从燃料类型到健康轨迹：用ggscitable包复现医学论文的可视化全流程

从燃料类型到健康轨迹：用ggscitable包复现医学论文的可视化全流程

公共卫生研究正经历一场数据驱动的变革。当我们在探讨固体燃料使用与健康指标的关联时，传统的统计表格已难以满足复杂纵向数据的表达需求。本文将带您深入ggscitable包的应用核心，通过复现一篇3.8分医学论文的全套可视化流程，掌握从数据整理到期刊级图表输出的完整方法论。

1. 潜轨迹模型的技术选型与数据准备

GBTM（Group-Based Trajectory Modeling）作为纵向研究的利器，其优势在于能识别具有相似变化模式的亚群体。在公共卫生领域，这种分析方法特别适合追踪如虚弱指数等指标随时间的变化规律。相较于lcmm等R包，scitable+ggscitable的组合在保证分析深度的同时，显著提升了运算效率——这对处理CHARLS等大型队列数据至关重要。

数据预处理关键步骤：

# 加载必要包
library(haven)
library(tidyverse)
library(scitable)
library(ggscitable)

# 长格式转换示例代码
df_long <- datafinal %>%
  pivot_longer(
    cols = c('frailty2011', 'frailty2013', 'frailty2015','frailty2018'),
    names_to = "frailty",
    values_to = "frailtyvalue"
  )

提示：时间变量需转换为数值型以便分析，可使用as.numeric(as.factor())实现智能编码

2. 轨迹建模与群体划分实战

执行GBTM分析时，scigbtm函数提供了两种模式：自动分类与指定分类。对于初次探索性分析，建议采用自动模式（默认生成5个分类模型），该函数会基于BIC等指标自动确定最优群体数量。