论文部分内容阅读
研究目的和意义：死因监测是疾病监测的重要部分,在任何一种疾病的监测环节中,死亡作为疾病最终结局的一种,可以用来分析疾病的严重程度以及治疗是否有效,并且可以为制定防治疾病的工作策略以及重点防治对象和危险因素提供有力依据。通过描述和分析不同地区、不同人群（包括不同性别、不同年龄）的死亡水平和各种死亡原因的动态变化,可以反映社会经济、文化教育、卫生服务对于居民健康的影响。然而全国许多地区并没有完整的死因报告系统,仅有医院的报告数据。医院的死亡数据与全人群的死亡数据有着一定程度的差异和联系,二者的差异主要是由于不同死因的病例死于医院的比例不同造成的,二者的联系体现在,假如能够获得不同疾病死于医院的比例或概率,就能够利用医院数据,推导出入群的死因分布。本研究通过对人群死因监测进行分析研究,通过建立多因素模型,利用现有的死亡数据,估计人群的死因分布。在对模型进行验证和评价的基础上加以应用,从而为估计不同人群的主要卫生问题特别是无法做剑全人群死因监测的地区提供参考思路。
研究方法：2007-2010年死因监测测资料的统计沿用疾病和有关健康问题的国际分类（ICD-10）编码,用Exce12003、SPSS13.0,SAS9.0软件进行描述性统计分析。采用2010年第六次人口普查年龄别人口构成作标准对数据进行标化。使用2007-2010年死因监测数据,建立影响个体是否死在医院的多因素Logistic回归模型。对于具有医院死亡信息的地区,就可以利用这些医院死亡个案和社会层面的指标,带入到上述模型,推算出当地全人群的死因分布,进而得到当地的死因构成。
研究结果：总模型和个体模型的系统误差的统计结果显示,系统误差分别为10.43％和11.01％,均在10％左右。经过验证,太原市杏花岭区2010年死因大类总模型的CSMFs以及相对误差的统计显示,当死因分大类时,Logistic回归总模型和个体指标模型对于2010年实际死因估计的平均相对误差为9.72％和11.85％;当死因分小类时,Logistic回归总模型和个体指标模型对于2010年实际死因估计的平均相对误差为11.53％和12.53％。个体指标模型相对误差高于总模型、死因小类相对误差大于死因大类。模型总体误差在l0％左右,模型的拟合效果较好。太原市杏花岭区2011年死因大类监测数据模型估计CSMFs和相对误差结果显示,总模型和个体模型的相对误差分别为9.46％和10.58％,个体模型相对误差略高于总模型相对误差。总模型相对误差最大的是意外伤害(31.19％),相对误差最小的是内分泌疾病(1.02％)。死因大类个体指标模型相对误差最大的是意外伤害(34.10％),相对误差最小的是内分泌疾病(2.54％)。太原市杏花岭区2011年死因小类监测数据模型估计CSMFs和相对误差结果显示,总模型和个体模型的相对误差分别为13.03％和14.22％,个体模型相对误差略高于总模型相对误差,呈现出和总模型相同的趋势,并且死因小类的相对误差略大于死因大类的相对误差。总模型相对误差最大的是其他呼吸系统疾病(38.78％)。相对误差最小的是缺血性心脏病病(1.35％)。死因小类个体指标模型相对误差最大的是其他呼吸系统疾病(38.78％)。相对误差最小的是缺血性心脏病(0.48％)。
结论：l.本研究利用太原市杏花岭区2007-2010年死因监测点人口死亡数据,通过建立多因素Logistic回归模型,并利用现有的死亡监测数据,估计不同地区的死因分布。在对模型进行验证和评价的基础上进行应用,从而为估计不同地区的人群主要卫生问题提供参考思路和方法。2.本研究为无法做到全人群死因监测的地区提供了估计人群死因构成的思路和方法,同时该方法在一定程度上可以提示死因监测工作的误报和漏报,为死因监测工作提供了新的方法。3.带有地区指标的总模型和仅含个体指标的模型相比,误差仅有1％-2％,说明地区指标在总模型的贡献率为1％-2％,可以利用个体指标模型代替总模型。