血管疾病死亡均呈正相关，其与全因死亡的关联部分由HorvathAge和PhenoAge介导。

**非标准缩写和缩略词**
AL：代偿负荷
AL-GHS：葡萄糖稳态系统的代偿负荷
DNAm：DNA甲基化
NHANES：国家健康与营养调查

**临床意义**
• 葡萄糖稳态系统的代偿负荷较高与全因死亡和心血管疾病死亡风险增加相关。
• HorvathAge和PhenoAge部分介导了AL-GHS与全因死亡之间的关联。

**什么是新的发现？**
• 使用AL-GHS可以帮助识别心血管疾病和全因死亡风险较高的个体，从而支持临床实践中的早期风险分层和预防干预。

**代偿作用**
代偿作用是指身体通过动态适应外部压力源来维持生理稳定性的过程。长期或反复的压力暴露会导致累积的生理负荷（AL），这会逐渐损害多个生理系统，尤其是葡萄糖稳态系统。当葡萄糖稳态系统受到影响时，由于急性胰岛素分泌与胰岛素作用之间的协调受损，会导致葡萄糖稳态系统的代偿负荷增加。作为补偿反应，血糖水平持续升高，进而刺激胰岛素分泌增加，使葡萄糖稳态得以维持，尽管存在胰岛素抵抗。AL-GHS可以在疾病发生之前早期捕捉到葡萄糖稳态的负担及相关代谢变化，为量化葡萄糖稳态系统的负担和检测可能导致疾病发展的代谢变化提供了有价值的工具。这种方法与传统代偿负荷测量方法不同，后者通常不专注于葡萄糖稳态。理论上，AL-GHS可能引发代谢压力、损害线粒体功能、促进全身炎症和氧化应激，并加速细胞衰老，从而导致不良后果甚至死亡。然而，AL-GHS对死亡的影响仍不清楚，因此需要对其进行严格量化，以指导早期健康干预。

**衰老是主要的死亡风险因素**，主要是因为它涉及生理系统的逐渐衰退和疾病易感性的增加。在生理系统中，葡萄糖稳态对长期代谢压力特别敏感。持续升高的血糖水平会损害线粒体功能、促进炎症并干扰基因调控，这些因素都被认为会加速衰老。然而，实际年龄并不能准确反映个体器官和细胞的功能衰退。为了更好地捕捉个体间的衰老差异，基于DNA甲基化（DNAm）的生物标志物（通常称为表观遗传时钟）已被开发出来，用于估计生物年龄，并被视为预测衰老最有前景的工具。这些时钟依赖于基因组中的年龄相关甲基化变化模式，利用大规模基因组数据和统计学习方法构建。几种广泛使用的时钟，包括HorvathAge、HannumAge、PhenoAge和GrimAge，已显示出与年龄相关特征和死亡的强相关性。除了预测DNAm年龄外，DNAm还可以用于构建其他与衰老相关的生理过程的生物标志物，如细胞有丝分裂、衰老率和端粒长度。这些生物标志物不仅反映了生物衰老，还可能与死亡有关。因此，它们可能有助于研究表观遗传衰老是否是连接AL-GHS与死亡的潜在途径。

**研究方法**
本研究使用的数据集可从国家健康与营养调查（NHANES；https://www.cdc.gov/nchs/nhanes/index.html）公开获取。

**数据可用性**

**研究人群**
NHANES是国家卫生统计中心的一项重要项目，采用复杂的多阶段概率抽样方法，每两年选取一次非机构化平民样本，以评估美国成人和儿童的健康和营养状况。NHANES方案获得了国家卫生统计中心伦理审查委员会的批准，所有参与者均提供了知情书面同意。1999至2000年和2001至2002年的基线周期共纳入21,004名参与者。排除年龄小于50岁未进行DNAm检测的个体、表观遗传生物标志物数据缺失的个体以及协变量数据缺失的个体后，最终纳入1021名参与者（见图S1）。

**AL-GHS的评估**
为了全面评估个体对葡萄糖稳态系统的生理负荷，通过整合关键生物标志物（包括空腹血糖、胰岛素、胰岛素抵抗和β细胞功能的稳态模型评估、甘油三酯-葡萄糖指数以及血糖指数）来估算AL-GHS。如果个体的生物标志物值处于人群分布的极端四分位数范围内，则被认定为“高风险”（得分=1，否则得分=0）。具体来说，空腹血糖、胰岛素、胰岛素抵抗的稳态模型评估或甘油三酯-葡萄糖指数的最高四分位数，或血糖指数的最低四分位数的个体被认定为“高风险”。β细胞功能的最高和最低四分位数也被视为高风险，因为它们代表了两种不同的β细胞功能障碍形式。AL-GHS得分是通过各标志物的风险得分相加得出的，总分为0至6分。

**表观遗传生物标志物的评估**
DNAm代表一种潜在的可逆表观遗传修饰，涉及在DNA胞嘧啶碱基上添加甲基基团而不改变DNA序列。本研究使用EPIC BeadChip阵列（Illumina，加利福尼亚州圣地亚哥）测量了1999至2002年间NHANES参与者的DNA甲基化水平。随后，通过应用已发表的表观遗传生物标志物系数，估算了13个基于DNAm的表观遗传生物标志物（包括HorvathAge、HannumAge、SkinBloodAge、PhenoAge、HorvathTelo、YangCell、ZhangAge、LinAge、WeidnerAge、VidalBraloAge、DunedinPoAM、GrimAgeMort和GrimAge2Mort），以表征各种生物参数（实际年龄、表型年龄、端粒长度、衰老率和细胞分裂率）。

**死亡的确定**
为了评估随访队列中的死亡情况，我们使用了截至2019年12月31日的NHANES公共使用死亡文件，该文件通过概率匹配与国家卫生统计中心和国家死亡指数链接。研究结果包括全因死亡和心血管疾病（CVD）死亡，其中CVD死亡根据UCOD.LEADING重新编码系统（代码054–068，表示“心脏病”）定义，该系统基于国际疾病分类第十版（ICD-10）的死亡原因分组。

**协变量**
通过相关文献回顾、初步统计分析和生物学/统计考虑，选择了性别（男性、女性）、年龄（岁）、体重指数（BMI；kg/m2）、教育水平（低于高中、高中毕业/同等学历、部分大学及以上）、种族和民族（非西班牙裔白人、非西班牙裔黑人、墨西哥裔美国人、其他西班牙裔、其他种族/多种族）、婚姻状况（已婚或与伴侣同居、从未结婚/离婚/分居、丧偶/拒绝）、家庭收入与贫困的比例、吸烟状况（不吸烟者、吸烟者）、饮酒状况（不饮酒者、饮酒者）和体力活动（无或较低、中等、剧烈）作为潜在的混杂因素。具体而言，我们将每年至少饮用12种酒精饮料的参与者定义为饮酒者，自我报告目前吸烟且一生中至少吸过100支香烟的参与者定义为吸烟者，过去30天内至少进行10分钟剧烈运动的参与者定义为有剧烈体力活动的参与者，过去30天内至少进行10分钟中等强度运动的参与者定义为有中等体力活动的参与者。

**统计分析**
变量的特征使用加权平均值±加权标准误差或频率（加权百分比）进行总结。连续变量进行了正态性检验，使用Levene检验评估方差齐性。所有连续变量的方差假设均得到满足。表中的组间比较使用了Rao-Scott χ2检验（分类变量）和调查加权ANOVA检验（连续变量），考虑了调查设计。ANOVA提供了组间差异的总体检验，未进行事后成对比较。为了便于比较和解释，所有表观遗传生物标志物在分析前都进行了Z分数标准化。

**结论**
使用加权Cox比例风险模型（比例风险假设通过Schoenfeld残差图验证）和R语言的“survey”及“survival”包（奥地利维也纳统计计算基金会）评估了AL-GHS和表观遗传生物标志物与全因死亡和CVD死亡之间的关联。分层分析评估了性别（男性或女性）、年龄（≤65岁或>65岁）、BMI（<30 kg/m2或≥30 kg/m2）、种族（白人或非白人）或吸烟状况（吸烟者或非吸烟者）是否改变了这些关联。为了探讨AL-GHS和表观遗传生物标志物与死亡结果的剂量-反应关系，应用了在10%、50%和90%分位数处有3个结点的受限立方样条模型（R包“rms”）。受限立方样条模型通过似然比检验检查非线性，P值>0.05表示解释变量和响应变量之间存在线性关系。AL-GHS根据实际参与者分布的四分位数进行分类，0分为低风险组（所有组成生物标志物均不“处于高风险”），1至3分为中等风险组，4至6分为高风险组。表观遗传生物标志物根据其四分位数分为低（最低四分位数）、中（第二和第三四分位数）和高（最高四分位数），并使用Kaplan-Meier生存曲线（R包“survival”和“survminer”）比较这些类别之间的死亡率，与先前使用低代偿负荷与高代偿负荷对比死亡率的研究一致。

**加权线性回归模型**
使用R语言的“survey”包进行了加权线性回归分析，以研究AL-GHS和表观遗传生物标志物之间的关联。为了探讨表观遗传生物标志物在AL-GHS与死亡关联中的潜在中介作用，使用了VanderWeele提出的两阶段回归方法进行了中介分析（SAS宏“PRODCLIN；SAS Institute，北卡罗来纳州卡里）。简而言之，在第一阶段，模型化了暴露与中介因素之间的关联；在第二阶段，模型化了中介因素与结果之间的关联。然后通过系数的乘积计算了间接效应，并使用“乘积分布法”估计了95%的置信区间（CI）。所有模型都调整了性别、BMI、年龄、种族和民族、婚姻状况、教育水平、家庭收入与贫困的比例、饮酒状况、吸烟状况以及体力活动等因素。调查权重（WTDN4YR）被纳入统计分析中，以考虑NHANES的复杂抽样设计，确保结果的无偏性和代表性。所有统计分析均使用R（版本4.3.3）和SAS（版本9.4）进行。统计显著性定义为双尾P值<0.05。对于多重比较，应用了Benjamini–Hochberg程序进行假发现率校正。

研究人群的特征
在我们的研究中，共有1021名参与者（平均年龄63.9岁，55%为女性），其中352人被归类为低AL-GHS组，416人属于中等AL-GHS组，253人属于高AL-GHS组。平均随访时间为15年后，分别记录了527例全因死亡和136例心血管疾病（CVD）死亡。AL-GHS较高的参与者通常具有较高的BMI、较低的家庭收入与贫困比例、较低的教育水平以及较大的非西班牙裔黑人比例（见表1）。

表1. 根据AL-GHS类别划分的研究参与者基本特征
| 特征 | 低AL-GHS组（AL-GHS=0） | 中等AL-GHS组（AL-GHS 0至≤3） | 高AL-GHS组（AL-GHS 3至≤6） |
|------------|----------------|------------------|------------------|
| 性别（n%） | 513（45.0） | 164（42.9） | 222（49.1） |
| 随访时间（年，均值±标准误）| 15.0±0.2 | 15.5±0.4 | 15.1±0.3 |
| 全因死亡（n%） | 527（45.8） | 163（38.5） | 215（44.8） |
| CVD死亡（n%） | 136（11.1） | 39（9.2） | 50（10.0） |
| 年龄（岁，均值±标准误） | 63.9±0.4 | 63.0±0.7 | 64.4±0.8 |
| BMI（kg/m2，均值±标准误）| 28.7±0.3 | 27.6±0.3 | 28.0±0.4 |
| 种族和民族（n%） | 302（3.5） | 84（2.5） | 115（3.2） |
| 非西班牙裔黑人 | 199（7.6） | 72（7.3） | 65（5.3） |
| 非西班牙裔白人 | 431（80.6） | 165（82.0） | 196（83.5） |
| 其他西班牙裔 | 62（5.6） | 25（6.7） | 24（4.3） |
| 家庭收入与贫困比例 | 3.3±0.1 | 3.5±0.2 | 3.4±0.1 |
| 教育水平（n%） | <高中教育 | 高中毕业 同等学历 | 一些大学或更高学历 | | 吸烟状况（n%） | 864（83.9%） | 297（83.3%） | 352（83.7%） | | 饮酒状况（n%） | 722（72.7%） | 248（70.3%） | 297（74.8%） | | 婚姻状况（n%） | 655（67.3%） | 222（68.6%） | 265（66.7%） | | 从未结婚 离婚 分居 | 172（17.5%） | 62（17.2%） | 72（18.0%） | | 寡居 拒绝回答 | 194（15.2%） | 68（14.1%） | 79（15.3%） | | 体力活动（n%） | 547（44.1%） | 188（46.1%） | 198（38.1%） | | 中等活动量 | 284（31.9%） | 93（31.8%） | 135（33.8%） | | 高强度活动量 | 190（24.0%） | 71（22.1%） | 83（28.1%） | 结果 **al-ghs与死亡的关系** 发现al-ghs与全因死亡和cvd死亡之间存在线性关系（非线性p值>0.05），AL-GHS每增加1分，全因死亡的风险增加9.5%（风险比[HR]，95%置信区间[1.095, 1.181]），CVD死亡的风险增加15.8%（HR，95%置信区间[1.158, 1.327]）（见图1A和1B）。年龄（调整后的P值<0.05）而非性别、BMI、种族或吸烟状况影响了这些关系，这种关系在65岁及以下的参与者中仍然存在（见表S2）。Kaplan–Meier生存曲线显示，AL-GHS水平较高的受试者随着时间的推移，全因死亡和CVD死亡的生存率逐渐降低（见图1C和1D）。

**表2. AL-GHS与全因死亡和CVD死亡的关联**
A. 限制立方样条回归模型显示AL-GHS与全因死亡之间的关联。
B. 限制立方样条回归模型显示AL-GHS与CVD死亡之间的关联。
C. Kaplan–Meier生存曲线显示AL-GHS与全因死亡之间的关联。
D. Kaplan–Meier生存曲线显示AL-GHS与CVD死亡之间的关联。限制立方样条曲线在AL-GHS的第10、50和90百分位数处设置了3个节点（参考点设置在第10百分位数）。通过Cox比例风险回归模型估计了AL-GHS每增加1分的风险比（95%置信区间）。调整了年龄、性别、BMI、种族、教育水平、家庭收入与贫困的比例、饮酒状况、吸烟状况、婚姻状况和体力活动等因素。

**表3. AL-GHS与表观遗传生物标志物与死亡的关系**
如图2A所示，即使在假发现率校正后，包括HorvathAge（HR，1.292 [95% CI, 1.105–1.510]）、HannumAge（HR，1.307 [95% CI, 1.054–1.621]）、PhenoAge（HR，1.428 [95% CI, 1.119–1.822]、GrimAgeMort（HR，1.753 [95% CI, 1.265–2.429]）和GrimAge2Mort（HR，1.725 [95% CI, 1.315–2.263]）在内的多个表观遗传生物标志物与全因死亡之间存在线性关系（非线性P值>0.05）。这些显著关系未受性别、年龄、BMI、种族和民族或吸烟状况的影响（调整后的P值>0.05；见表S2）。对于CVD死亡，这些标志物与GrimAgeMort（HR，1.753 [95% CI, 1.265–2.429]）和GrimAge2Mort（HR，1.725 [95% CI, 1.315–2.263]）的关联在假发现率校正后消失（见图2B）。Kaplan–Meier生存曲线显示，表观遗传生物标志物水平较高的受试者随着时间的推移，全因死亡和CVD死亡的生存率逐渐降低（见表S2）。

**中介分析**
图S3展示了AL-GHS与表观遗传生物标志物之间的关联，其中AL-GHS与HorvathAge（β=0.030 [95% CI, 0.001–0.058]）和PhenoAge（β=0.051 [95% CI, 0.014–0.089]）呈正相关，尽管在假发现率校正后这种相关性消失。进一步的中介分析显示，升高的HorvathAge和PhenoAge分别介导了AL-GHS与全因死亡之间7.53%和18.00%的关联（见图3）。其他表观遗传生物标志物未观察到中介效应（见表S2）。

**讨论**
在这项前瞻性研究中，我们发现较高的AL-GHS水平与全因死亡和CVD死亡的风险增加有关。多个表观遗传生物标志物也与死亡风险相关，AL-GHS与全因死亡之间的部分关联是通过增加的表观遗传年龄来介导的。传统AL指数旨在通过汇总来自多个生理系统的生物标志物来总结整体生理失调。然而，这种综合框架并未明确量化单一调节系统（如葡萄糖稳态）内的累积负担，因此在评估与葡萄糖相关的标志物和其他异质性生理领域时可能减弱了系统特定的失调。少数研究探讨了系统特定的AL对死亡风险的贡献。在一项为期11年的英国出生队列研究中，发现升高的AL与全因死亡相关。尽管作者随后尝试将AL分解为多个生理系统以评估其对死亡的影响，但这种方法仅分离了传统AL的组成部分，而没有纳入更能代表各个系统生理负担的特定生物标志物。值得注意的是，本研究首次专门关注葡萄糖稳态的负担及其对死亡风险的贡献。

先前有研究表明，AL-GHS的几个组成部分（如空腹血糖、胰岛素抵抗和甘油三酯-葡萄糖指数）与死亡风险增加有关。然而，这些单独的组成部分往往无法完全反映葡萄糖系统的复杂和累积负担。相比之下，AL-GHS提供了对葡萄糖稳态负担的更全面评估。AL-GHS的增加反映了葡萄糖系统从功能适应向慢性功能障碍的转变。这种功能障碍通常表现为胰岛素抵抗、持续的低度炎症和血管损伤，这些随着时间的推移会发展为病理状态。由这些因素驱动的慢性代谢失衡可能导致肥胖、代谢综合征和2型糖尿病等疾病的发作，从而显著增加死亡风险。就CVD死亡而言，AL-GHS的增加效应更为显著，表明葡萄糖稳态的紊乱可能对心血管健康产生特别严重的影响。先前的研究表明，葡萄糖代谢的失衡可以通过多种生物途径加速动脉粥样硬化的进展，从而增加心血管事件的风险。例如，胰岛素抵抗可能导致血脂异常，如甘油三酯升高和高密度脂蛋白胆固醇降低，这两者都会进一步导致动脉硬化和血管功能受损。此外，代谢紊乱可能通过损害内皮功能促进血栓形成和高血压。这些因素相互作用，最终可能导致心血管疾病和死亡。相反，改善血糖管理可以显著降低心血管事件的发生率，进一步验证了AL-GHS在心血管健康中的重要性。

先前的研究还发现，葡萄糖稳态的紊乱不仅与代谢疾病（如糖尿病）有关，还与衰老过程本身相关。葡萄糖稳态的紊乱通过多种生物途径加速衰老，包括内皮细胞衰老、晚期糖基化终产物的积累和氧化应激。这些过程导致细胞功能障碍、慢性炎症和神经退化，最终影响寿命和健康寿命。鉴于AL-GHS反映了葡萄糖调节系统的累积生理负担，升高的AL-GHS水平可能对应于与衰老相关的分子途径的激活增加。因此，减轻葡萄糖稳态的负担可能是缓解生物衰老过程的重要策略。

在我们的研究中，几个表观遗传生物标志物与死亡呈正相关，这与它们的设计原则一致。特别是GrimAge和GrimAge2，它们最初是为预测寿命和健康相关结果而开发的。我们的研究进一步发现，HorvathAge和PhenoAge显著介导了AL-GHS与全因死亡之间的关系，表明表观遗传衰老可能是连接葡萄糖系统负担与死亡风险增加的途径。HorvathAge作为一个全组织时钟，捕捉了多种细胞类型中一致的甲基化变化，反映了系统性的生物衰老过程。尽管它没有纳入临床生物标志物，但HorvathAge通过DNA甲基化模式检测到了与衰老相关的累积生理压力，提供了对慢性衰老轨迹的洞察。相比之下，PhenoAge整合了DNA甲基化数据和额外的生理指标（如血压和体重），从而提供了更全面的生物年龄评估。HorvathAge和PhenoAge的更广泛的组织代表性和多系统导向可能使它们更能够捕捉到AL-GHS所反映的代谢负担，这有助于解释它们观察到的中介作用。其他表观遗传生物标志物可能缺乏这种敏感性，因为它们要么专注于特定组织（如HannumAge和SkinBloodAge），要么使用生活方式或疾病相关风险的替代甲基化标志物来预测死亡（如GrimAge和GrimAge2），而不是直接捕捉生物衰老本身。CVD死亡的中介作用缺失可能表明，AL-GHS反映了与心血管特定途径无关的葡萄糖相关紊乱的更广泛影响。因此，HorvathAge和PhenoAge可能对总体死亡风险的反应更为敏感，而不是对特定疾病的终点更为敏感。这项研究有几个显著的优势。首先，它使用了基于NHANES的全国代表性数据集，并采用了前瞻性队列设计，这增强了研究结果的稳健性，特别是证据的质量。其次，通过使用AL-GHS作为葡萄糖系统负担的综合性指标，并结合多种基于DNA甲基化的表观遗传老化生物标志物，该研究提供了关于葡萄糖稳态压力如何导致死亡的宝贵见解。最后，AL-GHS在识别高风险个体方面也非常有效，包括那些具有胰岛素抵抗或心血管风险的人，从而支持早期干预和更加个性化的健康管理策略。然而，也应注意一些局限性。首先，使用单次测量来评估AL-GHS和DNA甲基化限制了捕捉生命过程中动态变化的能力。其次，尽管尽可能调整了混杂因素，但仍有一些未测量的变量可能会影响结果。未来的研究应旨在结合纵向数据，以更好地描述AL-GHS的时间动态，评估其与更广泛表观遗传老化生物标志物的关联，并在不同的群体和不同的疾病或健康结果中验证AL-GHS的适用性，从而提高其在健康管理中的实用性。

结论：这项前瞻性队列研究使用全国代表性数据集，证明了升高的AL-GHS与全因死亡和心血管疾病（CVD）死亡之间的显著关联。此外，DNA甲基化生物标志物HorvathAge和PhenoAge部分介导了AL-GHS与全因死亡而非CVD死亡之间的关系。这些发现强调了AL-GHS作为葡萄糖系统负担的有效指标的潜力，以及它在识别死亡风险升高个体方面的价值，从而为早期干预策略提供信息，同时也表明预防或减缓生物老化可能进一步降低由葡萄糖系统负担带来的死亡风险。未来的研究应进一步探讨AL-GHS的临床意义及其在预测其他长期健康结果中的作用。

资金来源：这项工作得到了中国国家自然科学基金（82?574?050, 82?203?996）、湖北省自然科学基金（2025AFB591）和中国博士后科学基金（2022T150230, 2021M691131）的支持。

致谢：作者感谢所有参与这项研究的作者和受试者。所有作者都阅读并批准了最终稿件。

作者贡献：
Le Hong：概念构思、正式分析、初稿撰写。
Wendi Shi：调查、监督、审阅和编辑。
Jiahao Song：调查、方法学、审阅和编辑。
Shuhui Wan：调查、方法学、审阅和编辑。
Zhiying Huo：调查、验证、审阅和编辑。
Yongfang Zhang：调查、验证、审阅和编辑。
Qing Liu：调查、方法学、审阅和编辑。
Yani Xiong：调查、审阅和编辑。
Feifei Wang：调查、审阅和编辑。
Da Shi：调查、监督、审阅和编辑。
Pengfei Chen：调查、审阅和编辑。
Weihong Chen：调查、概念构思、监督、审阅和编辑。
Bin Wang：调查、概念构思、监督、资金获取、审阅和编辑。