疾病负担估算方法

疾病负担估算方法是将不完整和不均衡的原始数据转化为可比较的人群疾病负担估算值的分析程序。这些方法涵盖了死亡原因的归因、非致死性健康损失的建模、不确定性的处理，以及如何使数据在不同国家和时间之间具有可比性。

Definition

疾病负担估算方法是结合死亡率数据、患病率调查、登记数据和其他来源的统计和建模技术，旨在生成内部一致、可比较的疾病负担估算值，通常以死亡人数、寿命损失年、残疾生存年或DALYs表示。

Scope

本条目涵盖了疾病负担估算的基本要素：死因归因和不明原因死因的再分配、患病率和残疾的建模、比较风险评估以及不确定性的传播。它将这些视为人群健康测量中的方法学主题，而非临床实践指南。

Core questions

• 当死亡证明不完整或定义不清时，如何将死亡归因于特定原因？
• 在直接测量数据稀疏的情况下，如何估算非致死性健康损失？
• 如何使估算值在内部保持一致并在不同人群之间具有可比性？
• 如何量化和报告不确定性？

Key concepts

• 死因归因和垃圾代码再分配
• 口头尸检
• 患病率和发病率建模
• 比较风险评估
• 内部一致性和基于协变量的估算
• 不确定性区间

Mechanisms

估算始于死亡率数据：记录的死亡被映射到死因列表，并使用算法将归因于定义不清或不合理（垃圾）代码的死亡重新分配给合理的根本死因。在生命登记系统薄弱的地区，口头尸检和与协变量建立的模型关系可以弥补数据空白。非致死性疾病负担通过汇总患病率和发病率数据、调整病例定义和研究质量以及应用残疾权重来估算。然后，比较风险评估通过结合暴露分布与风险-结果关系，将部分疾病负担归因于可改变的暴露。在整个过程中，估算值受到内部一致性（例如，发病率、患病率和死亡率之间）的约束，并报告了反映数据稀疏性和模型假设的不确定性区间。

Clinical relevance

这些方法确定了描述健康损失在不同病因和地区之间分布的疾病负担数据，为解释已发布的估算值提供了背景。它们在人群层面运作，对个体诊断或治疗没有作用。

Epidemiology

这些方法的典型应用是全球疾病负担研究，该研究将这些方法应用于200多个国家和地区的数百种疾病，即使原始数据不完整，也能生成可比较的估算值。

Evidence & guidelines

方法学标准记录在《柳叶刀》发表的全球疾病负担系统分析以及专门的方法学论文中，例如描述死因再分配的论文；这些构成了该领域事实上的惯例。

History

系统性疾病负担估算由20世纪90年代的首次全球疾病负担研究确立，该研究为结合致死性和非致死性数据设定了惯例。随后的几轮研究完善了死因再分配、残疾建模和不确定性量化，使疾病负担估算成为一个不断修订的方法学工作。

Debates

建模选择对估算结果的影响有多大？

在原始数据稀疏的情况下，疾病负担数据严重依赖协变量、再分配算法和模型结构；模型估算值应在多大程度上被信任，以及假设的报告透明度如何，是一个反复出现的争议点。

Key figures

• Christopher Murray
• Alan Lopez
• Theo Vos
• Mohsen Naghavi

Seminal works

• murray-1997-mortality
• naghavi-2010-algorithms
• murray-2012-dalys

Frequently asked questions

为什么疾病负担估算值带有不确定性区间？

因为世界上许多地方缺乏完整数据，估算值是基于模型和不完整来源构建的，不确定性区间表达了在数据稀疏性和所用假设下，数据可能变化的程度。

什么是垃圾代码再分配？

这是一种将归因于模糊或不合理原因的死亡重新分配给更有意义的根本原因的过程，以避免因死亡证明质量差而扭曲特定原因的疾病负担。