A Cox-based multistate model for disease progression using large-scale population-based registry data: Application to COVID-19
本研究展示了将基于 Cox 的多状态模型应用于大规模人口登记数据以分析 COVID-19 疾病进展的有效性，揭示了社会人口学因素和疫苗接种如何影响转移风险，同时突显了疫情期间不断演变的医疗系统动态。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
为了理解一种疾病如何在人群中传播，科学家们通常不仅仅关注一个人何时生病或何时死亡。他们对中间的过程感兴趣：在医院度过的时间、转入重症监护室的过程、康复，或是悲剧性的结局。这种被称为多状态模型（multistate model）的方法，并不将疾病视为单一事件，而是将其视为一个人随时间推移可能经历的一系列步骤或状态。它使研究人员能够观察不同的因素（如年龄、健康史或社会环境）如何影响从一个步骤转向下一个步骤的可能性。在由 SARS-CoV-2 病毒引起的全球大流行期间，理解这些路径对于试图管理资源和挽救生命的医院及政府至关重要。虽然当时存在许多用于预测病毒传播的模型，但很少有模型旨在利用来自整个群体的现实世界数据，来追踪患者复杂且个体的旅程。
西班牙的一个研究小组致力于利用巴斯克地区（Basque Country）的大规模健康记录集来绘制这些旅程图。他们分析了在 2020 年 3 月至 20 22 年 1 月期间被诊断出感染该病毒的 377,285 名成年人的数据。这一时期涵盖了疫情初期的整个阶段，包括严格的封锁措施、疫苗的到来以及新变异株的出现。研究人员并没有将患者视为一个整体，而是构建了一张包含八个不同状态的详细地图。一个人从确诊时刻开始。从那里，他们可以进入普通病房，被转入重症监护室，被转回普通病房，或者直接出院回家。该地图还包括两个最终目的地：在住院期间死亡或在离开医院后死亡。通过追踪这 37.7 万名个体经过这十一个可能的转换过程，团队可以计算出患者从一个状态转移到另一个状态的确切概率，并观察这种概率如何根据患者的身份及其发病时间而变化。
结果揭示了谁是最脆弱的群体，以及医疗系统是如何演变的。数据显示，男性、老年人、居住在养老院的人以及面临严重社会剥夺的人，面临着更高的住院和死亡风险。一个人患有的慢性疾病数量也起到了重要作用；那些患有更多基础疾病的人更有可能进入医院或死亡。有趣的是，研究发现，在疫情初期服用多种不同药物的人更有可能住院，但一旦住院，他们的死亡率却较低，这表明其医疗团队已经在密切监测他们。相反，接种疫苗起到了强大的保护作用。随着疫苗接种工作的展开，住院风险显著下降，且接种了疫苗的患者即使感染，也更有可能康复并回家，而无需进入重症监护室。
研究人员还观察到，大流行的性质随时间发生了变化。在病毒尚属新颖且医院不堪重负的最初阶段，每个人的死亡风险都很高。然而，随着时间的推移以及医疗系统的适应，模式发生了转变。住院人数总体上减少了，但那些确实入院的人更有可能需要重症监护。这表明系统变得更擅长将轻症病例排除在医院之外，从而为最严重的患者保留最关键的资源，而这些患者也更有可能生存下来。研究还强调，在疫情早期，出院后死亡的风险高于后期，这表明随着危机的持续，出院后的护理和监测得到了改善。
通过使用这种关于患者旅程的动态地图，研究人员证明了将庞大且复杂的现实世界记录数据库转化为关于疾病进展的清晰故事是可能的。他们表明，像社会不平等和居住在养老院这样的因素，与年龄或病史一样，是决定患者命运的重要因素。这项研究不仅统计了死亡人数，还解释了导致死亡的路径。这种方法为公共卫生官员提供了一种观察流行病全貌的方式，帮助他们决定在哪里投入资源以及如何保护最脆弱的群体。这项研究中使用的方法并不局限于这场大流行；它们可以应用于其他具有阶段性特征的疾病，为理解疾病如何影响人群以及医疗系统如何应对提供了一种强有力的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。