Reclassification and Weighting of Multiple Causes of Death: US Death Certificates 2003-2023

该研究基于 2003 至 2023 年美国 5600 余万份死亡证明，通过重新分类和多种加权方案分析显示，忽略次要死因的传统统计方法会显著扭曲疾病负担估算，而采用多死因加权能更准确地反映真实死亡分布，对公共卫生资源分配具有深远影响。

要点

这篇论文就像是在给美国的“死亡账本”做一次彻底的大扫除和重新算账。

想象一下，美国的死亡记录就像一本巨大的、由医生填写的“死亡日记”。过去几十年，统计部门（CDC）一直用一种非常死板的方法在数数：每本日记里，只挑出“最主要”的那一个死因，把它算作 100% 的功劳（或罪过），而忽略其他所有提到的原因。

但这篇论文的作者们（来自斯坦福大学等机构）觉得：“等等，这好像不太对劲。一个人死的时候，往往是因为身体里好几个零件同时坏了，或者是多种因素凑在一起才导致的。只算一个，是不是太简单粗暴了？”

于是，他们把 2003 年到 2023 年这 21 年间，美国所有的5700 多万份死亡证书都拿出来，做了两件事：

1. 第一件大事：看看“医生写的”和“电脑改的”有啥不一样？

（Entity Axis vs. Record Axis）

• 比喻： 想象医生在死亡证明上写的是“草稿”（Entity Axis），比如医生可能觉得“这人是因为肺炎死的”。但是，后面有一个专门的“规则机器人”（Record Axis，也就是官方统计用的标准）会根据复杂的规则重新审核。
• 发现： 这个“规则机器人”经常把医生的草稿给改了！
  • 新冠（COVID-19）： 医生可能写的是“呼吸衰竭”或“肺炎”，但规则机器人把它全部归类为“新冠”。结果，官方统计的新冠死亡人数比医生最初写的多了 92%（几乎翻倍）。
  • 交通意外： 原本被归类为“其他外部原因”的，被机器人重新归类为“交通意外”，数量增加了 43%。
  • 其他外部原因： 原本被算作“其他外部原因”的一大堆死因，被机器人重新分配到了“跌倒”、“自杀”等具体类别里，导致“其他外部原因”这个大类减少了 54%。

结论： 官方统计的数字，很多时候并不是医生最初看到的样子，而是经过规则“加工”后的样子。

2. 第二件大事：如果不再只算“头号杀手”，而是给所有原因“分蛋糕”，结果会怎样？

（Weighting Schemes）

• 比喻： 以前统计是“赢家通吃”。比如一个人死于“心脏病 + 糖尿病 + 新冠”，以前只算“心脏病”1 个人。
  现在，作者们提出了三种**“分蛋糕”**的算法：

  • W1 算法（50/50）： 给头号杀手 50% 的权重，剩下的 50% 平分给其他原因。
  • W2 算法（大锅饭）： 不管谁是头号，所有列出的原因平分权重（比如 3 个原因，每个占 33%）。
  • W2A 算法（更细致）： 连具体的代码都算进去，分得更细。

• 惊人的反转： 一旦开始“分蛋糕”，很多疾病的死亡负担发生了翻天覆地的变化：

  • 新冠（COVID-19）： 它的“死亡账单”瞬间缩水了 44% 到 63%。这意味着，很多被官方算作“新冠致死”的人，其实是因为本身身体很弱（有糖尿病、心脏病等），新冠只是压死骆驼的最后一根稻草，而不是唯一的凶手。
  • 跌倒（Falls）： 它的死亡负担减少了 46% 到 66%。
  • “其他外部原因”（Other External）： 这个类别反而暴增了 200% 多！因为很多原本被归为“其他”的复杂死因（比如窒息、骨折等），在分蛋糕时被重新挖掘出来了。
  • 季节性回归： 以前看新冠疫情期间，呼吸系统的死亡季节性波动（冬天高夏天低）好像消失了。但用了“分蛋糕”算法后，这种**“冬天呼吸病多”的规律又回来了**，说明之前的统计可能掩盖了真实的季节性规律。

这篇论文想告诉我们什么？

1. 世界不是非黑即白的： 在 21 世纪，很多人是带着多种慢性病去世的（多病共存）。强行只选一个“死因”就像在说“这辆车撞毁是因为轮胎爆了”，却忽略了刹车失灵和司机酒驾。
2. 数字会“骗人”： 我们看到的官方死亡统计数据，很大程度上取决于怎么数。新冠的死亡人数，如果按“分蛋糕”法算，可能只有官方数字的一半甚至更少。
3. 政策需要调整： 如果我们继续只盯着“头号杀手”看，可能会高估某些疾病（如新冠）的威胁，而低估其他复杂因素（如跌倒、多病共存）带来的负担。这会影响政府把钱花在哪里、医生怎么培训、资源怎么分配。

一句话总结：
这就好比以前我们只统计“谁最后按下了停止键”，现在作者们说：“不，我们要看看是谁按了暂停，谁按了快进，谁又按了静音，大家一起按才导致了停止。”这种新的统计方式，可能会让我们对过去 20 年（特别是疫情期间）的死亡真相有一个完全不同的认识。

技术摘要

这是一份关于美国死亡证书数据重分类与多死因加权分析的详细技术总结。

论文标题

死亡原因的重分类与加权：美国 2003–2023 年死亡证书分析
(Re-classification and Weighting of Multiple Causes of Death: US Death Certificates 2003–2023)

1. 研究背景与问题 (Problem)

• 死亡证书的不准确性与不一致性：死亡证书是公共卫生政策和死亡率统计的基础，但由医生填写的原始数据（实体轴，Entity Axis）常存在错误、遗漏或不一致。
• 单一根本死因的局限性：传统的官方统计（记录轴，Record Axis）仅选取一个“根本死因”（Underlying Cause of Death），忽略了多病共存（Multimorbidity）对死亡的共同贡献。这种“非此即彼”的归因方式在慢性病和复杂病例（如新冠疫情期间）中可能导致严重的偏差。
• 重分类过程的影响：美国国家卫生统计中心（NCHS）使用编码规则将原始证书转换为标准化数据，这一过程会显著改变死因分类，但公众和决策者往往只关注最终的标准数据，而忽略了原始填报与标准化数据之间的巨大差异。
• 核心问题：重分类过程如何改变死因统计？引入多死因加权方案（即承认多个死因共同导致死亡）会如何改变特定疾病（如新冠、癌症、外部伤害）的死亡负担估算？

2. 方法论 (Methodology)

• 数据来源：收集了美国 2003 年至 2023 年间共 56,986,831 份死亡证书的原始数据（来自 CDC NCHS）。
• 数据轴对比：
  • 实体轴 (Entity Axis)：医生在证书上填写的原始 ICD-10 代码。
  • 记录轴 (Record Axis)：经过 NCHS 编码规则标准化后的官方数据。
• 分类体系：将 ICD-10 代码映射为 14 个宽泛的疾病类别：
  • 自然死因（7 类）：循环系统、癌症、呼吸系统、内分泌/营养/代谢、消化系统、COVID-19、其他自然死因。
  • 外部死因（7 类）：药物中毒、交通意外、自杀、酒精相关、跌倒、他杀、其他外部原因。
• 加权方案 (Weighting Schemes)：为了评估多死因的影响，作者提出了三种加权方案，对比传统的无加权方案（W0，仅计根本死因）：
  • W1：根本死因占 50%，其余贡献死因平分剩余的 50%。
  • W2：所有列出的死因（根本 + 贡献）平均分配权重（例如，若有 3 个死因，每个占 33.3%）。
  • W2A：与 W2 类似，但在 ICD-10 代码级别（而非宽泛类别级别）进行平均分配，处理同一类别内重复代码的情况。
• 分析维度：按年份、年龄组（<65 岁 vs ≥65 岁）、以及是否包含新冠大流行期（2020-2023）进行分层分析。

3. 主要发现与结果 (Key Results)

A. 实体轴与记录轴的重分类差异

• 总体一致性：在宽泛疾病类别层面，实体轴与记录轴的根本死因一致率为 84.8%；在具体的 ICD-10 代码层面，一致率仅为 68.9%。
• 重分类的剧烈变化：
  • COVID-19：重分类后，作为根本死因的 COVID-19 死亡数增加了 92%。大量原本被归类为“呼吸系统”或“其他自然死因”的病例被提升为 COVID-19 根本死因。
  • 交通意外 (Transport)：增加了 43%（主要来自“其他外部原因”的重分类）。
  • 跌倒 (Falls)：增加了 69%。
  • 其他外部原因 (Other External)：大幅减少了 54%（许多被重新归类为交通、自杀或跌倒）。
  • 一致性随时间下降：重分类的不一致率在新冠大流行期间（2020-2021）显著上升，随后部分恢复。

B. 多死因加权的影响

加权方案显著改变了不同死因的死亡负担排名和绝对数量：

• COVID-19 负担大幅下降：
  • 在加权方案下（W2/W2A），COVID-19 的死亡计数比官方统计（W0）减少了 44% - 63%。
  • 这表明许多被标记为“新冠死亡”的病例实际上是多病共存的结果，新冠可能只是诱因而非唯一根本死因。
• 外部原因（Other External）激增：
  • 由于许多外部原因（如窒息、骨折、损伤）常作为贡献死因出现，加权后其死亡负担增加了 204% - 254%，排名从第 12 位跃升至第 6 位。
• 其他类别的变化：
  • 呼吸系统、内分泌、其他自然死因：死亡计数增加了 4% - 44%。
  • 癌症、交通、自杀、跌倒、他杀：死亡计数显著下降（减少 46% - 66%），因为这些疾病作为唯一根本死因的比例较高，作为贡献死因的比例较低。
• 年龄分层差异：
  • <65 岁人群：加权后，循环系统疾病取代癌症成为首要死因。
  • ≥65 岁人群：加权后，呼吸系统和其他自然死因的增幅更为明显。

C. 季节性模式

• 在传统的无加权数据（W0）中，新冠大流行期间呼吸系统的季节性波动（冬季高峰）几乎消失。
• 引入加权后（W1/W2），呼吸系统的季节性模式得到恢复，表明加权能更准确地反映疾病随季节变化的真实负担。

4. 主要贡献 (Key Contributions)

1. 大规模实证分析：首次对美国 21 年间近 5700 万份死亡证书进行了全量分析，量化了从原始填报到标准化编码过程中的系统性偏差。
2. 揭示新冠死亡统计的潜在高估：通过多死因加权分析，提供了强有力的证据表明官方统计的新冠死亡数可能高估了 40%-60%，因为许多死亡是多病共存的结果，而非单纯由病毒导致。
3. 挑战单一死因范式：论证了在多病共存日益普遍的 21 世纪，坚持“单一根本死因”的统计范式已不再适用，会导致对特定疾病（如外部伤害、慢性共病）负担的严重误判。
4. 方法论创新：系统比较了三种不同的加权方案，并展示了它们如何将统计结果拉回更接近原始医生填报（实体轴）的水平，为未来的死因统计提供了新的分析框架。

5. 意义与启示 (Significance)

• 公共卫生政策与资源分配：目前的资源分配基于单一根本死因统计，可能导致对某些被低估的疾病（如多因素导致的外部伤害、慢性共病）投入不足，而对被高估的疾病（如部分新冠死亡）投入过多。加权分析有助于更公平地分配医疗和科研资源。
• 死因认证与编码改革：研究揭示了医生填写证书与编码规则之间存在巨大鸿沟，特别是在新冠疫情期间。这提示需要改进死因认证培训，并重新审视编码规则，使其更能反映多病共存的现实。
• 全球影响：虽然数据来自美国，但新冠编码规则和多病共存问题具有全球普遍性。该研究呼吁各国公共卫生机构采用多死因加权方法，以获得更真实的疾病负担图景。
• 对“感知偏差”的警示：死因统计可能受到社会关注度和医生感知的影响（例如，疫情期间过度关注新冠），导致统计数据成为“自我实现的预言”。加权分析有助于剥离这种感知偏差，还原客观事实。

总结：该论文通过严谨的大数据分析证明，传统的单一死因统计严重扭曲了真实的死亡负担分布。引入多死因加权不仅修正了新冠等突发公共卫生事件的死亡评估，也揭示了慢性共病和外部伤害在死亡中的真实权重，为制定更科学的公共卫生政策提供了关键依据。