应用广义估计方程建立沈阳地区不同孕周体重常模*

辽宁省沈阳市妇女儿童保健中心（110032） 李 静 黄彦红杨 柳 姚晓光 李荔荔 李 妍 邵 杰 董 爽

应用广义估计方程建立沈阳地区不同孕周体重常模*

辽宁省沈阳市妇女儿童保健中心（110032） 李 静 黄彦红△杨 柳 姚晓光 李荔荔 李 妍 邵 杰 董 爽

目的针对重复测量数据应用广义估计方程，制定更为科学合理的不同孕周的体重常模，用于孕期保健临床指导中。方法采取按比例分层随机抽样方法，将沈阳市分为城市、郊区、农村3层，每层按照2009年活产数的10%抽取样本，共获得有效资料3203例，这些孕妇在整个孕期分4～7次进行体重测量，追踪其分娩的新生儿健康状况。采用广义估计方程（GEE）方法建立不同孕周体重常模。结果孕前BMI不同，其孕期体重增长不同，应用广义估计方程能建立分孕前BMI的三条不同孕周的体重常模。结论应用广义估计方程建立不同孕周体重常模更为科学。

孕周 体重 广义估计方程

研究孕妇孕期体重变化，除了横断面研究中直接测量孕妇当下孕期的体重外，我们还能获得孕妇在整个孕期不同孕周的体重资料。这些不同孕周的体重资料具有如下特点［1］：①同一观察对象的重复测量值之间是非独立的；②观察指标在所测量的时间范围内可能成趋势性变化；③观察值的变异来源很多等。针对这些重复资料的分析常用的方法有重复测量方差分析、广义估计方程（generalized estimation equations，GEE）等。由于本次分析的资料中有缺失值，每名孕妇在孕期的测量次数不同，因此我们采用GEE进行分析。

对象与方法

1.对象 采取按比例分层随机抽样方法，将沈阳市分为城市、郊区、农村3层，每层按照2009年活产数的10%抽取样本，共计3383例，删除不完整、不合逻辑数据180例，最终资料完整、单胎妊娠、新生儿健康者，共获得有效资料3203例，这些孕妇在整个孕期分4～7次进行体重等调查，并追踪其妊娠结局。

2.方法

（1）问卷调查 自行设计调查表，内容包括人口统计学特征、孕前影响因素等。

（2）全身体检和产科检查 孕期分4～7次定期进行产前检查，分别测量记录孕妇的体重；分娩后记录新生儿体重等。

（3）体重判定标准 根据国际生命科学学会中国办事处中国肥胖问题工作组标准判定孕前体重状况，体重过低：BMI＜18.5，体重正常：18.5≤BMI＜24.0，超重及肥胖：BMI≥24.0。

（4）统计学处理 采用Epidata3.1进行数据录入，采用SPSS20.0完成资料分析。针对孕期连续性体重资料采用GEE进行统计分析。

结 果

1.一般情况 本次研究的3203例孕妇中，平均年龄26.92±4.22岁；孕前平均体重56.26±9.05kg，孕前平均BMI为21.44±3.23；文化程度方面：初中以下占30.9%，高中占22.7%，大专占24.1%，本科及以上占22.2%；职业分布中家务所占比例最高达29.9%；家庭月收入平均在2000元左右比例最高为44.9%，其次在4000元左右为27.6%。孕妇平均分娩孕周为38.98±1.21周；顺产26.60%，剖宫产73.40%。新生儿出生体重平均为3.41±0.45kg，其中男婴52.04%，出生体重平均为3.44±0.48kg，女婴占47.96%，出生体重平均为3.37±0.42 kg。

2.不同孕周体重的广义估计方程 将3202例孕妇从孕早期开始进行孕期每周体重的随访，重复测量的次数从4次到7次不等，共有5763个测量数据，但这些数据有缺省值，且每个孕妇体重测量的次数不同，测量时间间隔不同，因此采用GEE进行分析，结果详见表1和表2。结果表明：按孕前不同BMI分组，其孕期体重Waldχ2＝941.650，P＜0.01，组间差异有统计学意义；不同孕周体重的比较结果为Waldχ2＝8455.898，P＜0.01，孕周差异有统计学意义。结果表明孕早期与孕晚期的体重差异显著，孕前不同BMI的孕妇孕期体重有差异，且随着孕周的增加，体重逐渐增加。表2中还可根据孕前BMI，计算出孕期每周体重值及95%的可信区间，具体见图1～3。

表1 模型效应检验

图1 孕前低BMI不同孕周体重常模

图2 孕前中BMI不同孕周体重常模

图3 孕前高BMI不同孕周体重常模

讨 论

1.应用BMI指标的意义 BMI即体重指数，是用体重（kg）除以身高（m2）得出的数字，是目前国际上常用的衡量人体胖瘦程度以及是否健康的一个标准。主要用于统计用途，当我们需要比较及分析一个人的体重对于不同高度的人所带来的健康影响时，BMI值是一个中立而可靠的指标。由于孕前BMI不同，其孕期体重增长不同［2］，为此我们将孕期体重按照孕前BMI不同分成三组进行分析。

表2 参数估计

2.重复测量数据的应用 针对本次调查的孕妇孕期体重变化的重复测量资料，我们如果只是在各时间点上进行对比分析，则没有充分利用观察对象在不同时点间的内在联系，降低了检验效能；也没能考虑孕期体重在各时间点上的变化规律，更没能考虑其他协变量与时间的交互作用对结果的影响。因为如果忽略重复观测间的相关性，将损失数据中的信息，参数估计可能不准确［3］。为此，对于不同孕周孕妇体重的纵向观察资料进行分析，由于该资料中每名孕妇不是全部按照规定孕周进行产检，因此数据库中存在缺失值，即孕妇在整个孕期的体重测量次数是不同的，测量的时间间隔不相等，那么应用GEE进行分析应更为科学合理［4］。GEE是在广义线性模型和重复测量数据中，运用准似然估计方法估计参数的一种用于分析相关性数据的回归模型。利用GEE进行统计，可以有效地控制中心效应、重复测量因素及其他影响因素，克服因忽略组内相关而造成的检验结果偏差较大、参数估计值无效等问题［5］。本文通过GEE分析，得出不同孕前BMI的孕妇孕期每周体重的回归模型，根据模型计算孕妇每周体重，得出三条体重曲线（详见图1－3）。我们的妇保医生可根据孕妇的孕前BMI及当前的孕周数推算孕妇体重的正常范围，过高或过低都会给予警示，指导孕妇将体重控制在正常范围，防止由于孕期体重增长过高或过低所带来的一系列问题，特别是预防孕期并发症的发生。

1.杨珉，李晓松.医学和公共卫生研究常用多水平统计模型.北京：北京大学医学出版社，2008：49-51.

2.杨柳，黄彦红，李静，等.沈阳地区孕期体重增长与妊娠结局关系研究.中国妇幼保健杂志，2012，27（19）：2927-2929.

3.赵振，潘晓平，张俊辉.广义估计方程在纵向资料中的应用.现代预防医学，2006，33（5）：707-708.

4.李新，董丹.重复测量资料的广义估计方程分析及SPSS实现.数理医药学杂志，2012，25（5）：549-551.

5.张茜，朱振昕，孟文佳，等.纵向监测健康体检数据的统计分析策略.山东大学学报（医学版），2012，50（2）：149-151.

（责任编辑：郭海强）

辽宁省科研项目（项目编号：2009225007）

△通信作者：黄彦红，E-mail：hyh.8656＠yahoo.com.cn