睡眠时长与入睡困难对美国成年人抑郁症状的协同影响：基于NHANES 2015-2018数据的分析

作者与机构
本研究由美国北德克萨斯大学健康科学中心公共卫生学院的Shanshan Wang（第一作者兼通讯作者）、Matthew E. Rossheim、Rajesh R. Nandy和Uyen-Sa Nguyen合作完成，发表于Journal of Affective Disorders 2024年1月刊（Volume 351, Pages 285–292）。

学术背景

研究领域与动机
抑郁症是全球致残的主要因素之一，2019年占全球疾病负担（DALYs）的13位，病例数较1990年增长61%。美国在COVID-19大流行前5年抑郁患病率上升26%，而疫情期间症状进一步加剧。睡眠健康（sleep health）作为可调控风险因素，既往研究表明睡眠不足（≤6小时）或过长（≥9小时）均与抑郁相关，但多数研究仅关注单一睡眠维度（如时长或入睡困难），忽略了多维度睡眠问题的协同作用。

科学问题与目标
本研究首次基于美国国家健康与营养调查（NHANES）大数据，探讨睡眠时长（sleep duration）与入睡困难（trouble sleeping）的单独及交互作用对抑郁症状（depressive symptoms, PHQ-9≥10）的影响，并量化交互效应在加性和乘性尺度上的贡献。

研究方法与流程

1. 数据来源与样本
- 数据：采用NHANES 2015-2018周期数据（n=10,044），覆盖美国非机构化成年人群，通过多阶段分层抽样确保代表性。
- 纳入标准：18岁以上、非孕妇、睡眠与抑郁数据完整者。排除缺失值后，最终样本量占总体的52%-61%。

2. 核心变量定义
- 睡眠时长：根据工作日入睡与起床时间计算，分为短（≤6h）、正常（6-9h）、长（≥9h）三类，参考美国睡眠医学会（AASM）指南。
- 入睡困难：通过问卷“是否曾向医生主诉入睡困难”判定（是/否）。
- 抑郁症状：采用患者健康问卷-9（PHQ-9）评分≥10分作为阈值。

3. 统计模型
- 基础关联分析：构建多变量逻辑回归模型，分阶段调整人口学（年龄、性别）、社会经济（教育、医保）及健康指标（BMI）。
- 交互作用分析：
- 加性交互：计算相对超额风险（RERI）、归因比（AP）和协同指数（S），评估两因素共存时的超额风险。
- 乘性交互：通过比值比乘积（OR11/(OR10×OR01)）检验效应修饰。

4. 敏感性分析
调整睡眠时长定义（短睡眠≤5h，长睡眠≥10h）以验证结果稳健性。

主要结果

1. 基础关联
- 单独效应：短睡眠（OR=1.72, 95%CI:1.31-2.26）、长睡眠（OR=1.80, 1.33-2.42）及入睡困难（OR=5.94, 4.91-7.19）均独立增加抑郁风险。
- 人群特征：抑郁组中短睡眠（21.4% vs 14.7%）和长睡眠（29.6% vs 19.9%）比例显著更高，且67.9%报告入睡困难（非抑郁组27.6%）。

2. 交互作用
- 加性交互：
- 短睡眠+入睡困难的RERI=4.42（95%CI:1.12-7.73），AP=0.43（0.22-0.64），即43%的抑郁风险归因于两因素协同。
- 长睡眠+入睡困难的RERI=4.17（0.96-7.38），AP=0.41（0.21-0.60）。
- 乘性交互：未发现显著乘性交互（P>0.05）。

3. 敏感性分析
更严格定义睡眠时长后，关联强度与交互效应方向一致，但长睡眠的乘性交互转为负向（OR=0.63, 0.42-0.95）。

结论与价值

科学意义
- 首次量化了睡眠时长与入睡困难对抑郁症状的加性协同效应，表明二者共存时风险显著超出独立效应之和。
- 支持“多维度睡眠健康”框架，强调临床需综合评估睡眠问题（如时长+质量）以更精准识别抑郁高危人群。

应用价值
- 公共卫生：针对同时存在短/长睡眠和入睡困难的群体，需优先干预以降低抑郁负担。
- 临床实践：建议将睡眠多维筛查纳入抑郁预防体系，例如通过简化问卷（如PHQ-9+睡眠问题联合筛查）。

研究亮点

1. 方法创新：同时采用加性与乘性交互模型，揭示传统乘性分析可能掩盖的实际公共卫生风险。
   
2. 数据优势：基于NHANES全国代表性样本，结果外推性强。
   
3. 机制提示：协同效应可能通过炎症（如IL-6升高）、自主神经失调或HPA轴亢进等通路介导，需后续研究验证。
   

局限性
- 横断面设计无法推断因果关系。
- 睡眠指标依赖自述，未纳入客观测量（如多导睡眠图）。
- 未调整抗抑郁药使用等潜在混杂因素。

本研究为睡眠与抑郁的复杂关联提供了新证据，呼吁未来纵向研究结合生理机制探索，以指导个性化干预策略。