Психологія та саморозвиток

Редкий секс связали с повышенной смертностью и проблемами с сердцем — таковы выводы исследования.

Ученые из США проанализировали данные более 17 000 человек в возрасте от 20 до 59 лет и нашли зависимость между частотой половой жизни и показателями здоровья.

У тех, кто занимался сексом очень редко, риск сердечно-сосудистых заболеваний оказался выше на 61%, а риск смерти от всех причин — на 136%.

По расчетам исследователей, оптимальный диапазон — примерно 52–103 раза в год, то есть около 1–2 раз в неделю.

Мнение им

Да, это действительно недавнее исследование, опубликованное в конце 2024 года в журнале **Scientific Reports** (Nature portfolio). Авторы проанализировали данные **NHANES** (National Health and Nutrition Examination Survey) за 2005–2016 годы — это крупная репрезентативная выборка американцев.

**Ключевые выводы** из работы (Teng и соавт., 17 243 участника 20–59 лет):

- Люди с очень низкой частотой секса (<12 раз в год) показывали самый высокий риск сердечно-сосудистых заболеваний (CVD) и смерти от всех причин.
- По мере роста частоты риск постепенно снижался.
- **Минимальный риск** (надир на кривой) наблюдался примерно при **52–103 половых актах в год** — это соответствует **1–2 раза в неделю**.
- При ещё более высокой частоте (>103–104 раз в год) начиналась тенденция к обратному росту риска (U-образная зависимость), хотя она была менее выраженной, чем при крайней редкости.

После поправки на возраст, пол, курение, ожирение, гипертонию, диабет, доход, образование, семейное положение и другие факторы связь сохранялась статистически значимой.

Авторы построили номограмму для предсказания выживаемости на 3, 5 и 10 лет на основе частоты секса — AUC модели около 0.78–0.80, что считается приемлемым для такого типа анализа.

Отдельные похожие работы (например, 2025 года Davis и соавт.) тоже находят, что **низкая сексуальная активность** ухудшает прогноз у людей уже с имеющимися сердечно-сосудистыми заболеваниями (комбинация CVD + редкий секс даёт значительно худшую смертность, чем просто CVD).

### Важные оговорки
- Это **наблюдательное исследование** → причинно-следственную связь доказать нельзя. Вероятно, работает в обе стороны:
- Здоровые люди с хорошей физической формой и гормональным фоном чаще занимаются сексом → ниже риск.
- Те, у кого уже есть скрытые проблемы с сердцем / сосудами / депрессией / ожирением / низким тестостероном, реже занимаются сексом.
- Секс здесь понимается как вагинальный половой акт (по вопроснику NHANES), оральный/мастурбация и т.п. обычно не учитывались.
- Выборка — американцы 20–59 лет, медианный период наблюдения ~9 лет.

В целом вывод исследования логично вписывается в уже известные данные: регулярная (но не чрезмерная) сексуальная активность коррелирует с лучшим сердечно-сосудистым здоровьем, меньшим воспалением, лучшим контролем давления, более высоким уровнем физической активности и психологическим благополучием.

Если коротко: **1–2 раза в неделю** выглядит как «золотая середина» по этой работе, но главное — чтобы это было приятно и комфортно для обоих партнёров, а не по принуждению

Номограмма из исследования Teng et al. (Scientific Reports, 2024, статья № 31925) — это визуальный инструмент для предсказания **вероятности выживания** (survival rates) на **3, 5 и 10 лет** вперёд именно на основе частоты половых актов (sexual frequency) и связанных факторов.

### Что именно предсказывает номограмма
- **Основной исход** — all-cause mortality (смертность от всех причин).
- Она построена по результатам **Cox proportional hazards модели** (многофакторная регрессия Кокса), где частота секса — ключевой предиктор после поправки на confounders (возраст, пол, раса/этнос, курение, ИМТ, гипертония, диабет, образование, доход, семейное положение, физическая активность и т.д.).
- Номограмма даёт **индивидуальную вероятность выживания** (т.е. 1 – вероятность смерти) за указанные периоды.

### Как выглядит и работает номограмма (по описанию авторов и фигурам в статье)
- **Figure 3A** (или аналогичная) — сама номограмма в классическом стиле:
- Вертикальные шкалы (axes) для каждого предиктора.
- Главная шкала — **sexual frequency** (категории: <12 раз/год, 12–51, 52–103, >103 раз/год; иногда с более детальной разбивкой).
- Другие шкалы — демография и ключевые covariates (возраст, пол, наличие CVD в анамнезе и т.п., в зависимости от финальной модели).
- Для каждого параметра пациента рисуют линию вверх от значения на шкале до «Points» (баллы).
- Суммируют баллы в нижней шкале Total Points.
- От Total Points проводят линию вниз к шкалам **3-year survival**, **5-year survival**, **10-year survival** — и читают вероятность в %.

- **Валидация** (показана на Figure 3B–E):
- **ROC-кривые** (AUC):
- 3 года — 0.782
- 5 лет — 0.807
- 10 лет — 0.803
Это хороший уровень дискриминации для такого типа моделей (обычно >0.7–0.75 считается приемлемым для прогностических моделей в эпидемиологии).
- **Calibration curves** (калибровочные кривые): показывают, что предсказанная вероятность смерти очень близка к наблюдаемой (кривая почти совпадает с идеальной диагональю 45°). Это подтверждает, что модель не пере- или недооценивает риски систематически.

### Ключевые особенности и интерпретация
- Самый высокий риск (самые низкие баллы выживания) — при **<12 раз в год** (очень редко или отсутствие).
- Наилучший прогноз — в диапазоне **~52–103 раза в год** (1–2 раза в неделю).
- При **очень высокой** частоте (>103–104+ раз/год) баллы немного хуже (U- или J-образная кривая), но эффект слабее, чем при редкости.
- Номограмма подчёркивает, что частота секса — независимый предиктор выживаемости даже после учёта классических факторов риска CVD.

Авторы отмечают, что это первая такая номограмма именно для сексуальной частоты и общей смертности в молодой/средней возрастной группе (20–59 лет) на данных NHANES.

К сожалению, в открытом доступе (на nature.com и PMC) полная интерактивная версия номограммы не выложена — только статические фигуры в PDF статьи. Если хотите увидеть её визуально, рекомендую скачать полную статью по DOI: **10.1038/s41598-024-83414-3** (там Figure 3 с номограммой и валидацией).

Если коротко: номограмма показывает, что поддержание регулярной (но не экстремальной) сексуальной активности ассоциировано с заметно лучшим долгосрочным прогнозом выживаемости, и даёт способ количественно оценить этот вклад для конкретного человека.

**Модель пропорциональных рисков Кокса** (Cox proportional hazards model, или просто модель Кокса / регрессия Кокса) — это самый популярный метод в анализе выживаемости (survival analysis). Она позволяет оценить, как разные факторы (ковариаты) влияют на **риск наступления события** (смерть, инфаркт, рецидив рака и т.д.) с учётом времени до события.

Модель предложена **сэром Дэвидом Коксом** в 1972 году и до сих пор остаётся золотым стандартом в медицинских, эпидемиологических и многих других исследованиях с цензурированными данными (когда не у всех наступило событие к концу наблюдения).

### Основная идея и формула

Модель описывает **функцию риска** (hazard function) h(t | X) — мгновенный риск наступления события в момент времени t, при условии, что событие ещё не произошло до t.

Формула модели Кокса:

**h(t | X) = h₀(t) × exp(β₁X₁ + β₂X₂ + … + βₚXₚ)**

или короче:

**h(t | X) = h₀(t) × exp(X · β)**

Где:
- **h(t | X)** — hazard (риск) в момент t для человека с набором характеристик X (возраст, пол, частота секса, курение, ИМТ и т.д.).
- **h₀(t)** — **базовый риск** (baseline hazard) — это риск в момент t для «эталонного» человека, у которого все ковариаты = 0 (или референсные значения). Важно: модель **не требует** знать или задавать форму h₀(t) — это и делает её полупараметрической.
- **exp(β₁X₁ + …)** — множитель, который показывает, во сколько раз риск отличается от базового из-за ковариат.
- **βᵢ** — коэффициенты регрессии (их и оценивает модель). Если β > 0 → фактор увеличивает риск, если β < 0 → снижает.

### Ключевой показатель — Hazard Ratio (HR, отношение рисков)

Самая важная интерпретация — **HR = exp(βᵢ)** для каждой переменной (при прочих равных).

- HR = 1 → фактор не влияет (β = 0)
- HR > 1 → фактор повышает риск (например, HR = 1.61 → риск на 61% выше)
- HR < 1 → фактор снижает риск (HR = 0.70 → риск на 30% ниже)

В упомянутом исследовании по сексуальной активности: для категории «очень редко» (<12 раз/год) HR мог быть около 1.61 для CVD и 2.36 для общей смертности (это примерные цифры из подобных работ; точные — в статье).

### Главное предположение — пропорциональность рисков

Самое важное условие модели: **отношение рисков между любыми двумя группами постоянно во времени**.

То есть, если в 40 лет группа А имеет в 2 раза выше риск, чем группа B, то в 60 лет — тоже примерно в 2 раза выше (не в 3 раза и не в 1.2 раза). Графики log(-log(S(t))) или Schoenfeld residuals должны быть параллельными.

Если предположение нарушается → модель даёт неверные HR (смещённые). Тогда используют:
- стратифицированную модель Кокса,
- расширенную модель Кокса с time-dependent covariates,
- другие модели (Aalen, parametric: Weibull, exponential и т.д.).

### Почему модель Кокса так популярна

- **Не требует** задавать форму базового риска h₀(t) — в отличие от параметрических моделей (Weibull, Gompertz и др.).
- Работает с **цензурированными данными** (человек вышел из исследования живым — right-censoring).
- Учитывает **множество факторов одновременно** (многомерный анализ).
- Даёт **интерпретируемые** коэффициенты (HR).
- Легко реализуется в R (survival::coxph), Python (lifelines), SPSS, SAS, Stata и т.д.

### Как оцениваются коэффициенты β

Не через обычный метод наименьших квадратов, а через **метод частичного правдоподобия** (partial likelihood).
Модель максимизирует вероятность того, что именно те люди, у кого событие произошло раньше, имели более высокий предсказанный риск в момент события (учитывая risk set — кто ещё «жив» в этот момент).

### Пример интерпретации в контексте исследования

Допустим, в модели частота секса закодирована как категория (референс — 52–103 раза/год).

- Для <12 раз/год: β = 0.476 → HR = exp(0.476) ≈ 1.61
→ люди с очень редким сексом имеют на 61% выше риск смерти (при прочих равных).

- Для >103 раз/год: β = 0.15 → HR ≈ 1.16 (лёгкое повышение риска, U-образная кривая).

### Коротко: что даёт модель Кокса

- Оценивает **независимый** вклад каждого фактора в риск события.
- Даёт HR — меру силы связи (аналогично OR в логистической регрессии, но для времени до события).
- Позволяет строить **номограммы**, survival curves (adjusted), предсказывать вероятность выживания.

Если предположение пропорциональности выполняется — это очень мощный и надёжный инструмент. В исследовании Teng et al. именно она использовалась для связи частоты секса с выживаемостью после поправки на confounders.

Если хочешь — могу привести пример кода на R/Python или объяснить, как проверить предположение пропорциональности.

**Модель Вейбулла** (Weibull model) в анализе выживаемости (survival analysis) — это один из самых популярных **параметрических** подходов. В отличие от **полупараметрической** модели Кокса (где базовый риск h₀(t) не задаётся явно), здесь распределение времени до события полностью параметризуется распределением Вейбулла.

Это даёт больше возможностей, но требует выполнения более строгих предположений.

### Распределение Вейбулла: базовые параметры

Время до события T ~ Weibull(λ, γ), где:
- **γ** (shape parameter, форма) — ключевой параметр, определяет поведение **hazard function** (функции риска):
- γ = 1 → экспоненциальное распределение (постоянный риск, "без памяти").
- γ > 1 → возрастающий риск со временем (старение, износ, типично для биологии/медицины/надёжности).
- γ < 1 → убывающий риск (например, "младенческая смертность", ранние отказы).
- **λ** (scale parameter, масштаб) — связан со средней продолжительностью жизни (чем больше λ — тем дольше живут).

Плотность вероятности:
f(t) = λ γ t^{γ-1} exp(-λ t^γ)

Функция выживания (survival function):
S(t) = exp(-λ t^γ)

Функция риска (hazard):
h(t) = λ γ t^{γ-1}

Это позволяет моделировать монотонные (возрастающие или убывающие) риски, чего не может экспоненциальная модель.

### Weibull в регрессии: две основные формы

1. **Weibull proportional hazards model** (Weibull PH) — самая распространённая в медицине

h(t | X) = h₀(t) × exp(β₁X₁ + … + βₚXₚ)

Где h₀(t) = λ γ t^{γ-1} — базовый риск Вейбулла.

Это эквивалентно ускоренной модели отказа (accelerated failure time, AFT) только для Вейбулла (уникальное свойство!).

Коэффициенты β интерпретируются как в модели Кокса: HR = exp(β) — отношение рисков.

Плюс: можно получать HR и одновременно предсказывать медиану/среднее время выживания, percentiles и т.д. напрямую.

2. **Weibull accelerated failure time model** (Weibull AFT)

log(T) = μ + β₁X₁ + … + βₚXₚ + σ ε

Где ε ~ Gumbel (extreme value), а σ = 1/γ.

Здесь коэффициенты β влияют на **время** (ускоряют/замедляют процесс), а не на hazard напрямую.

Интерпретация: exp(β) — фактор ускорения/замедления времени выживания (Event Time Ratio, ETR).

Например, ETR = 1.5 → лечение увеличивает время выживания в 1.5 раза.

### Преимущества модели Вейбулла по сравнению с Коксом

- Полностью параметрическая → можно:
- Предсказывать выживаемость для новых пациентов (с доверительными интервалами).
- Оценивать медиану выживания, среднее время жизни, вероятность пережить 5 лет и т.д.
- Строить гладкие кривые выживания и hazard.
- Работает с **непропорциональными рисками** в AFT-форме (если PH assumption нарушается).
- Часто лучше подходит для данных, где риск монотонно меняется (рак, сердечные заболевания, отказы оборудования).
- Эффективнее при небольших выборках, если распределение действительно Weibull-подобное.

### Недостатки и когда не использовать

- Требует проверки, что распределение времени действительно Weibull (графики Weibull probability plot, тесты на форму).
- Если γ сильно отличается от реальности → смещение оценок.
- Менее гибкая, чем Кокс (в Коксе базовый риск полностью непараметрический).
- Если PH assumption сильно нарушается и нет монотонности → лучше log-logistic, log-normal или generalized gamma.

### Когда Weibull часто лучше Кокса (по исследованиям)

- Когда нужно предсказывать индивидуальное время выживания (не только HR).
- В данных по надёжности, онкологии, кардиологии (где hazard растёт со временем).
- При сравнении моделей: Weibull часто показывает лучшую калибровку и предсказательную силу, если данные подходят.

### Пример в контексте предыдущего исследования (секс и смертность)

Если бы в Teng et al. вместо Кокса использовали Weibull PH:
- Оценили бы γ (вероятно >1 — риск смерти растёт с возрастом/временем).
- Получили бы HR для категорий сексуальной активности (аналогично).
- Плюс: прямой расчёт медианы выживания для человека с частотой 1–2 раза в неделю vs редко.
- Номограмма могла бы быть ещё точнее для долгосрочных предсказаний.

В R: `survreg(Surv(time, status) ~ freq_sex + age + ..., dist = "weibull")` из пакета survival.

В Python: lifelines.WeibullFitter или WeibullAFTFitter.

Если коротко: **Weibull** — мощная параметрическая альтернатива Коксу, особенно когда хочется не только HR, но и реальные предсказания времени жизни, и данные показывают монотонный (чаще возрастающий) риск. 😊

в исследованиях на основе **NHANES** (включая Teng et al. 2024 и похожие работы по сексуальной частоте и смертности) **ошибка выжившего** (survivorship bias / healthy survivor bias) действительно присутствует и является одним из главных ограничений таких анализов. Это классическая проблема для всех наблюдательных исследований выживаемости на основе поперечных/продольных данных вроде NHANES.

### Что именно представляет собой ошибка выжившего здесь

NHANES — это **кросс-секционное** обследование (cross-sectional survey) с последующим linkage к mortality data (NDI — National Death Index). Участников опрашивают в один момент времени (2005–2016), измеряют сексуальную частоту **на тот момент**, а потом следят за смертью в последующие годы (медиана follow-up ~9 лет в Teng et al.).

Ключевой момент:
- Чтобы попасть в выборку и ответить на вопрос о сексуальной активности, человек должен быть **живым и достаточно здоровым** на момент опроса (возраст 20–59 лет, участие в обследовании, способность отвечать на вопросы о сексе).
- Люди, которые уже имели тяжёлые заболевания (сердечная недостаточность, тяжёлый диабет, рак, депрессия, эректильная дисфункция и т.д.), часто либо **не доживают** до возраста обследования, либо **не участвуют** в NHANES, либо **не отвечают** на sensitive вопросы о сексе (отказ от ответа, пропуск).
- В результате группа с **очень низкой сексуальной частотой** (<12 раз/год) в выборке — это в значительной мере **"здоровые выжившие"** среди тех, у кого низкая активность, плюс те, у кого низкая активность вызвана уже существующими проблемами здоровья.

Но самые больные/слабые с низкой сексуальной активностью **уже мертвы** или исключены из выборки → их вклад в смертность **не виден**.
Поэтому связь «редкий секс → выше смертность» может быть **переоценена** или даже частично артефактом: низкая сексуальная частота выступает **маркёром** уже имеющихся проблем со здоровьем (reverse causation + selection bias), а не обязательно причиной повышенного риска в будущем.

### Конкретные проявления в этих исследованиях

- **Обратная причинность** (reverse causation): люди с субклиническими болезнями сердца, низким тестостероном, депрессией, ожирением, хронической болью реже занимаются сексом → они и умирают чаще. Исследования поправляют на известные confounders (возраст, ИМТ, гипертония, диабет, курение и т.д.), но **не на все** скрытые/неизмеренные факторы.
- **Healthy survivor effect**: в выборке NHANES 20–59 лет преобладают относительно здоровые люди. Те, кто имел низкую сексуальную активность из-за тяжёлых болезней в 30–40 лет, уже могли умереть к моменту обследования или не попасть в него.
- **Доказательства из похожих работ**: в связанных статьях (например, Luo 2023 по гипертоникам, Davis 2025 по CVD + low frequency) сами авторы отмечают, что низкая частота часто сочетается с уже имеющимися заболеваниями, и комбинация CVD + редкий секс даёт худший прогноз, чем просто CVD. Это косвенно подтверждает, что низкая активность — часто **симптом**, а не только причина.

### Как авторы пытаются минимизировать bias

- Многофакторная поправка (Cox модель с большим числом covariates).
- Исключение людей с уже известными тяжёлыми заболеваниями в некоторых sensitivity-анализах (но не всегда полностью).
- U-образная кривая (риск растёт и при очень высокой частоте) — это частично аргумент против чистой reverse causation, потому что если бы всё объяснялось только болезнью → при высокой частоте риск не должен расти.
- Но даже с поправками **полностью исключить** survivorship bias и reverse causation в таких дизайнах невозможно.

### Итог

Да, ошибка выжившего **есть** и довольно существенная — это один из главных поводов для скепсиса к причинно-следственным выводам из этих работ.
Связь между регулярным сексом (1–2 раза в неделю) и лучшей выживаемостью, скорее всего, **реальна**, но в значительной мере объясняется тем, что здоровые, активные, гормонально благополучные люди просто **чаще занимаются сексом** и **реже умирают**.

Чтобы доказать, что секс сам по себе **защищает** от смерти, нужны были бы рандомизированные trials (невозможны) или хотя бы longitudinal исследования с **многократными** измерениями сексуальной частоты во времени (до и после изменений здоровья) — таких пока почти нет.

Поэтому интерпретация должна быть осторожной: «регулярная сексуальная активность ассоциирована с лучшим прогнозом», но не «занимайтесь сексом 52–103 раза в год, чтобы прожить дольше». 😊

Редкий секс связали с повышенной смертностью и проблемами с сердцем — таковы выводы исследования.

выходит что проститутки со стажем самые долгожители

Редкий секс связали с повышенной смертностью и проблемами с сердцем — таковы выводы исследования.

выходит что проститутки со стажем самые долгожители

чому простітутки а не клієнти?
Ви не з того боку підходите до питання

[
выходит что проститутки со стажем самые долгожители

чому простітутки а не клієнти?
Ви не з того боку підходите до питання

- а мені анальний секс не сподобався..
- то ти не з того боку був.