非随机干预性研究（NRSI）偏倚评估工具ROBINS-I
随机对照试验（randomized controlled trials，RCT）是评价干预效果的金标准。但由于伦理、可行性等原因，RCT有时难以开展，此时非随机干预性研究（Non-randomised studies of the effects of interventions，NRSI），可以作为RCT的有效补充，而且NRSI在某些方面有其独特优势，人群特征更接近于真实世界，尤其适合研究长
临床结局观察性研究中的领先时间偏倚及控制
观察性研究（observational studies）又称非实验性研究（non-experimental study），是流行病学研究的重要组成部分，该研究方法不对研究对象施加任何外部干预而获得事实材料。研究者按照疾病自然史进行研究，探索和检验暴露因素和结局之间的因果关联，为评价检测、治疗等干预措施或其他暴露因素的作用提供信息[span>1-2]。以具有多个临床结局的疾病为研究内容时，
临床生存数据新视角:竞争风险模型
临床数据常表现为随访纵向生存资料。由于失访等原因终止时间仍未观察到终点事件，某些研究对象确切的失效时间无法获得，而只知失效事件发生在某特定时间之后的现象称为右删失。右删失数据是临床研究中最常见的生存数据类型，例如患者因术后早期死亡而观察不到远期术后并发症结果，此时若忽略死亡带来的偏倚而直接采用经典Cox分析并发症影响因素是否合理？传统生存分析回归前提是假设删失时间与失效时间独立，即结局不存
研究设计时混杂控制策略的结构分类
因果关系研究通常围绕着一个特定暴露（X，如吸烟）与一个拟研究结局（Y，如肺癌）进行。外来干扰因素影响X-Y因果关联的估计存在着8种基本的因果结构[1]，其中仅有混杂结构影响着X-Y总效应的估计。在人类识别这种效应前，混杂结构在易感人群中静默地发生着[2]，使得拟研究结局表现出特有的人群分布特征。正确的因果效应估计是所有因果关系研究的目标，控制所有的混杂成为实现这一目标的基本前提。通常做法是，在设计
采用QUIPS（Quality In Prognosis Studies）工具对预后因素研究中出现的偏倚进行评估
疾病预后研究（prognosis studies）是指对疾病发展为不同结局可能性的预测与影响因素研究。预后研究有助于医患双方了解疾病的发展趋势，并做出相应的临床决策，以争取较小的代价与较好的疾病转归[1]。预后因素（prognostic factors）是预后研究的重要内容之一，主要是指能预测疾病某种（些）结局发生时间与概率，或者能改变结局发生进程与概率的因素[1]。预后因素研究可以借助于各种
武汉双生子出生队列研究
随着社会经济的发展，我国儿童和青少年期生长发育及心理行为相关疾病的患病率有不断上升的趋势[1-3]。例如，我国城市儿童肥胖率由1985年的0.2%上升至2010年的8.1%，局部地区已经接近甚至超过发达国家流行水平[3]。由于各类疾病病因复杂，影响因素众多，传统的横断面研究和病例对照研究结果均较难满足病因学推断的需要。队列研究在先因后果的时间顺序上观察有害暴露的致病作用，是进行病因学研究的重要
中国母婴队列研究特点
母婴健康为全球所关注，是衡量人群健康状况和社会综合发展水平的指标体系中重要组成部分之一。1995年，英国流行病学家Barker提出“成年人疾病的胎儿起源假说”（Fetal Origins of Adult Disease，FOAD），并进一步扩大发展成“健康和疾病的发育起源理论”（Developmental Origins of Health and Disease，DOHaD）[1]。DOH
AHRQ对于复杂干预系统综述报告的PRISMA-CI声明及其实例解读
系统综述在循证医学中的地位和作用已被广泛认可，它可以为临床医生、教育工作者、社区医务人员和公共卫生工作者提供证据整合的信息，促进循证实践。最新的研究显示，系统综述的数量日益增加，每年发布近29 000篇系统综述[1]。与其他研究一样，系统综述的价值取决于其质量和清晰度。 一、PRISMA-CI（Preferred Reporting Items for Systematic Reviews
大型人群队列现场调查管理技术规范（T/CPMA 001-2019）
前言 本标准按照GB/T 1.1-2009给出的规则起草。 本标准由中华预防医学会归口。 本标准起草单位：中国医学科学院、浙江省疾病预防控制中心、北京大学。 本标准主要起草人：郭彧、卞铮、谭云龙、许祥、刘亚宁、俞敏、龚巍巍、吕筠、余灿清、李立明。 本标准为首次发布。 引言 队列研究是经典的分析性流行病学方法之一，它满足由因及果的前瞻性时序关系，具有较强的因果检
大型人群队列终点事件长期随访技术规范团体标准解读
复杂慢性病的自身疾病特点及其复杂病因特点决定了其病因学研究设计必须是大样本、前瞻性且长期随访，才能得到真实、可靠的病因学证据，因此组织开展大型人群队列研究是今后复杂疾病病因研究及学科发展的必然趋势[1]。自20世纪90年代以来，各国基于各种目的建立的人群队列如雨后春笋，但我国队列研究起步晚、数量少、规模小、研究分散、随访时间短[2]。大型人群队列研究在完成研究对象的确定、招募及基线调查之后，即
大型人群队列终点事件长期随访技术规范（T/CPMA 002-2019）
开展长期随访工作，准确地掌握队列人群中各类危险因素流行、各种疾病发生与发展、死亡情况以及队列人群迁移和失访情况，是大型人群队列研究工作的重要内容，也是大型人群队列取得成功的关键。队列人群进行随访的方法主要有三种：一是定期对队列人群开展重复的横断面调查；二是利用当前运行的各类监测系统或常规工作中形成的资料或数据库获取队列人群的终点事件(如发病、死亡事件等)信息，称为常规监测；三是将队列人群的名单
观察性研究中的logistic回归分析思路
观察性研究在研究设计中占有非常重要的地位，实际应用中比较常见的是病例对照研究和队列研究。尽管其应用广泛，但在数据分析中却存在不少问题。在分析时往往只考虑数据本身，而未能结合研究类型，从而导致结果的偏倚。甚至在已发表的文章中，也存在一些不严谨用语。本文从观察性研究的类型出发，基于不同研究类型的研究目的，以logistic回归分析为例，探讨观察性研究的不同分析思路，希望为医学科研工作者提供一定
p for trend内涵与SPSS实现
p for trend主要是指随着某分组变量的递增或递减（需要注意的是，该分组变量需是有序多分类变量），其他变量是否存在某种趋势变化。如下表中，每日观看电视时长为有序多分类变量：小于1.5h，1.5~3.0h，3.0~4.5h，大于等于4.5h。研究者探讨了随着电视观看时长的增加，其他变量的变化情况。我们知道卡方检验中的“线性关联”可以提供随着分组变量的递增，某分类变量的趋势变化。但是，随着某分组
用Poisson回归预测一棵苹果树上有几个坏苹果
Poisson回归跟logistic回归有一定关联，但并不一样。logistic回归用于分析某事件发生的情况，如发生和不发生。而Poisson回归则用于分析发生次数，发生了多少次。比如，要预测一棵树的坏苹果，logistic回归可以预测一棵树上有没有坏苹果，这是有和无的问题。而Poisson回归可以预测一棵树上有几个坏苹果，这是有多少个的问题。如果用专业来说，logistic回归的因变量是个分类变
