近年来在Lancet、BMJ等杂志经常见到利用限制性立方样条来拟合非线性关系。在之前医咖会R语言入门课程第18课《展示非线性关系》中也简单介绍过限制性立方样条的应用（R课程第18期：多项式回归、分段回归、限制性立方样条...）。

本文将以Lancet Diabetes Endocrinol杂志2018年的文章《Association of BMI with overall and cause-specific mortality: a population-based cohort study of 3.6 million adults in the UK》和作者模拟的数据为例，带领大家学习限制性立方样条的使用和结果解读。

在这篇文章中，作者使用限制性立方样条绘制BMI与死因之间的关系，第一个图形如下：

从图中我们可以看到，不管是在全人群还是非吸烟人群中，BMI与all-cause, communicable, and non-communicable disease mortality之间呈J型关系，死亡率最低点的BMI大概是25Kg/m2。另外，对于injuries and external causes mortality而言，随着BMI的增加，死亡率在降低，但当BMI超过27Kg/m2继续增加时，死亡率开始增加，但是增加幅度很小。

通过以上的例子，我们可以看到，使用限制性立方样条，可以很清晰的描述自变量与因变量之间的关系。事实上，限制性立方样条的应用范围非常广，凡是想描述自变量和因变量的关系都可以在回归模型中加入限制性立方样条，除了以上的例子中的COX回归外，还可以应用到线性回归、Logistic回归、以及Meta分析中剂量反应关系的Meta回归等。