5 类选题模板都在这：GDD 数据库 30+ 篇论文提炼的"可做选题套路"

5 类选题模板都在这：GDD 数据库 30+ 篇论文提炼的"可做选题套路"

选题套路 1-5 · 学员按表套题 + GlobalDietaryR 包实战

看到 GDD 数据库能产出 30+ 篇 5-15 分论文，很多学员的第一反应是"我能不能也写一篇"。

答案几乎总是：能。但前提是你能找到一个可以从 GDD 现有论文里"派生"出来的选题。

下面把 GDD 团队 30+ 篇论文按主题归类成 5 类选题套路，学员按表套题，每类都附 3 个迁移方向。

一、5 类选题套路总览

学员选哪个套路？ 看 3 个维度：

• 你的目标期刊（Nature Medicine 系 vs Lancet 系 vs BMJ 系）
• 你拿到的数据（CHNS / NHANES / CHARLS / 自己的调查）
• 你的统计学基础（CRA 较难，趋势分析较易）

二、套路 1：食物 × 慢病归因（最常用）

核心思路：GDD 给暴露（食物/营养素摄入）+ GBD 给结局（疾病负担）+ CRA 方法算 PAF。

代表论文 1：SSB → T2D/CVD（Lara-Castor 2025 Nature Medicine）

"全球 184 国 2020 年 220 万 T2D 病例 = 9.8% 归因于 SSB"

可迁移选题方向（3 个）

如何用于你的论文：选 1 个你熟悉的中国食物 + 1 个你熟悉的慢病结局，方法学 1:1 抄 Lara-Castor。

真实数据示例（套路 1）：Lara-Castor 2025 Nature Medicine Fig.2——SSB 归因 T2D/CVD 按性别、教育、城乡、年龄、世界区域分层：

>

>

图说：四张条形图（a/c 是归因百分比，b/d 是每百万成人绝对发病数）。女性 vs 男性：女性归因%与男性相近，但因 SSB 摄入更高，男性绝对 T2D 负担反而更重（285/百万 vs 176/百万 CVD）。拉美&加勒比 25-30 岁人群：T2D 归因比例高达 43.7%（20-24 岁）和 41.2%（25-30 岁）—— 这是 Lara-Castor 2025 报告里最重的负担带。城乡 × 教育：高教育 + 城市人群绝对负担最重（high+urban 城市撒哈拉以南非洲 34.2%），而农村归因占比相似但绝对值低一截。——*这就是 Lara-Castor 2025 Nature Medicine 全文核心图：全球 SSB 每年导致 2.2 亿 T2D + 90 万 CVD，归因比例与绝对值在分层下完全不同*。

三、套路 2：饮食质量指数（最容易上手）

核心思路：GDD 提供 13 种食物的摄入量 → 用 7 种指数中的一种打分 → 算 AHEI/DASH/MED 评分 → 与 GBD 疾病关联。

代表论文 1：AHEI 全球分布（Miller 2022 Nature Food）

*Miller V, Reedy J, Cudhea F, et al. Global dietary quality in 185 countries from 1990 to 2018 show wide differences by nation, age, education, and urbanicity. Nature Food 2022;3:694-702. PMID: 35918515.*

图说：2018 年全球 + 7 大区域按年龄（0-95 岁）的 AHEI 均分趋势，全球均分仅 40.3/100，东南亚从 35 涨到 53 是最大改善幅度；高收入国儿童 0-15 岁评分低谷（最低 28 分），之后随年龄上升；南亚 + Sub-Saharan Africa 在 65+ 岁与全球打平。全球仅南亚、Sub-Saharan Africa 老年接近 50 分，其余区域都在 35-48 间徘徊。

代表论文 2：PHDI × CKM 综合征（Tang 2025 J Nutr Health Aging）

*Tang H et al. Temporal trends in the planetary health diet index and its association with cardiovascular, kidney, and metabolic diseases. 2025;29:100520. PMID: 39985957.*

可迁移选题方向（3 个）

如何用于你的论文：选 1 个指数 + 1 个结局，GlobalDietaryR 包有完整计算函数（calculate_ahei_gdd教学代码等 7 个）。

真实数据示例（套路 2）：Tang 2025 J Nutr Health Aging Fig.1 —— PHDI 计算的 14 个 component + NHANES 分析流程 + GDD + GBD 全球分析框架：

>

>

图说：一张总览图分三块。左上：PHDI 计算成分 = 足量组（whole grains/whole fruits/non-starchy vegetables/nuts&seeds/legumes/unsaturated oils/fish&shellfish 7 项）+ 限制组（starchy vegetables/dairy/red&processed meat/poultry/eggs/saturated oils&trans fats/added sugar 7 项）；右上：NHANES 流程 = 55081 参与者→排除 3277（缺人口学）+ 6344（缺饮食）→45460 人→18 个结局队列（CV 全因死亡、IHD、stroke、CKD 五期、CKM 四期、DM、overweight……）；左下：GDD + GBD 全球分析 = 185 国 × 6 区域 × 4 时间点 × 3 教育层 × 2 城乡层 = 完整人群堆叠。——这张图直接演示了"套路 2 怎么把饮食指数与全球疾病联起来"的三条链路：① 14 个 PHDI 成分怎么打分；② NHANES 个体队列怎么验证；③ GDD + GBD 全球怎么外推。这就是学员写指数论文Methods 模板的母版。

四、套路 3：微量营养素缺乏（最被忽视）

核心思路：GDD 给出 13 种微量元素摄入 + EAR 标准 → 用 Probability Method 算缺乏率。

代表论文：Passarelli 2024 Lancet GH

*Passarelli S et al. Global estimation of dietary micronutrient inadequacies. Lancet Global Health 2024;12(10):e1590-e1599. PMID: 39218000.*

图说：Passarelli 2024 Lancet GH Fig. 1（Kazakhstan 铁摄入为例）。A：从 GDD 得摄入分布（gamma/log-normal 偏态）+ nutriR 数据库得分布形状；B：从 Allen 等得 EAR 需求分布（normal）；C：用 probability 方法求 inadequate 概率（本例 = 72.2%）；D：按年龄 × 性别扩展到全人群。

关键发现：

• 5+ 亿人缺碘（68% 全球人口）
• 5 亿人缺维生素 E（67%）
• 5 亿人缺钙（66%）
• 4+ 亿人缺铁（65%）

可迁移选题方向（3 个）

如何用于你的论文：用 GDD region.csv 的 China 区域数据 + 中国营养学会 EAR 标准。

真实数据示例（套路 3）：Karageorgou 2024 Public Health Nutrition Fig.1 —— GDD harmonisation process 完整流程（每日 13 种食物 + 26 种营养素的统一化路径）：

>

>

图说：六步法：① Eligibility and prioritisation of dietary surveys（标准化的纳入排除 + 优先级判定）→ ② Survey identification（全球公私 dietary survey 收集）→ ③ Survey contacting, screening and inclusion（联系数据 owner + 短期问卷 + 数据共享协议 + 财务激励算法）→ ④ Data retrieval and harmonisation（标准化问卷 + FoodEx2 mapping）→ ⑤ Quality control（数据清洗步骤）→ ⑥ Dissemination（GDD + FAO/WHO GIFT 双平台发布 + 致谢模板）。左列 6 大步骤、中列具体动作、右列对应 materials/工具。——*这张图解释了 Passarelli 2024 Lancet GH 13 种微量营养素摄入数据"是从哪里、按什么规则、被如何清洗"的完整流水线*：学员写微量营养素相关论文时，这一套方法学可直接当成"数据来源段落"模板复用。

五、套路 4：性别/年龄/区域不平等（数据描述为主）

核心思路：GDD 给分层数据 → 描述不同人群的摄入差异 → 加趋势分析。

代表论文 1：青年植物性食物（Yearley 2026 BMJ GH）

*Yearley S et al. Global, regional and national intake of plant-based foods among youth in 185 countries (1990-2018). BMJ Global Health 2026;11:e019700. PMID: 42419870.*

• 全球 15-19 岁青年仅 3.55 servings/天
• 南亚最低、墨西哥最高
• 女性比男性多吃蔬果

代表论文 2：AHEI 儿童 vs 成人（Miller 2022 Nature Food）

图说：2018 年各国 AHEI 评分地图，左图为儿童（≤19 岁），右图为成人（≥20 岁）。

可迁移选题方向（3 个）

如何用于你的论文：用 GDD filter 切分层 + table_GDD_nutrition_trends() 算 EAPC。

真实数据示例（套路 4）：Miller 2022 Nature Food Fig.3——全球+7 区域按年龄（0–95 岁）分层的 AHEI 评分 2018 趋势：

>

>

图说：9 张分面小图，从上到下依次 = 全球 + 7 大区域（Southeast/East Asia、Central/Eastern Europe and Central Asia、High-income countries、Latin America/Caribbean、Middle East/North Africa、South Asia、Sub-Saharan Africa）。横轴年龄 0-95 岁、纵轴 AHEI 评分 0-100。关键发现：① 0-2 岁：南亚、Sub-Saharan Africa 直接从 50+ 跌到 30-40（母乳→辅食过渡期评分塌陷）；② 2-15 岁：高收入国儿童最低只有 28 分（最低谷）；③ 20-95 岁：全球均分从 40 缓涨到 50，但东南亚 35 → 53 是 最大改善幅度；④ 区域差异：南亚、Sub-Saharan Africa 老年反而接近 50（与全球均分打平），而 High-income countries 老年继续涨到 48。——这就是 Miller 2022 Nature Food 论文里"AHEI 评分随年龄 + 区域二维分层"的核心证据，配合 Yearley 2026 BMJ GH 的青年植物性食物数据，写"年龄 × 区域 × 摄入"分层论文时直接套用。

六、套路 5：政策（SSB 税 / 食物强化）

核心思路：GDD 暴露 + 政策数据库 + 收入/疾病率预测因子 → 用 Cox 回归预测政策采纳。

代表论文 1：SSB 税 183 国（Loaeza 2026 Lancet GH）

*Loaeza LM et al. Understanding sugar-sweetened beverage tax implementation globally: a 34-year, population-based observational study in 183 countries. Lancet Global Health 2026;14(6):103948. PMID: 42259348.*

图说：Loaeza 2026 Lancet GH Fig. 1——64 国 1990-2024 SSB 税采纳时间线，按 7 大区域分组。形状按税种分类（圆形=excise ≥10%、三角形=excise <10%、方块=ad valorem、菱形=volume-based、紫色=sugar-content）。

代表论文 2：食物强化 6 场景（Friesen 2026 Lancet GH）

*Friesen VM et al. Impact of large-scale food fortification programmes on micronutrient inadequacies and their implementation costs. Lancet Global Health 2026;14(6):1090355. PMID: 41903555.*

• 模型 6 场景（无/现状/改善依从/对齐标准/扩展覆盖...）
• 5 种载体（面粉/玉米粉/油/米/盐）
• 247 亿缺乏可预防，$9.19 B/年

图说：Loaeza 2026 Lancet GH Fig. 2——累积全球人口 SSB 税覆盖 1990-2024。2024 年 3.5 billion (43% 全球人口) 受 SSB 税覆盖。

可迁移选题方向（3 个）

如何用于你的论文：用 GDD 中国摄入数据 + 中国政策数据库 + Cox PH 回归。

七、5 类选题 × 难度 × 期刊匹配表

学员起步建议：

• 第一次写 → 套路 4（数据描述性，最容易）
• 第二次写 → 套路 2（指数 + 关联，方法学成熟）
• 第三次写 → 套路 1 或 3（CRA 归因，方法学挑战）
• 第四次写 → 套路 5（政策分析，先要政策数据库）

八、GlobalDietaryR 包选题模板速查

🚀 下一步

下一篇拆 变量与方法学模板——详细讲 GDD 字段怎么定义暴露/结局/协变量 + RCS/Cox/PAF/Spline 怎么选 + Sample 怎么算 power。学员拿到 GDD 数据后，立刻能落地的方法学路线图。

GlobalDietaryR 是我们专门为 GDD 数据库分析开发的 R 包——把上面 5 类选题套路、30+ 篇 GDD 论文里用过的所有数据处理、统计、归因、可视化函数全部封装到 R 1 行调用。

学员写论文时只需要：

1. 申请 GDD 数据（free）
2. 加载 GlobalDietaryR
3. 跑对应套路的关键函数
4. 出图 + 写论文

安装与加载（1 行搞定）

# 第一次安装
install.packages("GlobalDietaryR")
# 或 GitHub 安装
devtools::install_github("你的仓库/GlobalDietaryR")

# 加载（会自动装其他依赖）
library(GlobalDietaryR)
library(dplyr)

7 大模块 + 80+ 函数（学员按套路调用）

5 类选题对应的关键函数（重点速查）

套路 1：食物 × 慢病归因（PAF 计算）

# 暴露分布（GDD）+ 相对风险（meta-analysis）+ TMREL → PAF
result <- gdd_calculate_paf(
  exposure = "ssb_intake_g_day",          # 暴露列名
  outcome = "t2d_dalys",                  # GBD 结局列名
  tmrel = 0,                              # TMREL（SSB 通常为 0）
  rr_function = "ssb_t2d_rr",             # RR 来源（包内置或自定义）
  n_mc = 1000                             # Monte Carlo 模拟次数
)
# 输出：PAF、attributable DALYs、attributable deaths、95% UI

对应论文：Lara-Castor 2025 Nature Medicine（SSB→T2D/CVD）、Liu 2026 Nutr J（茶→IHD）、Ma 2025 Nutr Metab（乳制品→CVD）、Tian 2026 Int Dent J（7 营养素→口腔癌）

套路 2：饮食质量指数（AHEI/PHDI/DASH 等 7 种）

# 用 GDD 数据直接算 7 种指数（每个函数都返回 0-100 分）
ahei_score <- calculate_ahei_gdd(gdd_sub)         # 0-110
dash_score <- calculate_dashi_gdd(gdd_sub)        # 0-80
phdi_score <- calculate_PHDI_from_GDD(gdd_sub)    # 0-140
hei_score  <- calculate_hei2020_gdd(gdd_sub)      # 0-100
dii_score  <- calculate_dii_gdd(gdd_sub)          # -8 到 +8
acs_score  <- calculate_acs2020_gdd(gdd_sub)      # 自定义
digm_score <- calculate_digm_gdd(gdd_sub)         # 全球监测

# 关联 GBD 结局
assoc_table <- gdd_gbd_combined_table(ahei_score, gbd_data)

对应论文：Miller 2022 Nature Food（AHEI 全球分布）、Tang 2025 J Nutr Health Aging（PHDI × CKM）

套路 3：微量营养素缺乏（Probability Method）

# 13 种微量营养素摄入 vs EAR 阈值
deficiency <- nutrition_custom_table(
  data = gdd_micronutrient_sub,
  exposure = "calcium_intake_mg_day",
  outcome = "calcium_adequacy",
  method = "probability",
  ear_threshold = 1000  # 中国成人 EAR
)
# 输出：缺乏率（%）、缺乏人数、95% UI

对应论文：Passarelli 2024 Lancet GH（5+ 亿人缺碘、4+ 亿人缺铁）、Friesen 2026 Lancet GH（6 场景食物强化）

套路 4：性别/年龄/区域差异（描述性 + 趋势）

# EAPC 趋势表
trends <- table_GDD_nutrition_trends(
  gdd_sub,
  year_start = 1990,
  year_end = 2018,
  stratify_by = c("location", "age")
)

# 性别金字塔
pyramid <- visual_nutrition_sex_pyramid(gdd_sub,
                                          selected_nutrition = c("Fruits", "Whole grains"))
# 区域热图
heatmap <- visual_nutrition_intake_heatmap(gdd_sub)

对应论文：Yearley 2026 BMJ GH（青年植物性食物）、Miller 2022 Nature Food（儿童 vs 成人 AHEI）

套路 5：政策（SSB 税 / 食物强化）

# 暴露 + 政策数据库 + 收入/疾病率 → Cox 回归
policy_filter <- gdd_filter(gdd,
                            nutrition == "Sugar-sweetened beverages",
                            year %in% c(1990, 1995, ..., 2020))

# 联合政策数据
merged <- merge_nutrition_files(list(
  gdd_filter_ssb,
  policy_tax_data,
  gdp_per_capita_data,
  sdi_data
))

# Cox 回归
fit_cox <- coxph(Surv(year, tax_implemented) ~ median_intake + gdp + sdi + diabetes_prev,
                 data = merged)

对应论文：Loaeza 2026 Lancet GH（64 国 SSB 税）、Friesen 2026 Lancet GH（6 场景食物强化）

包的可视化函数速查（30+ 个）

完整工作流（5 类套路通用）

# 1. 加载
library(GlobalDietaryR)
library(dplyr)
library(survival)
library(rms)

# 2. 读 GDD 数据
gdd <- read.csv("region.csv", stringsAsFactors = FALSE)

# 3. 过滤 + 转换（按你的选题）
sub <- gdd_filter(gdd, age == "25-29 years", sex == "Both", year == 2018)
sub_quantile <- gdd_quantile_cut(sub, nutrition = "Fruits", breaks = c(0, 50, 150, 1000))

# 4. 联合 GBD（如需要）
gbd <- read.csv("gbd_data.csv")
combined <- gdd_gbd_combined_table(sub, gbd)

# 5. 算 PAF / Cox / 趋势（按你的方法学）
result_paf <- gdd_calculate_paf(sub, gbd, tmrel = 0, n_mc = 1000)
result_cox <- coxph(Surv(followup, event) ~ median + age + sex, data = combined)
result_eapc <- table_GDD_nutrition_trends(sub, year_start = 1990, year_end = 2018)

# 6. 出图（图都用 12×8 inch / 300 DPI / 白底）
map <- GDD_plot_world_map_D(result_paf, value_col = "paf")
ggsave("fig_paf_map.png", map, width = 12, height = 8, dpi = 300, bg = "white")

pyramid <- visual_nutrition_gender_pyramid(sub, selected_nutrition = c("Fruits", "Whole grains"))
ggsave("fig_pyramid.png", pyramid, width = 12, height = 8, dpi = 300, bg = "white")

trend <- visual_nutrition_regional_trends_llp(sub, year_range = 1990:2020)
ggsave("fig_trend.png", trend, width = 14, height = 8, dpi = 300, bg = "white")

# 7. 导出表格（投稿级三线表）
write.csv(result_paf, "table_paf.csv", row.names = FALSE)
write.csv(result_eapc, "table_eapc.csv", row.names = FALSE)

6 步走完就是一篇论文的雏形。GDD 申请免费 + GlobalDietaryR 包 1 行加载 + 包内置函数，学员 30 分钟可以开始写 Methods。

5 类选题共 30+ 篇 GDD 论文参考，全部 PMID 已经在 GlobalDietaryR 文档索引。