Menopause in the All of Us Research Program: A Descriptive Summary of Electronic Health Record and Survey Response across Sociodemographic Characteristics

该研究利用“全人类”（All of Us）研究计划中约 39.6 万名女性的数据，描述了绝经相关信息的分布特征，发现自我报告问卷捕获的绝经数据量远超电子健康记录诊断代码，并揭示了不同人口学特征下的年龄分布模式及数据一致性，为未来基于该计划的绝经研究提供了重要的方法学依据。

要点

这篇论文就像是一份**“关于更年期数据的寻宝地图”**，它是在美国一个名为"All of Us"（所有人）的大型健康研究项目中绘制的。

想象一下，研究人员想要了解成千上万女性进入“更年期”这个人生阶段时的真实情况，以便更好地研究它如何影响心脏、骨骼和整体健康。但是，他们面临一个巨大的挑战：数据藏在哪里？数据准不准？

为了让你轻松理解，我们可以把这项研究比作**“在两个不同的图书馆里找同一本书”**。

1. 两个图书馆：电子病历 vs. 问卷调查

研究人员手里有两套主要的“藏书”（数据来源）：

• 图书馆 A（电子病历 EHR）： 这是医院里的官方记录。就像一本严肃的**“医生日记”**。只有当医生在病历上明确写下“这位女士已经绝经了”或者“卵巢衰竭”时，这里才会有记录。

  • 发现： 这个图书馆里关于更年期的书非常少。就像你走进一个巨大的图书馆，想找关于“夏天”的书，结果只找到了几本。
  • 原因： 医生平时很忙，如果一位女士只是自然停经，没有因为更年期症状（如潮热）专门去看病，医生可能就不会在病历里特意写下“绝经”这两个字。这就像你家里换季了，但没人特意在日历上画个圈。

• 图书馆 B（问卷调查 Survey）： 这是研究人员直接问参与者的问题。就像一本**“大家亲笔写的日记”**。

  • 发现： 这个图书馆里的书多到惊人！研究发现，问卷里记录到的更年期人数，是电子病历里的7 倍！
  • 结论： 绝大多数在病历里被标记为“绝经”的人，在问卷里也承认了；但反过来，问卷里承认绝经的人，病历里却往往找不到记录。

2. 年龄的“过山车”与“假象”

研究还像侦探一样，分析了这些数据的年龄分布：

• 问卷里的故事很自然： 就像正常的**“日出日落”**。40 岁以下的人大多说“还没绝经”，60 岁以上的人大多说“已经绝经了”。这符合生物学常识。
• 病历里的故事有点奇怪： 在电子病历里，绝经记录的年龄分布像是一个**“平坦的高原”，但在65 岁这个位置突然有一个巨大的尖峰**！
  • 侦探推理： 为什么 65 岁突然这么多？研究人员猜测，这可能是因为 65 岁是美国人开始享受医疗保险（Medicare）的年龄。也许是因为到了这个年纪，人们去医院看病的机会变多了，或者医生在录入保险信息时更倾向于把“绝经”作为一个诊断写下来，而不是因为她们真的都在 65 岁那天突然绝经了。这就像是一个“打卡效应”。

3. 数据的“重叠区”：金矿在哪里？

研究还画了一张**“三圆重叠图”**（韦恩图），展示了三种数据的交集：

1. 电子病历
2. 问卷调查
3. 基因数据（DNA）

• 现状： 虽然问卷数据很多，基因数据也很多，但同时拥有这三样数据的人（既在病历里有记录，又填了问卷，又有基因数据）相对较少。
• 意义： 这就像是在寻找**“完美拼图”**。虽然目前这块拼图比较小，但它非常珍贵。因为如果能把“绝经状态”和“基因”结合起来看，科学家就能发现：为什么有些人绝经早，有些人绝经晚？为什么有些人症状重，有些人没感觉？

4. 为什么这很重要？（给普通人的启示）

• 别只信病历本： 如果你是用医院病历做研究，你可能会漏掉 90% 的绝经女性。这就像你想统计“夏天有多少人穿短袖”，却只去查“买短袖的发票”，结果肯定不准。
• 问卷更靠谱： 对于研究绝经，直接问女性“你的月经停了吗？”比翻病历要准确得多。
• 未来的方向： 这项研究告诉未来的科学家，在设计关于女性健康的实验时，不能只依赖医院的记录，必须结合问卷调查，并且要考虑到不同种族、不同收入人群的数据差异，这样才能得到公平、准确的结果。

总结

这就好比研究人员在说：

“嘿，大家注意！我们在研究女性更年期时，发现医院的病历本‘记性不好’，漏记了很多情况。但是，如果我们直接问女性自己（问卷），就能得到完整的故事。虽然目前把‘病历 + 问卷 + 基因’完美结合起来的数据还不多，但这块‘金矿’非常有价值。未来的研究应该多利用问卷数据，才能更准确地理解更年期如何影响我们的健康。”

这篇论文的核心价值就是**“纠偏”和“指路”**，帮助未来的医学研究不再在错误的地图（仅靠病历）上迷路，而是找到通往真相（结合问卷和基因）的正确道路。

技术摘要

这是一份关于《All of Us 研究计划中的绝经期：电子健康记录与调查回答在不同人口统计学特征下的描述性总结》的技术摘要。

1. 研究背景与问题 (Problem)

绝经期是女性生理的重要转折点，与心血管疾病、代谢疾病和骨质疏松等多种健康风险密切相关。然而，在大规模精准医学研究中，绝经状态的数据存在显著缺口：

• 数据缺失与不一致：绝经状态在电子健康记录（EHR）中往往记录不全或不一致，导致研究难以准确评估绝经过渡期的症状、治疗反应及健康风险。
• 缺乏多模态数据整合：虽然已有如 SWAN 等金标准研究，但缺乏像 UK Biobank 或 All of Us 这样具有大规模、多样化人口统计学特征且包含多模态数据（EHR、调查、基因组）的队列研究。
• 研究设计挑战：由于缺乏对绝经数据在大型队列中分布特征（如年龄分布、EHR 与自我报告的一致性）的深入理解，研究人员难以制定有效的抽样策略、功效计算和表型定义。

2. 研究方法 (Methodology)

本研究利用 All of Us 研究计划（AoURP） 的受控层级数据集（v8 版为主，v7 版为辅），对约 396,000 名 女性参与者进行了描述性分析。

• 数据来源：
  • EHR 数据：提取了基于 SNOMED CT 术语的绝经相关诊断代码（如“绝经存在”、“卵巢功能衰竭”、“血管舒缩功能异常”等）。
  • 调查数据：提取了“总体健康”调查中的女性健康问卷，包括月经是否永久停止、停止原因（自然、手术、药物等）、子宫切除术及卵巢切除史。
  • 基因组数据：结合了短读长全基因组测序（srWGS）数据。
  • 人口统计学数据：包括种族、族裔、教育程度、收入水平及遗传祖先背景。
• 分析策略：
  • 数据整合：将 EHR、调查和基因组数据通过参与者 ID 进行关联，构建联合数据集。
  • 一致性评估：比较 EHR 诊断代码与自我报告调查回答之间的重叠率和一致性。
  • 分布分析：计算绝经相关变量的年龄分布（中位数、四分位距），并按人口统计学特征（种族、族裔、收入等）进行分层分析。
  • 隐私保护：遵循 AoURP 数据发布政策，对样本量≤20 的数据进行模糊处理，>20 的数据四舍五入至 5 的倍数。

3. 主要发现 (Key Results)

A. 数据覆盖率的巨大差异

• 调查数据显著优于 EHR：自我报告的绝经观察次数（约 192,655 次）是 EHR 诊断代码（约 27,975 次）的 7 倍。这表明 EHR 中存在严重的绝经状态漏报（under-ascertainment）。
• 高一致性：几乎所有在 EHR 中被标记为绝经的女性（>99%）在调查中也报告了绝经状态，但反之不成立（即许多调查报告绝经者在 EHR 中无记录）。

B. 绝经类型与原因

• 自然绝经为主：在报告绝经的参与者中，约 56% 归因于自然绝经，31% 归因于手术（子宫切除或卵巢切除），7% 归因于药物或子宫内膜消融。
• 手术史普遍：约 31% 的参与者报告有子宫切除史，其中约 68% 报告双侧卵巢切除。
• 症状记录缺失：EHR 中几乎完全没有记录绝经过渡期常见的血管舒缩症状（如潮热），相关 SNOMED 代码的观测值极少（N≤20）。

C. 年龄分布特征

• 调查数据符合生物学预期：
  • <40 岁组主要报告未绝经。

  • 60 岁组主要报告绝经。

  • 中位绝经年龄约为 61 岁（自然绝经组）。
  • 存在少量异常：约 4% 的 >70 岁女性报告未绝经，提示可能存在回忆偏差或回答偏差。
• EHR 数据存在异常峰值：EHR 中的绝经诊断代码主要集中在 50-80 岁，但在 65 岁 处出现了一个显著的尖峰。这可能与 Medicare（美国联邦医疗保险）覆盖年龄（65 岁）导致的就医频率增加或记录习惯有关，而非单纯的生物学现象。

D. 人口统计学差异

• 样本量不平衡：不同种族和遗传祖先群体的样本量差异巨大（例如，欧洲裔遗传背景组样本量最大，中位年龄较老；而其他群体样本量较小且较年轻）。
• 分布差异：观察到的绝经年龄分布的微小差异（如白人/非西班牙裔群体略老）主要反映了整体队列的人口统计学构成，而非绝经本身的生物学差异。

E. 多模态数据交集

• 在拥有基因组数据的女性中，仅有约 9% 同时拥有 EHR 和调查的绝经数据。这限制了直接进行“基因组-EHR-调查”三重交集分析的样本量，但为未来的精准医学研究提供了基础。

4. 关键贡献 (Key Contributions)

1. 量化数据缺口：首次在大样本（~39.6 万女性）中量化了 AoURP 中 EHR 与自我报告在绝经数据上的巨大差异（7:1），证实了 EHR 在记录绝经状态方面的系统性不足。
2. 揭示记录偏差：发现了 EHR 数据中 65 岁的异常峰值，提示保险覆盖和医疗系统因素对临床记录的影响。
3. 提供基准数据：为利用 AoURP 进行绝经相关研究提供了详细的样本量、年龄分布和人口统计学分层数据，有助于研究人员进行功效计算和抽样设计。
4. 指出症状记录盲区：强调了 EHR 和调查数据中均缺乏对常见绝经症状（如潮热）的系统性记录，指出了未来数据收集改进的方向。

5. 研究意义 (Significance)

• 指导研究设计：该研究明确指出，若仅依赖 EHR 数据研究绝经，将导致严重的样本量不足和选择偏差。未来的研究应优先利用调查数据，或采用混合方法。
• 提升精准医学能力：通过明确多模态数据的交集情况，帮助研究人员设计能够整合基因组、EHR 和调查数据的综合研究，以探索绝经时机、症状与基因及环境因素的复杂关系。
• 促进健康公平：通过展示不同人口统计学群体的数据分布，强调了在绝经研究中纳入多样化人群的重要性，以确保研究结果能代表不同背景的女性。
• 临床与政策启示：研究结果呼吁改进 EHR 中的绝经状态记录标准（例如增加绝经年龄而非仅记录观察时间），并建议在大型生物库研究中加强绝经相关症状和年龄的标准化收集，以改善绝经相关健康轨迹的研究和临床管理。

总结：本文是 AoURP 绝经数据的首次全面描述性总结，揭示了自我报告数据在捕捉绝经状态方面的优越性，指出了 EHR 数据的局限性，并为未来利用多模态数据开展大规模绝经相关精准医学研究奠定了坚实的方法学基础。