056
Intro
Social Isolation and 59 Common Health Conditions: Insights from Observational and Genetics Analyses 是 Sizhi Ai 等人在 2026 年发表于 BMC Medicine 的 UK Biobank 研究。它用 outcome-wide 队列分析看社交隔离与 59 个健康结局的关系，再用双向两样本 MR、蛋白组/代谢组和 PERM 分解去判断这些关联是否像因果，以及可能由哪些因素解释。
Why I Read It
这篇吸引我的地方不是某个单病种结果，而是它把 social isolation 放进了一个大范围结局筛查框架。读这类文章时最容易犯的错误，是把“很多结局有观察性关联”直接读成“社交隔离广泛致病”。这篇恰好提供了一个反例：大多数结局并没有关联，真正突出的主要是死亡相关风险。
它也适合拿来校准 UK Biobank outcome-wide 文章的证据边界。作者用了 HES/住院记录和死亡登记、ICD-10 代码、Bonferroni correction、MR 和 PERM，但这些并不自动让每个 endpoint 都变成高质量 recipe，尤其当 cancer 这类结局没有明确使用 cancer registry 时。
What It Says
作者纳入 489,741 名 UK Biobank 参与者，平均年龄 56.5 岁，女性 54.5%。社交隔离来自三个自报问题：是否独居、与朋友或家人接触是否少、是否很少参加每周休闲或社交活动。每项 0/1 分，总分 0-3；总分 >=2 定义为 socially isolated。研究中有 70,998 人，也就是 14.5%，被归为社交隔离。
结局是 59 个健康结局：53 个个体疾病、5 类原因别死亡和全因死亡。疾病覆盖 14 个疾病大类，按 ICD-10 定义，具体代码在 Additional file 2: Table S1。方法中明确的数据来源是 hospital admission data 和 death registry records。作者还把 14 个疾病大类分成 fatal 和 non-fatal subtype：如果参与者没有既往住院记录而死亡，或在住院第一天死亡，则归为 fatal subtype。
主分析使用 Cox proportional hazards models，调整 age、sex、ethnicity、assessment centres、Townsend Deprivation Index、education、smoking、alcohol intake frequency、BMI、physical activity 和 loneliness status。敏感性分析包括 complete-case analysis、排除前 2 年事件、Fine-Gray competing risk model、propensity score matching、negative control outcome 和 inverse probability weighting。
结果的主线很明确：社交隔离没有和大多数健康结局相关。它与 17/59 个不良结局显著相关，主要集中在死亡。全因死亡 aHR 为 1.28（95% CI 1.25-1.32），5 类原因别死亡均升高，aHR 范围 1.18-1.38。53 个个体疾病里，只有 11 个风险升高，效应量较小，aHR 范围 1.08-1.17。
fatal / non-fatal 分析进一步加强了这个判断。社交隔离与 fatal genitourinary disease、fatal circulatory disease 和 fatal respiratory disease 的关联较强，aHR 分别为 1.83、1.75 和 1.47。non-fatal 结局则弱很多，主要见于 mental disorders、haematopoietic diseases、infectious diseases 和 nervous system diseases；non-fatal musculoskeletal diseases 反而略低。
三个暴露条目中，living alone 是最值得注意的。它与 9/15 个疾病和死亡大类、21/58 个个体疾病或原因别死亡相关，死亡和 fatal conditions 的信号强于总体 social isolation 或另外两个条目。作者据此认为，独居可能通过延迟就医、缺少及时照护或社会支持，更多影响严重事件后的死亡风险，而不一定是直接导致疾病发生。
MR 部分基本没有支持广泛因果。作者先用 genomic structural equation modelling 做 latent factor GWAS，把 household size、family/friend contact 和 leisure/social activity 组合成社交隔离潜在因子；主 MR 经 clumping 后保留 13 个 SNP。MR 只覆盖观察性 Cox 中 Bonferroni 显著且有 GWAS 数据的 9 个疾病：VTE、chronic liver disease、T2DM、anaemias、COPD、depression、anxiety、psychoactive substance abuse 和 pneumonia。social isolation -> disease 方向没有 Bonferroni 后显著证据；反向只有 depression -> social isolation 显著。
Omics 和 PERM 分析更像解释性分解。作者使用 UKB-PPP Olink Explore plasma proteomics 和 Nightingale NMR metabolomics，纳入 2,923 个蛋白和 251 个代谢指标。蛋白中 GDF15 在多个结局中预测价值较高，代谢指标中 glycoprotein acetyls 较突出。功能富集偏向 response to stimulus、signaling receptor binding、extracellular region 和 cytokine-cytokine receptor interaction。PERM 结果显示，健康行为、蛋白组 signatures 和社会经济因素是主要解释因素，解释比例大致分别为 32%-59%、36%-49% 和 22%-42%。
What I Take From It
我会把这篇读成：social isolation，尤其 living alone，是死亡和严重健康风险的标志，但它不是一个被这篇证明了的广谱疾病因果暴露。观察性结果里死亡相关结局最强，具体疾病效应小且分散；MR 又没有支持 social isolation 对 9 个疾病的因果效应。
这篇对 social isolation 和 loneliness 的区分也有用。social isolation 更偏客观社会接触缺乏，结果在这里更集中于死亡和 fatal conditions；loneliness 则可能更像主观心理压力，与心理和代谢类结局的关系更广。二者不能混着写。
PERM 结果也提醒我，所谓“社交隔离带来的健康风险”很可能被健康行为、社会经济状态、抑郁症状、共病和炎症/蛋白信号共同塑造。它可以提示干预方向，但不能直接当作已经证明的中介通路。
Note
这篇不适合收录为 endpoint recipe。最关键的问题是结局定义粗：作者在 methods 中明确写的是 hospital admission data 和 death registry records，并按 ICD-10 定义 53 个疾病和原因别死亡，但没有明确提到 cancer registry。可是它的 53 个疾病里包括 lung cancer、breast cancer、bladder cancer、colorectal cancer 和 prostate cancer。对 UK Biobank cancer endpoint 来说，如果没有 cancer registry，incident cancer ascertainment 明显不够完整。
因此，这篇适合作为 outcome-wide association paper 阅读，不适合作为任何具体疾病 endpoint 的复用定义。它的结局体系可以帮助理解作者如何做大范围筛查，但不能进入 recipe 库，否则会把 HES/death-only、ICD-10-only 的粗粒度定义误当成高质量专病表型。
MR 的 null 结果也要谨慎读。社会经济和行为类 trait 遗传率低，工具变量可能偏弱；null MR 不能彻底排除因果，但至少说明这篇没有提供强遗传因果证据。Omics 和 PERM 更应视为探索性解释分析，作者也承认 biomarkers 可能是 mediator、confounder 或 collider。