慢性非传染性疾病，特别是心血管疾病和代谢疾病，是世界各地死亡和发病的主要原因，对工业化国家和中低收入国家都有影响。最近流行病学调查[ 1， 2]表明，生活方式因素，如压力和缺乏体育活动，提供了额外的预后信息，而不是由通常的冠状动脉危险因素提供的，这表明他们的管理可能具有临床价值[ 3.- 5］．此外，风险的行为成分难以处理，因为它们不能用传统的药理学手段治疗，需要患者的积极合作，他们必须改变自己的态度和习惯[ 6- 9］．生活方式的组成部分，如压力和锻炼，具有可通过信息技术(IT)管理的问卷单独评估的优势[ 10]，尽管他们的自我报告性质要求在解释调查结果时更加谨慎[ 11］．压力可以从个人(症状、心理压力和疲劳感)、社会(家庭和工作环境)等方面来描述[ 12]，以及功能域(自主和激素调节)[ 12- 16］．体育锻炼可以根据强度、方式(力量或有氧训练)和持续时间来定义，从而得出给定时间段内锻炼水平的算法评估[ 9， 17， 18］．

在中年时期保持理想的健康风险状况可能对延长寿命、减少疾病、提高生活质量和降低成本具有重要意义[ 19］．因为只有非常有限的一部分人口(约5%)符合理想的风险限制，必须测试新技术以达到这些新目标;这些技术可能包括Web应用程序的引入[ 20.]注重生活方式[ 21］．我们一直在测试一种行为方法来预防心血管疾病，除了通常的风险因素外，还关注压力和不活动，在各种环境中，从门诊[ 15]前往工作地点[ 13］．我们亦测试了由技术人员主导的简单资讯科技应用的可行性[ 22]或自我报告[ 10]数据输入。使用基于Web(或内部网)的方法也可能适合用数字技术和最低成本提供必要的培训[ 22- 26]，可容纳任何个人对地点、时间或速度的偏好，也可能提供有用的临床反馈，因此一致的多参数模型，如代谢综合征(MeS) [ 27]，可能更容易处理[ 22］．

考虑到这一点，我们设计了这项探索性调查，以验证在工作场所使用基于内部网的工具的可行性[ 10]旨在帮助一家意大利公司的员工优化生活方式和心脏代谢风险，作为该公司健康促进计划的一部分。具体的限制包括严格的匿名、最小的投资、具体的体育活动目标、饮食习惯和压力，并遵守公司的隐私政策。在本报告中，我们提出了一种方法来描述一组同意参与研究的初始探索阶段的员工的基线状态。代谢风险根据成人治疗小组III (ATP III)定义，使用MeS模型进行近似[ 27］．

匿名问卷，这是一个扩展的项目定制版本的主观压力症状评分问卷(4SQ;前文已述[ 13- 16)，包含50道选择题，涉及与工作条件(工作水平和缺勤率)、生活和锻炼习惯以及感知压力和控制相关的各个领域。此外，参与者被要求收集(如果有的话)他们最近(<3个月)的血液化学报告(总和高密度脂蛋白胆固醇、甘油三酯、葡萄糖)、血压、心率和人体测量数据(包括腰围)，并输入这些数值。关于编译的详细说明是通过该公司门户网站上的一个短片教程提供的。

问题的数量是填写问卷所需的时间和可以得出的推论的细节之间的平衡。

每周的活动量是根据每日的活动量(分钟)和名义强度估计的，并使用经过验证的方法以(估计的)代谢当量(METs)表示[ 17， 18］．

心理窘迫的估计来自以下项目:身体症状感知、压力感知、疲劳感知和控制感知，与我们之前关于这个主题的研究一样[ 13- 16］．在回答完问卷后，参与者会得到一份图表答案，以说明生活方式改善的潜在领域[ 10］．如果参与者随后希望验证任何可能与生活方式干预效果相关的变化，他们可以再次使用问卷。本研究只涉及最初的描述部分。

这项研究的参与者在严格匿名的保证下进行，调查问卷提供了一个月的时间，从2008年10月到11月。在进行这项研究时，该公司意大利分公司约有2.4万名员工可以访问内联网，将其作为日常工作的基本工具。每月约有9970名工作人员访问补充健康门户网站;在这4877名员工中，有1380名员工阅读了有关正在进行的预防活动的信息，有945名员工选择在完全自愿的基础上积极参与调查。基于输入数据，员工可以立即获得其风险因素概况和改进领域的个人地图，从而激励员工准确填写问卷[ 10］．

为了优化数据质量，我们排除了那些没有完成报告或提供不切实际数据的参与者，特别是在生物化学、血压或人体测量学方面。最终数据集包括683名参与者。

该研究的方案得到了机构伦理委员会的批准，作为正在进行的基于生活方式的预防调查的一部分。

揭示和评估心脏代谢危险因素与感知压力和控制以及生活方式之间可能的关系的主要目标是通过四个关键步骤完成的( 图1(1)综合健康问卷收集的信息与总结描述性统计，(2)建立感知压力和控制以及生活方式的定量指标，(3)建立受访者感知压力和控制、生活方式和报告缺勤的类型学，(4)评估受访者类型学与其个人数据、疾病状况和MeS之间的关系[ 27］．我们主要使用探索性多元数据分析技术，即非线性主成分分析(PRINCALS)方法，根据数据驱动的方法进行统计分析[ 28]和k-means聚类算法[ 29］．我们还进行了统计检验，尽管在这项调查中推论应起次要作用。由于受访者的自我选择，目标人群没有明确确定，因此建议我们在解释时要谨慎。我们同时应用了参数和非参数测试程序[ 29， 30.发挥他们独特的潜力，克服他们独特的局限。我们认为一个测试结果是“充分揭示”，如果它被证实为重要的两种程序。

针对分析的第一步，简要的描述性统计在 表1而且 表2．第四列 表1报告683名研究参与者的个人数据、生活方式和疾病变量的百分比分布。为了显示性别差异的程度，还在不同的栏中提供了性别内百分比分布-为给定(或有条件地)性别的每个变量计算的百分比。我们进行了卡方检验，以验证上述变量与性别是否可以假设在统计上独立(最后一列 表1)．

表2介绍与报告的生物化学和人体测量学有关的变量的均值和标准差，估计的每周活动，报告的缺勤，以及感知的压力和控制量表。我们还分别计算了男性和女性的汇总统计数据。通过参数单变量方差分析(ANOVA)和非参数Mann-Whitney和2样本Kolmogorov-Smirnov检验程序评估了显著的性别影响。检查每个变量的(null)假设是性别内均值的相等性(ANOVA)和两个性别内分布的相等性(Mann-Whitney和Kolmogorov-Smirnov)。

关于步骤(2)，我们用分类主成分分析方法(CATPCA, SPSS version 18;IBM公司，Somers, NY, USA)，在统计文献中也称为非线性主成分分析，或PRINCALS [ 28］．prinals是一种先进的多元统计分析技术，用于数据降维问题。它在许多应用领域的应用仍然相对较少，可能是由于其内在的复杂性，但它在数据分析方面提供了普通方法所不具有的潜力。由于它还不太为人所知，我们对它的主要特征进行了简要的描述。

与主成分分析(PCA)或因子分析等其他方法不同，PRINCALS可以联合处理定性和定量变量，以较小的、先验固定数量的维度(即不可观测变量)传达其信息内容，从而以尽可能少的信息损失合成数据。PRINCALS通过在几个限制条件下最小化损失函数来构造均值为零且成对不相关的维度[ 28］．最小化是针对一组未知量进行的，即对象(或维度)分数(即维度的值)和类别量化(即归因于原始定性变量类别的值)。与主成分分析不同，最小化问题不承认封闭形式的解。它需要迭代过程( 图1)，具体为交替最小二乘算法。这本质上是一个两步过程，在对象评分和类别量化上交替更新解决方案。在PRINCALS例程中，定性变量被量化或优化缩放，在某种意义上，它们的类别被度量值取代。因此，最优尺度变换考虑了变量的不同测量水平。名义变量是通过应用所谓的质心原理[ 28］．通过加权单调回归变换对序数变量进行量化，使序数类别之间的秩序得以保留。数值变量，已经是度量的，通常是简单标准化的。更复杂的变换也可能涉及到——例如，样条函数可以应用于标称变量和序数变量[ 28］．综上所述，PRINCALS同时实现了两个目标:在必要时进行量化，并通过提取维度来减少原始变量(定性和定量)的数量。此外，PRINCALS例程会自动旋转提取的维度，使它们与PCA类似地指向主轴。相应地，计算出的维度在数据中再现最大可能的变化，或者更准确地说，在优化缩放的变量中再现最大可能的变化。

在提取后，维度作为不可观察的变量，需要进行解释，以确定它们所占的原始变量的语义字段或领域。解释主要基于所谓的分量载荷，它是维度的线性相关系数和优化缩放变量。维度假设与它们高度相关的变量的意义，无论是负相关还是正相关。通常，引入0.4的阈值(绝对值)来区分可忽略的(<|0.4|)和必要的(≥|0.4|)组件负载。一旦评估了它们的含义，维度就可能被视为它们所代表的特定语义字段的指示器。

另一个需要关注的方面是选择要提取的“理想”维度数。必须在prinals例程开始之前确定这个数字。在这项研究中，我们通过依赖几个标准的组合来解决这个问题:简约性(少数维度可以更简单地描述数据)、准确性(许多维度更适合数据)和可解释性(占方差比例较小的维度倾向于解释数据中的噪声，而不是系统趋势)。准确性是通过总方差和每变量方差(VAF)指数来评估的，这些指数提供了与一组优化缩放变量相关的方差百分比，这些变量由整个提取维度(总VAF)和每次提取一个维度(每变量VAF)所占。Cronbach alpha指数[ 31]也提供。它评估(优化缩放)变量及其相关指标的内部一致性程度，以验证它们是否共同衡量相同的结构。这进一步支持了这些解释。

以这种方式，通过将PRINCALS应用于由4SQ量表和感知压力、控制和疲劳量表(序数数据)组成的集合[ 13- 16]，我们得到应力和控制(数值)指标。至于生活方式组成部分，我们通过将PRINCALS应用于由生活方式定性变量( 表1)和活动代谢当量的定量估计( 表2)．

其后，关于第(3)步( 图1)，我们采用k-means聚类方法[ 29]根据以下六个用作分类变量的组成部分构建受试者类型学:压力和控制指标、生活方式指标(即活动、吸烟、酒精)和报告缺勤( 表2)．k-means聚类方法是一种非层次的、迭代的分类算法，通过最小化主题和聚类质心之间的(平方)欧几里得距离(即包含变量均值的聚类向量)来形成聚类(或组)。这与通过最小化簇内偏差(即平方和)来形成簇是一样的。

这种方法有一些众所周知的缺点:(1)最终的分类可能取决于主题在数据矩阵中出现的顺序，以及(2)数量 k群体的数量必须预先确定。我们通过使用k-means聚类来解决顺序依赖问题(问题1) 随机的开始．随机开始意味着算法是通过选择 k主题，必须表示首字母 k集群(所谓的 种子)，随机且不可替换。然后，根据更新聚类质心后计算的欧几里得距离的平方，该过程迭代地将剩余的主题属性分配到最近的聚类。通常，建议采用大量的随机开始，并选择保证簇内偏差最小的分区，以便形成尽可能同质的组。对于问题(2)，如何选择理想的组数，我们计算Calinski-Harabasz (CH)统计量[ 32]，由簇间方差与簇内方差之比给出。这两个方差都是由相应的偏差除以等于 k在簇间方差和 N- - - - - - k在簇内方差中，其中 N是受试者的总数。这样的统计数据可以根据组的数量进行调整，不同分类方案得出的结果可以直接进行比较。统计值越大，组之间的分离就越大，与特定分区相关的分类方案就越好 k组。

k-均值聚类的一个有趣的特征是它能够检测出异常值-相对于大多数数据具有异常特征的主题。如果该算法随着群体数量的增加而进行，它可能会揭示出一小群孤立的受试者，这些受试者从特定角度稳定地保持不变 k向前。这些小的集群可以被视为孤立单元的个体或组，如果证明对结果有强烈影响，则可以将其删除并单独处理。

在本研究中，我们进行了k-均值聚类( 图1)， 1000个随机开始，组的数量从 k= 2到 k= 15在两个不同阶段。在第一阶段，算法以检测潜在异常值为特定目标。为保证分类过程中权重相同，六个分类变量均进行了标准化( z得分)，在进入聚类程序之前，平均值为0 (SD 1)。这表明存在6个离群值(占总体的0.9%)，其中5个落在同一聚类中，另外1个被隔离，因此我们在后续分析中将其丢弃。在第二阶段，去除异常值后，再次对分类变量进行标准化。然后在其余677名参与者上像以前一样执行该算法。根据CH统计，7组为最优组数。通过分类变量的簇内分布箱状图来解释作为主题类型学的簇。类型学是由区分它们的主要方面来标记的。在缺乏基准的情况下，在目前初步研究的限制范围内，对群体的验证进行了推理程序评估。采用参数(单变量和多变量方差分析[MANOVA]，平方马氏距离检验)和非参数(Kruskal-Wallis检验)检验程序评估聚类间差异的显著性[ 29， 30.]，从而允许同时评估所有分类变量的重要性，以及一次评估一个变量。具体而言，参数化程序验证了每个单变量的所有聚类均值相等(ANOVA)、所有聚类质心相等(MANOVA)以及成对比较的聚类质心相等(平方马氏距离检验)的假设。Kruskal-Wallis检验是方差分析的非参数版本，允许检查每个单一变量的所有聚类中位数的相等性。

关于第(4)步( 图1)，我们首先通过以下至少三项ATP III标准来推断MeS状态:(1)血压≥130/85 mmHg，(2)甘油三酯水平³150 mg/dL，(3)高密度脂蛋白胆固醇男性<40 mg/dL，女性<50 mg/dL，(4)空腹血糖>100 mg/dL，(5)腰围男性>102 cm，女性>88 cm。有少于三个因素的参与者被归为临床前，没有因素的参与者被归为正常( 表1)．

随后，我们研究了个人数据(性别、工作类别和年龄组)、疾病和MeS状态与主题类型学的关系，计算了类型学内和总百分比。计算整个参与者集合中每个变量的总百分比，而不考虑它们在类型学中的聚合。它们也可以被视为它们对应的类型内百分比的加权算术平均数，其中权重由变量对应类别的参与者数量给出。因此，比较总类型百分比和类型内百分比，可以揭示某些参与者的特征是否倾向于在特定群体中更集中(或更集中)，而不是在人口中。这种分析主要是用描述性的术语进行的，方法是用类型内的柱状图和为每个变量计算的总百分比分布。首先进行总体卡方检验，以验证受试者类型和这些变量是否在统计上独立，一次考虑一个。

随后，为了更多地了解受试者类型与卡方检验所揭示的个人数据、疾病和MeS状态的各种类别之间的关联性质，我们计算了标准化(或调整的)皮尔逊残差(APRs) [ 33］．对于每个通过对类型学和上述变量进行交叉分类得到的2-way列联表，apr由相应的被试的观察频率与预期频率(即在独立假设下)之间的差值给出，然后除以它们的标准误差[ 33］．鉴于apr是渐近标准正态，可以得出推论，并且可以检测到上述变量的类型学和类别之间的显著单一关联。通常，如果APR的绝对值超过2或3，则认为它“太大”，不符合无关联假设。用(2-tailed)表示 P值(取自标准法线)，两个阈值分别对应于 P= .046和 P= .003。在本研究中，我们也引入了3.5的值，这样可以在的水平上检测到显著的结果 P<措施。

除非另有说明，在整个研究过程中，显著性水平设置在0.05水平。采用spss18版本(IBM Corporation, Somers, NY, USA)进行PRINCALS分析、ANOVA、MANOVA、Kruskal-Wallis、Mann-Whitney、Kolmogorov-Smirnov、卡方检验和APR;随机开始的k-均值聚类和接下来出现的图形在R环境中进行，版本2.13.0 (R基金会，维也纳，奥地利);平方马氏距离检验采用SAS 9.1版(SAS Institute, Cary, NC, USA)进行计算。

683名参与者的描述性个人和生活方式数据在 表1．

模式年龄45 ~ 54岁，性别男性占72.5%(495/683)，女性占27.5%(188/683)。他们绝大多数(629/683,92.1%)是白领工人(只有3.7%，25/683，蓝领工人和4.2%，29/683，经理)，几乎只来自一个国家(意大利)。大多数女性(124/188,66%女性)是初级白领，而男性在蓝领(24/495,4.8%男性vs 1/188, 0.5%女性)、高级白领(197/495,39.8%男性vs 59/188, 31.4%女性)和管理职位(25/495,5.1%男性vs 4/188, 2.1%女性)中的比例高于女性。

数据显示，年龄分布不均匀，尽管男性和女性在年龄组上的分布相似。超过70%(481/683)的参与者是不吸烟的，符合公司的禁烟令。近40%(270/683)宣称缺乏体育活动;大多数人(374/683,54.8%)每周不喝或保持在1至2杯葡萄酒或啤酒。近80%(539/683)不饮酒，尤其是女性(178/188,94.7%女性)。

约12%(82/683)的受访者表示他们有功能障碍，近25%(169/683)报告有某种形式的慢性疾病;然而，大多数人(432/683,63%)说他们没有活动性疾病。男性和女性之间没有明显差异。

近49%(331/683)的参与者(临床前)报告了一到两个MeS的危险因素，23%(157/683)的参与者有MeS状态。大多数女性(140/ 188,74.5%)声明没有危险因素，而大多数男性出现临床前(285/495,57.6%)或处于MeS(155/495, 31.3%)。卡方检验显示，男性和女性在工作类别、饮酒习惯(葡萄酒或啤酒、每周饮酒杯数)、MeS状态等方面存在显著差异(见 表1)．

表2总结了报告的生化和人体测量数据的统计数据，证实了从普遍由中年工人组成的工作人口中预期的那样，平均人口值合理地在正常范围内或接近正常限度。由于研究人群中很大一部分(约25%，第一四分位数)严重缺乏中度或剧烈运动，估计每周运动代谢当量相当低。至于报告的旷工，每年损失的天数总体上很低(平均每年5.87天)，只有一个明显的例外(300天)。在我们的实验室中，身体症状、压力、疲劳和控制的平均指数都在正常人的范围内。

参数和非参数测试程序(见 表2)同意支持男女在所有生物化学(总胆固醇除外)、血压和人体测量学方面的显著差异。剧烈活动和总活动量、报告缺勤和4SQ、感知压力和疲劳量表也有显著差异。

为了解释所研究领域的多元性质，我们将PRINCALS方法应用于由(1)四个压力和控制感知量表和(2)生活方式变量组成的两个集，从而分别获得(1)两个维度，可以解释为压力和控制的指标(总VAF:自我报告压力和控制的四个优化转换量表的方差的84.2%;总Cronbach alpha = .937)和(2)解释生活方式的三个维度，可视为活动、吸烟和饮酒习惯的指标(总VAF:所有优化转换的生活方式变量的70.1%;总Cronbach alpha = .947)。

这些指标的解释来源于对组件负载的分析。特别是，压力指示器的分量载荷在4SQ量表上为0.885，在感知疲劳量表上为0.885，在感知压力量表上为0.870，在感知控制量表上为0.310。这表明应力指标与前三个尺度之间存在很强的线性关系，而与控制域的联系则可以忽略不计。值得注意的是，压力指标占总方差的60.5%。此外，Cronbach alpha计算(优化转换)4SQ，感知应力和疲劳量表等于。934，如果应力指标涉及计算，但如果忽略应力指标。865。因此，这三个量表及其指标具有高度的内部一致性。

另一方面，控制指示器的组件负载等于-。033与4SQ刻度，-。172with the perceived fatigue scale, –.129 with the perceived stress scale, and .949 with the perceived control scale. This suggests interpreting the second dimension in terms of the control indicator, which accounts for 23.7% of the total variance.

生活方式维度作为指标的解释是基于中报告的组件负载 表3．很明显，维度1与活动变量(VAF: 32.4%)高度正相关，维度2与吸烟变量(VAF: 21)高度正相关。含酒精变量的维度3 (VAF: 15.8%)。此外，Cronbach alpha值计算生活方式变量的每个子集(用a, b和c表示) 表3)，对应的指标均为高( 表3)，从而证明在所有情况下都具有较高的内部一致性。

采用k-均值聚类方法，随机开始1000次，根据参与者在压力、控制、活动、吸烟和酒精指标上的得分，以及他们报告的缺勤，形成参与者的聚类，所有这些都用作标准化形式的分类变量。 表4报告它们的最小值和最大值以及四分位数。通过将最大值与第三个四分位数进行比较，很明显，数据集中存在外围参与者(在单变量意义上)。例如，关于报告的缺勤，75%的参与者有 z得分不超过0.0091，最大值为19.88。这清楚地表明至少存在一个异常值。酒精指标也可以提出类似的论点，虽然不那么明显，但也可以用于压力、活动和吸烟指标。

此外，标准化分类变量( 表4)证明总体上具有非常低的线性相关性(为简单起见，省略了表格)，因此没有出现多重共线性问题。这排除了高度相关的变量在分类过程中施加更高权重的缺点。通过构建，生活方式的三个指标以及压力和控制两个指标之间是不相关的。关于不同变量集之间的交叉比较，观察到的两个最高相关性绝对值为关注报告缺勤和压力指标(0.24)，以及活动指标和压力指标(-0.17)。其他的相关性几乎为零，可以忽略不计。

图2为随着组数的增加，反复应用k-means算法得到的CH统计量的值 k= 2到 k= 15。第一次运行( 图2，圆)的计算结果表明，保证组间最大分离的分区是由7个簇构成的分区(CH = 154.93)。然而，其中两个是非常小的群体，共涉及6名参与者(6/683,0.9%)，5人属于同一聚类，1人被隔离。特别是，后者(男性)的缺勤率非常高(300个工作日的损失，相当于a z得分为19.88)，压力得分非常高(3.27)，活动得分非常低(-1.14)。此外，他年龄在45-54岁之间，是一名初级白领，并报告有器质性疾病。其他5名参与者(4名男性，1名女性)在酒精和吸烟指标上得分最高。此外，他们在压力和旷工方面得分最高;其中4人报告功能性疾病，另一人报告器质性疾病;45 ~ 54岁3例，54岁以上2例;1名蓝领，2名初级白领，2名高级白领。

由于这两个小群体的结构一直保持不变，而群体数量不断增加，我们认为它们是由异常值组成的，因此我们将它们从后续的分析中删除。然后，我们重新标准化了其余677名参与者的分类变量。在去除异常值后，分类变量之间的相关性几乎没有变化。报告的缺勤率和压力指标(0.19)的相关性降低是唯一可察觉的变化。

在这些新情况下执行的1000个随机开始的k-means聚类过程，在CH统计量上产生了一组新的值，我们再次计算，随着组数的变化 k= 2到 k= 15 ( 图2钻石)。该图清楚地说明CH统计量在5个聚类(CH = 149.28)和7个聚类(CH = 149.49)处假设最高值。经过仔细的考虑，我们选择了七个聚类，而不是五个(为了简单起见，数据没有显示出来)，因为这种分类更好地代表了参与者之间的主要差异和相似之处。

的前三列 表5显示有关集群大小的信息。数值聚类标签(第一列)由聚类过程自动分配，没有任何特定含义。最大的群集(群集5)包含194名参与者(194/677,28.7%)，而最小的群集(群集7)包含20名参与者(20/677,3%)。

从主题类型学的角度对聚类进行解释，是通过分析聚类内分布的箱线图( 图3)的标准化分类变量。特别是，可以观察到与特定群体的显著关联，例如聚类3，在聚类3中，高压力可能与低活动有关，相反，在聚类4中，高水平的体育活动可能与低压力有关。然而，相似的模式在整个调查人群中可能并不明显，因此这表明压力和体育活动之间的关系可以采取各种形式，特别是如果考虑到其他参与者的特征——例如，工作类别、年龄或疾病的存在。

各集群之间的旷工差异有限，但集群7除外，该集群包含了所有旷工天数最多的参与者。至于压力，在压力水平最高的集群(集群3)中，近50%的参与者报告了一些缺勤。其他群集，包括报告活动最高的群集(群集4)，显示出非常低的缺勤水平。

最后，采用参数和非参数方法进行的假设检验程序在经验上支持了七个聚类之间的显著差异。详细地说，MANOVA程序使我们在同时考虑所有六个分类变量的情况下拒绝了相等簇形心的原假设(Wilks ' lambda: P<措施;Hotelling-Lawley跟踪: P<措施)。此外，平方马氏距离检验使我们在所有21对组对之间的可能比较中拒绝了簇质心之间相等的假设( P<措施)。最后，对于每个变量，单变量方差分析导致我们拒绝( P< .001)等簇均值假设和Kruskal-Wallis检验使我们拒绝了等簇中位数假设( P<措施)。

最后两列 表5从学科类型学的角度总结聚类特征的发现。它们包含这些集群的特定特征的概要描述以及它们所代表的类型学的标签。

我们研究的最后一步包括评估受试者类型与每个个人数据、疾病状况和me之间的潜在关系。这种分析主要是通过计算，然后比较类型内和总百分比分布，以描述性术语进行的。

图4展示了类型内和总百分比的柱状图面板，其中后者是在不考虑分类的情况下，为删除异常值后剩余的677个参与者集合上的每个变量计算的。文中详细介绍了几个有价值的方面 多媒体附件1，并如图所示。 表6总结了与调查人群相比，在具有某些特征的参与者的主要(或次要)集中方面区分主题类型学的主要特征。

卡方检验实证支持受试者类型与个人数据、疾病状况和MeS状况之间的显著相关性。具体而言，学科类型与性别、工作类别、疾病或MeS状态之间的总体关联均在0.001水平上显著;与年龄组的相关性在0.05水平上显著( P= .02点)。随后用APR进行了更彻底的分析( 图4，方框符号-和+)强调，在统计独立性下，单一类型学和变量类别之间的特定关联比预期的要强。特别是，性别和学科类型学之间的整体显著关系似乎主要来自涉及酒精类型学(比预期的男性更多)和高压力类型学(比预期的女性更多)的显著关联。此外，酒精组中没有MeS风险因素的参与者比预期的要少，而有临床前MeS的参与者更多。高压力群体与35-44岁的工人、初级白领、报告功能性或器质性疾病的受访者以及没有MeS的人显著正相关。相反，高压力群体与高级白领呈显著负相关。体育活动组与无疾病或无MeS风险因素的参与者显著正相关。与高级白领和MeS参与者呈显著负相关。缺勤聚类被证明与老年参与者(>54岁)、蓝领和初级白领以及器质性疾病参与者显著正相关。相反，与高级白领和没有疾病的人有显著的负相关。最后，低压力和控制组与没有疾病的参与者显著正相关，与报告功能性疾病的参与者呈负相关。

我们研究的一个优势是使用了先进的多元统计方法(即PRINCALS [ 28]和k-means聚类[ 29方法)允许从自我报告的数据中推导出一系列数值指标，这些指标描述了几个不可观察的变量[ 34]，例如感知压力和控制，以及生活方式领域，以及主题类型学的构建，并检查它们与个人数据、疾病和MeS状态的可能关系。

关于特定势，与统计概率建模不同，我们的数据驱动方法不需要我们为变量之间的关系指定函数形式，由于研究的探索性目的，这在这种情况下是不合适的。此外，这种方法使我们能够绕过现有信息中可能存在的固有限制，特别是参与者的自我选择。由于是探索性的，这些方法并不期望将调查结果推广到调查中没有明确涉及的主题集。他们的描述范围被限制在“实际观察到的东西”之内，所以研究对象是否自我选择并不重要。收集到的数据被视为唯一的参考群体，然后对其特征进行综合、描述和解释。

然而，在这项研究中，我们并没有完全放弃统计检验程序。毫无疑问，目标人群的不可识别性意味着测试结果应谨慎解释，因为不清楚所得出的推论必须参考哪个人群。这是大多数调查，尤其是网络调查所共有的一个关键点。即使参考人群应该是预先定义良好的(例如在我们的例子中，参考人群是由公司意大利分公司的24,000名工人提供的)，大量的非受访者(通常发生在这类调查中)将使受访者的集合不能代表整个人群。尽管如此，统计检验可能有助于揭示值得更仔细考虑的关键关系，并引发新的研究猜想，这些猜想应该在未来的调查中进行特别研究。这也是我们进行推理分析的主要原因。

正如我们所声称的，我们已经执行了参数和非参数测试程序，以利用它们的特定潜力[ 29， 30.］．在统计文献中，如果数据远非正态分布，或者任何其他基本假设都不成立，例如单变量方差分析中组内方差的同质性要求，参数检验可能会得出无偏的结论。在大多数情况下，定量数据的分布可以近似地呈现为正态分布，或者通过适当的转换(例如，通过计算每个变量值的对数)可以使组内方差趋于齐次。然而，这一过程可能会使结果的解释复杂化，因为后者必须引用转换后的数据，而不是原始数据。相反，非参数过程是无分布的，对偏离正态不敏感。然而，它们被认为通常不如参数方法强大，在某种意义上，对于固定的名义显著性水平，当备选假设为真且概率低于参数检验时，非参数检验会导致接受备选假设。基于这些原因，我们决定同时依赖参数和非参数方法，然后我们认为如果两种方法都证明有意义，那么测试结果就是“充分揭示”的。

压力是日常活动中无处不在的组成部分，影响着工作和私人生活。鉴于其与一些负面后果的密切关系，最近对其评估的兴趣有所增加，无论是在主观领域，如感知工作质量和缺勤，还是在临床领域，特别是在心脏代谢领域，损害了风险状况[ 8， 35， 36］．大多数压力工具提供的指标都是基于自我报告和标准化问卷，这在本质上容易产生偏见。这些工具正在进行修改，以便更好地关注工作中的压力，这也是考虑到许多国家最近的政策强制要求进行工作中的压力评估。通常这种方法更侧重于组织方面(遵循需求-奖励等动机模型[ 37]或工作压力[ 38])而不是个体的生理病理后果，例如交感神经冲动增加或激素负担增加(例如皮质醇分泌增加[ 12])。这一选择性窗口可能只会轻微地损害整个公司层面的组织压力的确定，但对于收集有用的信息，以设计和规划个性化的策略，以减轻压力及其健康后果，如高血压或恶化的代谢风险。这些工具，虽然同时处理人们行为的各个方面，通常不采用多元统计技术，联合结合序数和定量数据。在以往的研究中[ 13- 16]我们结合了来自自我报告的信息，这些信息集中在症状概况和压力、疲劳和控制的简单感知指标，以及包括简单血液动力学(心率和血压)和心率变异性的自主指数的生理病理数据。这种方法被证明是有价值的，用于评估在全公司范围内重组时增加的压力，并证明生活方式策略管理压力的有效性[ 13］．在另一项关于临床环境中的压力管理的研究中，为了减少主观测量固有的不精确性所导致的误差偏差，我们采用了一种基于隐藏因素计算的改进方法，提高了描述多个指标组合压力维度的指标的准确性[ 16］．本研究中提出的基于IT仪器和多元统计的方法可能被证明是一种更可靠的工具，可以帮助个人坚持自我管理的计划，以改善生活方式和降低风险，这是最近几项高血压指南所要求的[ 21]或心脏科区[ 19］．

由于大误差可能会潜在地影响与压力等定义不清的概念相关的单个变量，为了考虑所采用的技术(自我报告和无监督问卷)可能存在的偏差，并解决所研究领域的多变量性质(例如，4SQ，感知压力和疲劳量表预计将通过不可分割的相互关系联系在一起)，我们建立了压力、控制和生活方式的指标。考虑到特别的活动，吸烟和饮酒习惯。通过这种方式，可以通过以最优的方式综合数据集并限制潜在的冗余语义重叠来增强从数据集中提取的信息。CH统计数据的使用使我们能够选择从分析中出现的主题类型的最佳数量，并围绕几个关键指标:酒精和吸烟习惯、压力、活动、控制和缺勤。因此，这种方法可能会扩展压力模型，我们在涉及志愿者或患者的多项研究中使用了几年[ 14- 16]，以及工人[ 13]，并为基于web的自我管理应用程序提供一致的结果。

目前的方法评估类型学和个人数据之间的关系，允许在正常工作人口中探索健康促进和预防战略的关键方面。

例如，应力被假设为MeS中的一个成分或调节器[ 36］．在这项研究中，高压力在女性中更普遍，在年轻参与者和初级白领中观察到的压力略高。因此，压力在这个特定的人群中可能会促进不健康的行为，不是通过吸烟和营养不良，而是通过不运动，尤其是在女性人群中。 8， 39， 40］．在报告疾病存在的受访者中，也更容易观察到高压力。

相反，在MeS的情况下，压力出乎意料地显示出正常比例的上升。我们可以将这一发现解释为，在最初阶段，年轻员工可能会主观地感受到压力，但代谢方面的影响可能需要随着时间的推移受到其他因素的影响，例如不活动有利于肥胖的发生，但这在本次探索性调查中无法观察到。酗酒反而可能在促进MeS临床前状态方面发挥重要作用。关于目前数据的潜在有效性的最后一个考虑因素是，调查人群中的MeS患病率与报告的一般人群相似(例如，在美国[ 41])。

因为一些调查人员对自我报告的数据与非自我报告的数据相比的有效性表示怀疑[ 11]，一些意见似乎是有必要的，特别是考虑到网页应用程序的具体情况，这些应用程序是作为工作场所个性化预防策略的一部分而设计的[ 13］．首先，让我们考虑每一种数据(Y)，无论是非自我报告的还是自我报告的，都可以被概念化[ 11]为以下因素的和:“真实”数据(TD)，加上系统偏差(SB)和随机误差(RE)，根据公式Y= λ_道明Td + λ_某人SB + RE，其中λ表示因子负荷。

还应注意的是，即使非自我报告的数据也不等同于无错误的数据:即使是简单地从纸质表格转录，也可能导致约3%至26%的错误率[ 42］．关于偏倚，我们应该考虑到它可能会根据所涉及的具体环境或变量而有所不同——例如，行为多成分结构(运动、压力等)可能会因缺乏第三方(医生、护士或技术人员)引入的(潜在的更大的解释)偏倚而由自我报告更准确地反映出来，这与直觉相反[ 11也因为受试者可能会更好地解释有关他们自身行为状况的问题。

关于生化数据、血压或人体测量学，我们相信只有相对较小的偏差可以表征这项基于网络研究的自我报告数据，考虑到参与者具有数字能力，并且高度积极地准确地遵循指示，因为最终报告的有用性取决于输入数据的质量。从这个意义上说，在某些情况下，当自我报告是唯一的信息来源时，它们被认为是"宝贵的"，如全国健康访谈调查[ 43］．此外，有人说，基于互联网的学习，尤其注重自我选择，其质量至少与传统的纸笔学习方法一样好。 44］．由于这些原因，我们避免过多强调单一的生化数据，但我们将它们与人体测量学和血压相结合，作为一个综合描述符来估计MeS状态，这也在我们手中[ 22， 27]，在探索性人口研究中非常有用。

简而言之，我们相信，可能的错误，如果存在，是不系统的，在某种意义上说，它们不是在同一方向或具有相同的大小，否则我们应该假设受访者同意阻碍调查。因此，为了本研究的目标，我们认为构建的指标和衍生的主题类型是可靠的。

基于多元算法的一般健康和心血管风险评估工具被广泛使用[ 45， 46]，他们的主要目标是估计在给定的时间窗口(通常是5年或10年)内发生一个事件的概率。相反，这项基于网络的问卷调查的目标是向参与者表明存在或不存在潜在的心脏代谢风险区域，即使计算出的整体风险很低(对于只有一到两个常见风险因素的年轻参与者来说很容易)，这也值得重点改善。这同样适用于那些具有既定风险因素初始水平的人，如高血压前期或血脂状况不佳，通常合并为MeS的先兆[ 46- 48］．在这种情况下，使用基于生活方式的干预措施可能特别有益，成本非常低，没有不良影响[ 19］．目前的互联网工具虽然在提供"硬"健康信息方面可能不是最理想的，但通过唤起参与者的意识和积极性，在协助"软"生活方式改变方面可能非常有用[ 49需要获得长期的行为改变，从而为专业帮助的有效性增加了教育的味道。最后，尽管向受访者提供干预评分可能会促进依从性，但它也可能会对整个数据库产生偏见。然而，重复反应的发生率非常低，这表明这种偏差可能是最小的。

最后，在评估定量数据时应格外谨慎，因为其他因素，如公司的禁烟政策，可能会使调查结果偏误，特别是在其外部有效性方面。

在早期初级预防领域，个人的积极作用和雇主的指导作用已得到充分讨论[ 50］．虽然目前急性疾病的医疗实践标准严重依赖于机构资源，但预防必须面临长期、患者驱动的行为改变的挑战，这是基于对生活方式决定因素的共识。在这个模型中，数字技术有助于在患者(或者说人)和各种利益相关者之间获得简化的信息流，让雇主处于投资的第一线。目前的调查显示，在工作场所通过简单的Intranet应用评估受试者类型及其与个人特征的关系的可行性，这可能表明，测试大规模应用信息和计算机技术以更好地检测和治疗人群水平的心脏代谢风险的时机已经成熟，作为雇主成本提供的补充效益。像本研究这样的研究可能为进一步应用资讯科技作为促进工作场所健康的工具提供额外动力。