流行病學涉及測量疾病的發生和量化疾病與暴露之間的關聯。
疾病發生的措施
疾病的發生可以通過以下方式衡量 頻率 （計數）但更好地描述為 價格，它由三個要素組成：受影響的人數（分子）、受影響人來自的源或基人口（即風險人口）的人數，以及覆蓋的時間段。 比率的分母是源人口經歷的總人時。 比率允許在不同規模的人口之間進行比單獨計數更多的信息比較。 風險，個體在指定時間段內發生疾病的概率，是一個比例，範圍從0到1，不是比率 本身. 攻擊速度，即在特定時間段內受影響的人口比例，在技術上是一種風險衡量標準，而不是比率。
疾病特異性發病率包括 發生率，指的是新診斷出所關注疾病的人數。 流行 指的是現有案件的數量。 死亡 指死亡人數。
發生率 定義為指定時間段內新診斷病例數，而 發病率 是這個數字除以來源人口經歷的總人時（表 1）。 對於癌症，發病率通常表示為每 100,000 人的年發病率。 其他更常見疾病的發病率可以按較少人數表示。 例如，出生缺陷率通常表示為每 1,000 名活產嬰兒。 累計發病率，即在指定時間段內成為病例的人數比例，是衡量人口平均風險的指標。
表 1. 疾病發生的度量：五年期間觀察的假設人群
|
新增確診病例 |
10 |
|
先前確診的活體病例 |
12 |
|
死亡，所有原因* |
5 |
|
死亡，感興趣的疾病 |
3 |
|
人口中的人 |
100 |
|
觀察年數 |
5 |
|
發生率 |
10人 |
|
年發病率 |
|
|
點流行率（第 5 年末） |
(10 + 12 - 3) = 19 人 |
|
期間流行率（五年期間） |
(10 + 12) = 22 人 |
|
年死亡率 |
|
|
年死亡率 |
|
*為簡化計算，本例假設所有死亡都發生在五年期末，因此人口中所有 100 人都活了整整五年。
流行 包括 點流行度，某個時間點的疾病病例數，以及 經期患病率，已知在特定時期內某個時間存在的疾病病例總數。
死亡，它關注的是死亡而不是新診斷的疾病病例，它反映了導致疾病的因素以及與醫療質量相關的因素，例如篩查、獲得醫療服務和有效治療的可用性。 因此，當基於發病率而不是死亡率數據時，假設產生的努力和病因學研究可能會提供更多信息並且更容易解釋。 然而，與發病率數據相比，大量人群的死亡率數據通常更容易獲得。
術語 死亡率 通常被認為是指所有原因造成的總死亡率，而 死亡率 是某一特定原因造成的死亡率。 對於給定的疾病， 病死率 （技術上是比例，而不是比率）是在特定時間段內死於該疾病的人數除以患有該疾病的人數。 病死率的補數是 存活率. 五年生存率是癌症等慢性病的共同基準。
疾病的發生可能因人口亞組或時間而異。 不考慮任何亞組的整個人群的疾病測量稱為 粗率. 例如，所有年齡組的總發病率是粗率。 各個年齡段的費率是 特定年齡比率. 要比較兩個或多個具有不同年齡分佈的人群， 年齡調整 （或者， 年齡標準化) 應計算每個人口的比率，方法是將每個特定年齡的比率乘以該年齡組的標准人口（例如，研究中的人口之一，1970 年美國人口）的百分比，然後將所有年齡組相加產生一個整體的年齡調整率。 如果已知特定類別的比率，則可以根據年齡以外的因素調整比率，例如種族、性別或吸煙狀況。
描述性數據的監測和評估可以為疾病病因學提供線索，確定可能適合干預或篩查計劃的高風險亞群，並提供有關此類計劃有效性的數據。 用於監測活動的信息來源包括死亡證明、醫療記錄、癌症登記、其他疾病登記（例如，出生缺陷登記、終末期腎病登記）、職業暴露登記、健康或殘疾保險記錄和工傷賠償記錄。
協會措施
流行病學試圖識別和量化影響疾病的因素。 在最簡單的方法中，將暴露於可疑因素的人的疾病發生率與未暴露的人的疾病發生率進行比較。 暴露與疾病之間關聯的程度可以用以下任一方式表示 絕對 or 相對的 條款。 (另見“案例研究：措施”).
絕對效應的衡量標準是 利率差異 和 風險差異 （表 2）。 一種 率差 是一個速率減去第二個速率。 例如，如果接觸苯的工人的白血病發病率為每 72 萬人年 100,000 例，而未接觸苯的工人的白血病發病率為每 12 萬人年 100,000 例，那麼比率差異為每 60 萬人年 100,000 例。 一種 風險差異 是風險或累積發生率的差異，範圍從 -1 到 1。
表 2. 隊列研究的關聯度量
|
機殼 |
風險人年 |
每 100,000 的費率 |
|
|
外露 |
100 |
20,000 |
500 |
|
未曝光 |
200 |
80,000 |
250 |
|
Total |
300 |
100,000 |
300 |
差價 (RD) = 500/100,000 - 250/100,000
= 250/100,000 每年
(146.06/100,000 - 353.94/100,000)*
比率（或相對風險）（RR）= 
暴露的歸因風險（ARe) = 100/20,000 - 200/80,000
= 250/100,000 每年
暴露的歸因風險百分比（ARe%)=
人口歸因風險 (PAR) = 300/100,000 - 200/80,000
= 50/100,000 每年
人口歸因風險百分比 (PAR%) =
* 括號中的 95% 置信區間是使用方框中的公式計算得出的。
相對影響 基於利率或風險措施的比率，而不是差異。 一種 比率 是一個人群中的比率與另一個人群中的比率。 比率也被稱為 風險比, 相對風險, 相對率和 發生率 死亡) 比率. 該度量是無量綱的，範圍從 0 到無窮大。 當兩組的比率相似時（即暴露沒有影響）， 比率 等於統一 (1)。 增加風險的敞口會產生大於 0 的比率，而保護性因素會產生 1 到 XNUMX 之間的比率。 超額相對風險 是相對風險減 1。例如，1.4 的相對風險也可以表示為 40% 的超額相對風險。
在病例對照研究（也稱為病例參照研究）中，確定患有疾病的人（病例）和未患病的人（對照或參照物）。 比較兩組過去的暴露情況。 將成為暴露病例的機率與成為暴露對照的機率進行比較。 無法獲得暴露人群和未暴露人群的來源人口的完整計數，因此無法計算發病率。 相反，可以通過計算將暴露的案例與暴露的控件進行比較 相對機率，或 比值比 （表3）。
表 3. 病例對照研究的相關性測量：暴露於木屑和鼻腔和鼻竇腺癌
|
機殼 |
Controls |
|
|
外露 |
18 |
55 |
|
未曝光 |
5 |
140 |
|
Total |
23 |
195 |
相對優勢（優勢比）（OR）= 
暴露的歸因風險百分比（
）= 
人口歸因風險百分比 (PAR%) = 
哪裡 
= 暴露控制的比例 = 55/195 = 0.28
* 括號中的 95% 置信區間是使用背頁方框中的公式計算得出的。
資料來源：改編自 Hayes 等人。 1986.
相對效果測量比絕對測量更頻繁地用於報告關聯強度。 然而，絕對指標可以更好地表明協會對公共衛生的影響。 一種常見疾病（如心髒病）的相對小幅增加可能會影響更多的人（風險差異大）並且對公眾健康的影響大於罕見疾病（如肝臟血管肉瘤。
顯著性檢驗
統計顯著性檢驗通常對效應量度進行，以評估觀察到的效應與零假設（即無效應）不同的可能性。 雖然許多研究，特別是在生物醫學研究的其他領域，可能通過以下方式表達重要性 p 值, 流行病學研究通常呈現 置信區間 (CI)（也稱為 置信限度). 例如，95% 的置信區間是效果測量值的範圍，其中包括從研究數據中獲得的估計測量值以及包含真實值的概率為 95% 的值。 區間外的值被認為不太可能包括真實的效果測量值。 如果比率的 CI 包括單位，則被比較的組之間沒有統計顯著差異。
置信區間比單獨的 p 值更能提供信息。 p 值的大小由兩個原因中的一個或兩個決定。 關聯的度量（例如比率、風險差異）很大，或者研究的人群很大。 例如，在大量人群中觀察到的疾病發生率的微小差異可能會產生非常顯著的 p 值。 無法僅從 p 值確定大 p 值的原因。 然而，置信區間使我們能夠區分這兩個因素。 首先，效果的大小可以通過效果度量的值和區間包含的數字來辨別。 例如，風險比率越大，表明效果越強。 其次，人口規模影響置信區間的寬度。 具有統計不穩定估計值的小群體比較大群體產生更寬的置信區間。
選擇用於表達結果可變性（“統計顯著性”）的置信水平是任意的，但傳統上為 95%，對應於 0.05 的 p 值。 95% 的置信區間有 95% 的概率包含效果的真實度量。 偶爾會使用其他置信水平，例如 90%。
暴露可以是二分的（例如，暴露的和未暴露的），或者可能涉及多個暴露水平。 影響措施（即響應）可能因接觸程度而異。 評估 曝光反應 關係是解釋流行病學數據的重要部分。 動物研究中暴露-反應的類比是“劑量-反應”。 如果響應隨著暴露水平的增加而增加，則與未觀察到趨勢相比，關聯更有可能是因果關係。 評估暴露-反應關係的統計檢驗包括 Mantel 擴展檢驗和卡方趨勢檢驗。
標準化
為考慮除感興趣的主要暴露和疾病以外的因素，關聯措施可能是 標準化 通過分層或回歸技術。 分層意味著根據因素將人口分成同質組（例如，性別組、年齡組、吸煙組）。 計算每個層的風險比或優勢比，併計算風險比或優勢比的總體加權平均值。 這些總體值反映了主要暴露與疾病之間的關聯，並針對分層因素進行了調整，即與去除分層因素的影響的關聯。
A 標準化比率 (SRR) 是兩個標準化利率的比率。 換句話說，SRR 是特定層級比率的加權平均值，其中每個層級的權重是非暴露組或參照組的人時分佈。 如果使用相同的權重，則可以比較兩個或更多組的 SRR。 可以為 SRR 構建置信區間，就像比率一樣。
標準化死亡率 (SMR) 是特定年齡比率的加權平均值，其中權重（例如，處於風險中的人-時間）來自研究組，比率來自參考人群，這與 SRR 中的情況相反。 通常的參考人群是一般人群，其死亡率可能很容易獲得併且基於大量數據，因此比使用來自非暴露隊列或研究中的職業人群亞組的死亡率更穩定。 使用隊列而不是參考人群的權重稱為間接標準化。 SMR 是隊列中觀察到的死亡人數與預期人數的比率，基於參考人群的比率（該比率通常乘以 100 以供呈現）。 如果不存在關聯，則 SMR 等於 100。需要注意的是，由於比率來自參考人群，權重來自研究組，因此兩個或多個 SMR 往往不具有可比性。 這種不可比性在流行病學數據的解釋中經常被遺忘，並可能得出錯誤的結論。
健康工人效應
職業人群的總死亡率低於一般人群是很常見的，即使工人因工作場所暴露而導致特定死因的風險增加。 這種現象，稱為 健康工人效應，反映了這樣一個事實，即任何一組就業人員平均都可能比一般人群更健康，其中包括工人和因疾病和殘疾而無法工作的人。 一般人群的總體死亡率往往高於工人。 效果因死亡原因而異。 例如，它對癌症的重要性一般不如對慢性阻塞性肺病的重要性。 這樣做的一個原因是，大多數癌症很可能不會因為在較年輕的時候選擇工作/職業而對癌症有任何傾向。 特定工人群體中的健康工人效應往往會隨著時間的推移而減弱。
比例死亡率
有時無法獲得隊列的完整列表（即處於危險中的人時），並且只有關於隊列經歷的死亡或死亡的某些子集的信息（例如，退休人員和在職員工中的死亡，而不是工人中的死亡）在有資格領取養老金之前離職的人）。 人年的計算需要特殊的方法來處理人次評估，包括生命表方法。 如果沒有所有隊列成員的總人次信息，無論疾病狀態如何，都無法計算 SMR 和 SRR。 反而， 比例死亡率 (PMR) 可以使用。 PMR 是觀察到的特定原因導致的死亡人數與預期人數的比率，基於參考人群中特定原因導致的總死亡人數的比例乘以研究中的總死亡人數組，乘以 100。
因為所有原因導致的死亡比例總和必須等於 1 (PMR=100)，所以一些 PMR 可能看起來過多，但實際上由於其他死亡原因的實際不足而被人為誇大。 同樣，一些明顯的缺陷可能僅僅反映了其他死因的實際過剩。 例如，如果空中殺蟲劑噴灑器因事故造成的實際死亡人數過多，則所有原因的 PMR 加起來等於 100 的數學要求可能會導致某些死亡原因出現不足，即使死亡率過高。 為了改善這一潛在問題，主要對癌症感興趣的研究人員可以計算出 比例癌症死亡率 （PCMR）。 PCMR 將觀察到的癌症死亡人數與預期人數進行比較，根據參考人群中感興趣的癌症的總癌症死亡人數（而非所有死亡人數）的比例乘以研究組的癌症死亡總人數，再乘以100. 因此，PCMR 不會受到非癌症死因異常（過度或不足）的影響，例如事故、心髒病或非惡性肺病。
可以更好地分析 PMR 研究 死亡率比值比 (MORs)，本質上是分析數據，就好像它們來自病例對照研究一樣。 “對照”是被認為與所研究的暴露無關的所有死亡的子集中的死亡。 例如，如果研究的主要興趣是癌症，則可以計算死亡率比值比，比較癌症死亡中的暴露與心血管死亡中的暴露。 這種方法與 PCMR 一樣，避免了當一種死因的波動影響另一種死因的明顯風險時出現的 PMR 問題，僅僅是因為總體 PMR 必須等於 100。然而，控制死因的選擇是至關重要的. 如上所述，它們一定與暴露無關，但對於許多潛在的控制疾病，暴露與疾病之間可能存在的關係可能並不為人所知。
歸因風險
如果觀察到的暴露與疾病之間的關聯是因果關係，則可以使用一些措施來表達可歸因於暴露的疾病數量。 這 暴露的歸因風險 （ARe) 是暴露的疾病率減去未暴露的疾病率。 由於在病例對照研究中無法直接測量發病率，因此 ARe 僅可計算隊列研究。 一個相關的、更直觀的度量， 暴露的歸因風險百分比 （ARe%), 可以從任一研究設計中獲得。 增強現實e% 是暴露人群中可歸因於暴露的病例比例（公式見表 2 和表 3）。 增強現實e% 是比率（或優勢比）減去 1，除以比率（或優勢比），再乘以 100。
人口歸因風險 （PAR）和 人口歸因風險百分比 (PAR%)，或 病因分數, 表示由暴露和未暴露的人組成的總人口中的疾病數量，如果觀察到的關聯是因果關係，則歸因於暴露。 PAR 可以從隊列研究中獲得（表 28.3），PAR% 可以在隊列研究和病例對照研究中計算（表 2 和表 3）。
代表性
已經描述了幾種風險度量。 每個都假定用於計算事件的基本方法，並將這些事件的代表分配給定義的組。 當比較不同研究的結果時，了解所使用的方法對於解釋任何觀察到的差異至關重要。