Crude co-mention trends and standardized observed-to-expected ratios can move in opposite directions: a decomposition, with an application to US multiple-cause-of-death data
本文通过数学分解和美国死亡率数据证明，当共病背景频率发生变化时，粗略的共提及趋势可能与标准化过度代表比率发生背离，从而指出若不考虑这种背景偏移而将其中一种指标视为另一种指标的代理指标，可能会导致对共病负担产生误导性的结论。
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
当一个人去世时，其死亡的官方记录不仅仅是一个简单的死因；它是一份列出了所有导致其生命终结的医疗状况的清单。研究人员利用这些被称为“多重死因记录”的清单，来理解不同的疾病是如何共同发生的。如果医生在同一份证明上同时列出心力衰竭和肾脏疾病，这便暗示了两者之间存在联系。通过统计这些配对在一段时间内共同出现的频率，科学家试图观察特定疾病之间的联系是在增强、减弱还是保持不变。这一信息对于公共卫生至关重要，因为它能帮助官员了解复杂且重叠的疾病在人群中的负担是否正在增加。然而，在解读这些数字时存在一个隐藏的陷阱。仅仅统计两个状况共同出现的次数可能会上升，即便两者实际的医学联系正在减弱。这是因为其中一种状况的背景频率可能正在上升，而这种上升与另一种状况完全无关，从而创造了一种统计上的错觉，使人们误以为这两个状况正变得更加紧密耦合，而事实并非如此。
一位名叫塞卡尼·尼古拉斯·博希尔（Sekani Nicolas Boxill）的研究人员着手通过观察美国长达二十年的真实数据来理清这种混乱。该研究聚焦于四种不同的严重感染，以及它们在死亡证明上与慢性肾脏病共同出现的频率。研究人员检查了原始数据（即仅仅统计有多少人死于这两种状况），并将其与一种更精细的计算方法进行了对比。这种精细的方法提出了一个不同的问题：考虑到死于该感染者的年龄和性别，根据总人口的趋势，我们预期会有多少人同时也患有肾脏疾病？通过将原始计数分解为这两个部分——原始计数和预期的背景频率——研究人员可以看清究竟是什么在驱动这些趋势。
研究结果揭示了感染性心内膜炎（一种严重的感染性心脏病）数据中一个显著的矛盾。在2013年至2019年间，提到肾脏疾病的心脏感染死亡案例的原始百分比稳步上升，每年增加近一个百分点。对这个数字进行随意的解读会认为，这两种状况之间的联系正变得更加频繁。然而，当研究人员应用精细计算以考虑肾脏疾病在总人口中上升的背景率时，情况完全反转了。衡量这两种状况真正共同过度呈现（over-represented）程度的指标实际上每年下降了超过两个半百分点。原始数字之所以上升，是因为肾脏疾病在死亡证明中的整体提及率正在上升，而不是因为心脏感染突然吸引了比以前更多的肾脏病患者。
这种相反趋势的模式也出现在其他配对中。对于败血症（一种严重的血液感染）而言，原始的共同提及率显示出轻微且在统计学上不确定的上升，而精细的衡量指标则显示出清晰且持续的下降。在肺炎的案例中，两个数字都在上升，但原始计数比精细衡量指标上升得更快，这表明这种增长主要是由肾脏疾病提及率的普遍上升所驱动，而非由于肺炎与肾功能衰竭之间的特定联系在加强。研究还强调了2011年和2012年间的一个特定时期，当时肾脏疾病在死亡证明上的编码方式发生了变化，导致所有类别中的提及量都出现了突发性的跳跃。这种编码变化同时影响了原始数字和背景预期，证明了标准的统计调整并不总能修复数据记录方式的突然转变。
研究人员随后查看了其他科学家是如何解释类似数据的。对二十五项近期研究的回顾发现，大多数研究人员将共同发生的死亡人数的原始上升报告为疾病负担增加或疾病间联系加强的证据。虽然许多研究确实将结果与某种形式的背景趋势进行了比较，但没有一项研究将原始数字分解为两个截然不同的组成部分：预期的背景频率和真实的相对过度呈现度。这意味着该领域在分析中缺失了一个关键步骤。研究结论指出，原始数字的上升并不自动意味着一对疾病正变得更加危险或联系更加紧密。为了了解真相，研究人员必须观察状况的背景频率，并计算观测值相对于预期值的比例。如果不进行这种分离，数据很容易就会编造出一个并不存在的联系不断增强的故事。
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。