HLEDB Academy|特定人群随年龄变化的患病人数研究

全文6071字，欢迎关注！

本期MEWS为大家带来Diehr, P.，Derleth, A.，Newman, A. B.，Liming Cai的《The number of sick persons in a cohort》关于特定人群随年龄变化的患病人数研究，不容错过！

研究背景

美国人口正经历老龄化，同时人们的平均预期寿命正在增加。这些趋势可能会增加与年龄相关的慢性病、损伤和残疾的风险人数。了解健康和发病率随时间的自然轨迹很重要，但健康和死亡的模式及其相关的保健需求和支出随时间的推移是复杂的。

目前有两种研究方法。

一种方法是从某个时间点开始跟踪一个定义明确的“研究”群组，直到死亡，并在每个时间将多少人健康(根据某种定义）、多少人生病、多少人死亡制成表格。研究队列可能是人口的随机样本，通常包括不同年龄的人。时间的度量是自队列中登记以来的年数。

另一种方法是估计从一种健康状态转换到另一种健康状态在特定年龄下的概率，并使用多状态生命表方法来估计出生后每年健康、患病或死亡的人数，其中出生队列中的时间度量是年龄。在这里，我们使用八种不同的“患病”定义，在长达14年的研究队列中呈现了一段时间内病人的数量。我们还估计了出生队列中每年患病的人数，使用了从三个大数据集来估计的转移概率。

研究方法

研究设计：心血管健康研究

心血管健康研究(CHS)是一项基于人群的纵向研究，对5888名65岁及以上的成年人进行了基线研究，旨在确定与冠心病和中风相关的因素。参与者是从美国四个县的医疗保险资格列表中随机抽样招募的。约59%的合格人员同意参加。由此产生的样本比那些拒绝参与的人更年轻，受教育程度更高，更有可能结婚，活动限制也更少。对两个社区卫生服务研究队列进行了随访，一个进行了9年的随访，另一个进行了6年的全面随访。一些分析忽略了第二组，因为其随访时间较短。基线时，平均年龄为73岁(65至105岁)，58%为女性，84%为白人。数据收集始于1990年左右，1999年对所有存活受试者的随访几乎已经完成(一些测量持续到2004年)。

心血管研究中的健康相关变量

为了提供广泛的健康信息，我们选择了八个常用的健康相关变量，并为每个变量定义了“生病”。这些定义包括具有低于80的改良迷你精神状态检查得分(MMSE)，在日常生活的活动或工具活动中具有一个或多个困难(日常生活能力和)，流行病学研究中心抑郁症得分高于10(CESD)，在过去两周中在床上度过的任何日子(卧床日)，需要10秒以上才能行走15英尺(定时行走)，以及流行性心脏病(心血管疾病)。心血管疾病被定义为在调查时或之前患有心绞痛、冠心病、充血性心力衰竭、跛行、心肌梗死、中风、短暂性脑缺血发作、血管成形术或冠状动脉旁路手术。我们假设一个按照以上定义生病的人(有心血管疾病)以后不可能变得健康(没有心血管疾病)。这八项措施包括自我报告和临床定义，以及一项无法恢复的定义。本文使用的主要健康变量是健康自评(EVGGFP)，要么是优秀、非常好或良好(E/VG/G =健康)，要么是一般或差(F/P =生病)。EVGGFP之所以被挑选出来，是因为它每半年收集一次，甚至在1999年后继续通过电话收集，它为每个人提供了多达29个可用于计算转移概率的指标。其他变量仅每年收集一次，1999年后便没有再收集。缺失数据的数量很少，人们经常在错过访问后返回，这使得我们可以使用简单的插补方法来估算缺失数据，该方法在社区卫生服务数据集中表现良好(恩格斯和迪尔，2003年)。第一个和最后一个已知测量值之间缺失的数据是从最后一个已知测量值的时间日志上的变量的个人特定回归估算的。

当最后一次已知观察和死亡之间的测量值缺失时，我们使用最后一次已知观察的结转值进行估算，以便接近死亡的转移概率的偏差方向变得清晰。这里一个潜在的偏见是，对于那些在那个时期的人来说，没有从生病到健康(这可能是合理的)或从健康到生病的转换。鉴于有大量额外的转换对可用于估计这些转换，这应该不是问题。更重要的是健康人死亡率的潜在偏差。在之前已知EVGGFP值的三分之二的死亡中，大约62%在死亡前一年患病(一般或较差)。大约三分之一的死亡病例在死亡前一年都没有EVGGFP，然而在大约56%的时间内处于生病状态。由于缺少数据的人比提供数据的人更容易生病，我们预计在死亡前一年会有超过62%的人生病。因此，大约14%的死亡前值被认为是“健康的”，其中一些可能被错误分类。由于这个原因，健康人的估计死亡率可能会偏高。对于1999年仍然活着的人，大约5%的相关数据必须进行估算。对于死亡的人，20%至29%的定时行走数据被估算；10%至19%是CESD、迷你精神病院、EVGGFP、ADL和IADL的估算值；不到10%的数据是根据卧床天数估算的。

我们将“转换对”定义为同一个人相隔一年测量的两个EVGGFP值。5888名社区卫生服务参与者贡献了大约150000个转换对以用于估计不同年龄从一个状态转移到另一个状态的概率。

更多数据来源

为了增加转换数据的数量和年龄范围，我们还使用了来自两个大型全国性调查的EVGGFP数据，即医疗保险当前受益人研究和医疗支出小组调查。在MCBS，人们被跟踪2至6年，约41，000人贡献了约98，000对转换对。与社区卫生服务不同，MCBS的样本比一般人群的病情稍重。在MEPS，大约93000人为0至64岁的人贡献了大约224000对转换对，为大于或等于65岁的人贡献了29000对转换对。MEPS没有调查被收容人员。因为这个原因而没有被调查的少数人被指定为“健康不良”，我们将数据缺失归因于其他原因，如社区卫生服务。MEPS设定90岁以上(后来是85岁)的人为90岁(85岁)。此外在调查中，被访问者一个人回答了家庭中的每个人的信息，这意味着MEPS信息通常不是“自我”报告的。我们忽略了调查权重，以使数据与社区卫生服务数据一致，因此不能对美国人口进行无偏估计。在两次调查中，失访人数都很低。

关于预期寿命的数据来自《美国统计摘要》。对美国人健康状况的年龄估计来自全国健康访谈调查，该调查只调查非机构收容人员。按年龄和计划生育年龄分列的医疗支出数据是根据MEPS在2002年利用欧洲医疗网方案估算的结果。我们拟合了年龄和对数年龄的支出回归，并对大于85岁的年龄使用回归估计。

转移概率计算

我们结合了所有三个数据集的转换对，计算了每个年龄的转换概率，并使用移动平均平滑了年龄曲线来修匀。对65岁以下年龄的估计是基于每年约3400对转换对，而65岁以上年龄的估计是基于每年约8000对转换对。

人群未来健康状态

研究队列显示了社区卫生服务队列在随访期间的实际行为。为了获得更普遍的发现，我们使用EVGGFP的转移概率来预测一个综合出生队列的健康、患病和死亡人数，该队列在起始时有98000名健康人和2000名患病人，选择与国家统计数据一致。这是使用标准的多状态寿命表方法完成的，该方法在电子表格中实现，部分在Stata程序中实现。我们还创建了一个由5201人组成的综合社区卫生服务队列，其初始年龄和健康分布与社区卫生服务基线人群相匹配，用于与社区卫生服务研究队列进行比较。合成队列部分给出了一个计算示例。

分析过程

我们首先计算了在社区卫生服务研究队列中随访的14年中，所有八种疾病定义的患病人数。接下来，我们使用标准的多状态生命表方法，使用估计的转移概率来预测综合出生队列和综合社区卫生服务队列中健康、患病和死亡人数。我们将特定健康和特定年龄的支出估计值乘以每个年龄和健康状态下的预计人数，以估计终生医疗支出。

研究发现

社区卫生服务研究队列中健康、患病和死亡人数

图1描述了第一个社区卫生服务队列。它显示了基线后14年内健康(E/VG/G)、患病(F/P)或死亡的人数。由上图可以看出，随着时间的推移，健康人数减少，死亡人数增加，但患病人数(实线)大致不变。这是显示当前调查的图表。男性和女性的情况类似(未显示)。

图2显示了每年随访的健康、患病或死亡人数，使用了不同的“患病”定义，如上所述。(为了便于绘图，Y轴是每个健康状态下5201人中的百分比，而不是计数)。括号中的数字是基于该变量的每年平均患病人数。患病人数(实线)随着时间的推移总是近似恒定的，即使“患病”在每个图中的定义不同。标有EVGGFP-1的图表相当于图1中的前九年，EVGGFP-2显示了相同的变量，但针对第二个队列(所有非裔美国人)。EVGGFP-2的患病百分比高于EVGGFP-1，但随着时间的推移也相当稳定。EVGGFP线下的区域有时被称为“健康寿命年”，图中ADL的相应区域被称为“活跃预期寿命”。

综合队列中健康、患病和死亡人数

我们使用三种健康状态(健康、患病和死亡)之间的估计转移概率来预测合成队列中健康、患病和死亡的人数。

健康状态和转移概率

这里我们把健康定义为“E/VG/G”健康，把生病定义为“F/P”健康。这三种状态之间的转换概率是从500000个转换对中估计出来的，并在一份在线技术报告中列出。我们分别观察健康的人在一年后维持健康的概率；1年后患病的概率；以及一年后死亡的概率。同样，最初生病的人也有相关的概率P(H|S)、P(S|S)和P(D|S)。估计的转移概率随着年龄而变化，如图3所示。65岁以下的概率仅基于MEPS数据，而65岁及以上的概率是根据所有三个数据集计算的。尽管平滑，但在一些概率估计中，65岁附近和95岁以上有明显的不连续性.

P(H|H)和P(H|S)随着年龄的增长而降低的发现反映了临床经验，即老年人不太可能保持健康或从疾病中康复。P(D|H)、P(D|S)、P(S|H)随年龄单调增加，这也不足为奇。但是我们事先不知道患病的概率会随着年龄的增长而变化。根据定义，P(S|S)= 1–P(H|S)–P(D|S)，但由于P(H|S)随年龄增长而减少，而P(D|S)则增加，所以年龄对P(S|S)的影响不明显。在这里，P(S|S)在大约50岁之前一直增加，在大约80岁之前相当平稳，之后下降，大概是因为病人更有可能死亡而不是继续患病。三组数据中65岁及以上人群的趋势相当相似，其中，在患病的状态下保持患病的概率P(S|S)差异最大。

合成队列

对于那些不熟悉生命表计算的人，我们举一个简单的例子。考虑一个队列，在起始时有特定数量的健康和患病的人，并且在三种状态中有特定的转移概率:健康、患病和死亡。关于特异性，使用65岁时的概率(见图3)，如下:P(H|H)=0.90；p(S|H)=0.09；p(D|H)=0.01；p(H|S)=0.34；p(S|S)=0.61；和P(D|S)=0.05。对于一个65岁的人工队列，其中(比方说)100人健康，100人在65岁时生病，我们可以估计一年后，在66岁时处于每个健康状态的人数。在100名健康的人中，概率显示0.09 * 100 = 9人将在一年后生病，1人死亡，90人仍然健康。在那些开始生病的人中，61人将继续生病，34人将变得健康，5人将死亡。因此，在66岁时，将有90 + 34 = 124名健康人、70名病人和6名死者。这些计算可以在66岁时重复，使用该年龄特有的转移概率，并再次重复，直到所有参与者都死亡。在这一点上，可以计算健康状态和患病状态下的总人年数，以得出健康寿命年数、患病寿命年数(发病率)和寿命年数(预期寿命)的估计值。

我们估计了100000名出生队列中的健康、患病和死亡人数，其中98%在0岁时健康(生命和健康统计，1990年)，如图4所示。健康人数下降，死亡人数增加，这是意料之中的。患病人数在大约55岁之前缓慢增加，在大约80岁之前相当平稳，之后下降。死亡曲线下的面积(除以100，000)是平均死亡年数= 23.8，100–23.8是平均预期寿命，即76.2岁。鉴于数据的局限性，这相当接近美国人口的预期寿命(77.3岁)。健康曲线下方的区域是从出生到100岁的66.9年健康寿命。患病曲线以下的区域是患病寿命9.3年。

实际的社区卫生服务研究队列是出生队列和基准人群健康状态的混合。从图4中可以清楚地看出，基准人群主要由55岁至80岁的人组成的群体，随着时间的推移，患病人数将保持相当稳定，而55岁以下的人过多将导致患病人数随着时间的推移而增加，而80岁以上的人过多将导致患病人数减少。使用社区卫生服务队列的起始年龄和健康状况分布，综合社区卫生服务队列中的估计患病人数在14年的随访中大致保持不变，如真实数据的图1所示。

出生队列的医疗支出

在图4中，预期医疗支出最高的患病人数在55岁至80岁之间大致保持不变，而医疗支出较低的群体的规模随着时间的推移而下降。如果医疗支出只是健康状况的一个函数，那么55岁以后群组的成本将会降低，因为患病人数将保持不变，但健康人数将会下降。然而，医疗支出随着年龄和健康状况变差而增加。我们将估计的平均年龄和特定健康成本乘以每个健康状态和年龄的预计人数。100000名出生队列的估计年度总费用将在大约10岁以后随着年龄单调增加，从61岁到73岁将相当稳定地保持在每年大约4.2亿到4.3亿美元，之后将下降。

研究总结和讨论

在这篇文章中，我们使用了来自两个社区卫生服务研究队列的数据，表明无论如何定义“患病”，患病人数随着时间的推移惊人地稳定。然后，我们结合三个大数据集来估计转移概率，并使用多状态生命表方法来创建一个综合出生队列。我们还根据这些转移概率建立了一个综合社区卫生服务队列，以证明社区卫生服务数据中记录的稳定性可以从转移模型中预测。

我们发现，健康状况不佳的人数在出生时很低，此人数在55岁时达到最大值，且在55岁至80岁之间大致保持不变，之后下降。年老时患病人数没有增加，但健康人数有所下降。这导致随着时间的推移，在14年甚至更长的时间里，在老年人的“研究”队列中，患病人数保持不变。即使当“生病”有不同的定义时，在大部分情况下这种现象依然成立。该群体的医疗支出在65岁左右最高，此后有所下降，因为该群体中存活的人数较少，足以抵消每个存活者不断上升的支出。这些有趣的发现可能有助于概念化一个人群或一个群体的健康和医疗支出将如何随着时间的推移而变化。它还可能表明，健康促进和疾病预防将是年轻一代的最佳公共卫生战略，因为需要治愈或预防死亡的病人相对较少。

参考资料：

Diehr, P.，Derleth, A.，Newman, A. B.，Liming Cai. (2007). The number of sick persons in a cohort. Research on Aging An International Bimonthly Journal, 29(6), 555-575.

声明：MEWS矩阵所刊载内容之知识产权为MEWS矩阵及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。