跳转至

Cardiovascular disease and mortality following placental abruption

作者: Cande V Ananth, Rachel Lee, Linda Valeri, Sonia M Grandi, Todd Rosen et al.
来源: American Journal of Epidemiology
主题: 流行病学
相关性: 6/10
机构绿灯: Harvard University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/aje/kwaf289

一、领域脉络与小综述

这个方向是什么

这是一个典型的“生殖医学中的生命历程因果效应”子方向——研究一种急性妊娠并发症（胎盘早剥，placental abruption）是否通过诱发或加重亚临床心血管病变，从而在分娩后的数十年内增加母亲发生非致命性心血管疾病（CVD）住院乃至全因死亡的风险。该方向的成熟度中等：关联性已被多项队列研究证实，但因果识别较难，因早剥的发生并非随机，且存在大量未测量的共同风险因素（如慢性炎症、内皮功能障碍、社会经济压力等）。当前流行病学方法向前推进的主要方向是多状态建模、未测量混杂敏感性分析与因果中介机制探索。

发展脉络（history）

  • 奠基工作（2000年代中后期）：Bellamy et al. (2007, Lancet) 在meta分析中发现早剥与后续CVD存在显著正相关，但所有纳入队列均只调整了少数可观测混杂，无法排除残余混杂。这成为该领域的一个核心证据缺口。
  • 主要进展（2010年代）：多个大型注册研究（如瑞典、丹麦、美国）开始用Cox比例风险模型估计delivery→CVD/死亡的风险，并尝试调整更多基线混杂。Ray et al. (2014, Circulation) 提出“缺血性胎盘疾病”概念，将早剥、子痫前期、胎死宫内等视为一组共同病因的妊娠不良结局，主张它们在CVD病因中可能替代传统的代谢综合症指标——这为早剥作为独立因果因子的特异性提供了科学动机。本文作者Ananth本人在此阶段贡献了大量流行病学证据（如Ananth et al., 2015, BJOG），但仍停留于传统Cox模型加已测混杂校正。
  • 当前frontier（2010年代末至今）：方法上引入多状态survival模型（从分娩→非致命CVD住院→死亡，以及分娩→死亡的直接路径），将单一HR分解为多个转移路径的HR，从而区分早剥的“CVD特指性”vs.“全因死亡风险评估”效应。同时也开始采用未测量混杂的敏感性分析（如E-value法、bias-correction公式）。本文（PACER研究Investigators, 2024, AJE）正是这个stream的产物——实际上是作者更广泛的多状态PACER研究框架的第二次应用（首次可能已发在别的期刊或专刊），本次聚焦于早剥这一特定暴露。
  • 本文的位置：它是PACER研究系列中，首次用多状态加权Cox模型和未测量混杂校正系统估计早剥对母体长期CVD及死亡综合结局的影响的应用型论文。它在方法上不做创新（多状态Cox和敏感性分析都是已有工具），但贡献在于——在一个近290万次分娩的巨型队列上，本着细致的队列划分（parity 1 vs parity 1-2的设计）和透明度较高的假设陈述，将关联估计推到了当前流行病学最佳实践的水平。

子线索聚类

  1. 纯流行病学关联研究（大量文献 — 如Bellamy meta, Ananth prior papers）：主要用传统Cox，只报告调整后HR，不做未测量混杂校正或只在讨论中口头承认。它们的特点是“暴露-结局关系已被公认成立”。
  2. 多状态生存建模在生殖流行病学中的应用（少数文献 — 如PACER系列文章、Parker et al.）：将单一终点的Cox扩展为多状态转移，能够区分“早剥是否主要增加非致命CVD风险”还是“主要缩短了CVD→死亡的时间”。本文就落在这里。
  3. 未测量混杂校正方法在观察性研究中的推广（方法论文献 — 如VanderWeele & Ding, 2017, E-value; Lin et al., 1998, sensitivity analysis by copula; Robins, 1999 & 2000, 3-parameter SCC-style sensitivity model）：这一簇主要在方法学期刊，通常以理论证明或模拟为主，极少在大型队列上做系统应用。本文引用了VanderWeele & Ding的E-value，但未宣称使用了其完整框架，而是用了bias-correction公式。

这个方向在追问的核心问题（2-4个）

  1. 早剥→CVD死亡之间的关系是否完全由共同（未测量）风险因素（如慢性炎症、低社会经济地位）解释？ 若能部分解释，残留的“净因果效应”有多大？
  2. 早剥是否通过两个机制影响长期CVD风险： (a) 触发或加速亚临床粥样硬化（急性事件本身效应）vs. (b) 只是暴露了母体已有的潜在血管脆弱性（marker而非cause）？多状态模型无法区分这两种策略，但combined CVD+death结局有助于缩小解释空间。
  3. 重复早剥（两次妊娠都发生）是否比单次早剥有更强的累积因果效应？ 这是一个dose-response问题，队列划分parity 1-2的设计专门为此。

⚠️ 作者的framing（必须标注为作者自己的说法）

  • 作者把缺口frame成：“尽管已有证据支持早剥与CVD风险关联，但绝大多数研究没有考虑全因死亡率作为竞争事件，也没有区分非致命CVD与CVD→死亡这两个路径”（见Introduction）。他们认为这是一个明显的缺失——缺乏用多状态设计来同时估计三条转移路径的综合性队列研究。
  • 被淡化的竞争路线：传统单状态Cox模型被他们描述为“不足以描述疾病自然史”，但多状态模型在这里并非方法学上的革命——无非是用了两个Cox（delivery→CVD住院, delivery→死亡, CVD住院→死亡）且权重略微不同。作者也没有用更高级的因果中介分析或结构性嵌套模型（structural nested model）去区分效应类型。该论文的关键发现在于报告的结果和数据规模，而非方法学贡献。
  • 什么明显该被引/该存在、却没出现在intro里？
  • 关于胎盘早剥作为CVD前哨事件的分子/生物机制文献（例如早剥是否胎盘中microRNA表达变化与长期血管炎症有关？）——这篇AJE论文是纯流行病学，不提机制情有可原。
  • 一个更明显的是竞争风险分析方法的选择解释：他们在delivery→全因死亡路径中，并未讨论“非CVD死亡作为主要死亡原因时是否压缩了CVD→死亡的HR估计”，而这是任何多状态生存分析的必要敏感性讨论。多个竞品论文（如Fine-Gray子分布风险模型 vs. 原因别风险模型）都没有被引用或讨论。这也许不是gap而是局限，但可以记着去查。

张力

未见明显对立引用。该领域的方向性共识很强：早剥与长期CVD/死亡风险正相关是普遍接受的，只是争论效应幅度和因果识别强度。不同研究的争议集中在调整程度不同导致的HR大小差异，但几乎所有都报告正相关，没有否定论者。这也导致在intro中几乎没有“激烈辩驳”的张力线索。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号（本文用到的核心记号）： - \(A \in \{0,1\}\): 暴露变量，1=胎盘早剥（placental abruption），0=无早剥。本文以分娩为观察单位，但个体可能多次分娩，所以两个队列（parity 1仅含首次分娩；parity 1-2仅含连续两次分娩的个体中选取其中两次）。 - \(T\): 从delivery（分娩）到事件发生的时间（年）。注意每个个体可能经历多个事件：非致命CVD住院（状态1），全因死亡（状态2）。多状态模型中有三个转移： - 路径1: delivery（初始） → 非致命CVD住院（状态1） - 路径2: delivery（初始） → 全因死亡（状态2） - 路径3: 非致命CVD住院（状态1） → 全因死亡（状态2） - \(\tau\): 随访截止时间（最多28年，中位16年）。这是右删失。 - \(\lambda_{ab}(t)\): 从状态a到状态b的转移风险函数（transition hazard），即个体在时间t时处于状态a且在t时刻向b转移的瞬时概率。例如\(\lambda_{01}(t)\)是delivery→非致命CVD住院的风险；\(\lambda_{02}(t)\)是delivery→全因死亡的风险；\(\lambda_{12}(t)\)是CVD住院→全因死亡的风险。 - \(L\): 基线协变量向量。本文调整了数个：母亲年龄、种族/民族、教育、保险类型（Medicaid vs private）、吸烟、高血压……等。 - \(W\): weight（加权权重）。本文用了逆概率加权（inverse probability weighting, IPW）来校正由观测协变量L导致的处理分配不均衡。具体地，\(\hat{W} = 1 / \hat{P}(A=1|L)\) for treated, \(= 1 / (1-\hat{P}(A=1|L))\) for untreated。这是在Cox模型中引入加权（weighted Cox）的核心方式。 - \(HR\): hazard ratio，协变量调整后的风险比。本文报告的是adjusted HR（aHR），通过加权Cox估计。

模型：本文采用多状态加权Cox比例风险模型（multistate weighted Cox model）。对于每条转移路径\(ab\)，模型假设：

\[\lambda_{ab}(t | A, L) = \lambda_{0,ab}(t) \exp(\beta_{ab} A + \text{其他协变量})\]
其中\(\lambda_{0,ab}(t)\)是非参数的baseline hazard，\(\beta_{ab}\)是暴露（早剥）相对于无早剥的对数HR。注意，加权是通过逆概率权重实现的——每个个体在参数估计时贡献了权重W。这样得到的\(\beta_{ab}\)估计是在假定可忽略性（ignorability）条件成立下的无偏估计（通常写作：\(T \perp A | L\)）。但这里暴露分配并非条件于L可忽略，所以作者也做了未测量混杂的敏感性分析。

可观测数据：每个个体的回顾性队列数据，包括： - 暴露状态A（早剥：是/否） - 基线协变量L（在分娩时或之前记录） - 随访期间的事件记录（非致命CVD住院时间、全因死亡时间，加上删失指示）。注意：非致命CVD住院和死亡是复合可观测结局——CVD住院发生在死亡之前（若不删失的话）。 - 随访开始时间：分娩日期；结束时间：最早出现事件、死亡或2020年12月31日，以先到者为准。

潜在/不可观测的量：任何关于“如果在无早剥状态下，该个体会有什么健康轨迹”的反事实信息（counterfactual outcomes）——这是因果推断的核心不可观测量。多状态加权Cox只在嵌套于条件独立性假设下方能识别因果效应。此外，未测量混杂（如慢性炎症水平、健康行为）不可观测。

第二步：讲最小内核

最小特例：假设我们只关心一个转移路径——从delivery到非致命CVD住院（路径1），并忽略其他转移（即假设CVD住院后的死亡路径不会与主要估计冲突）。进一步，假设队列中所有个体的随访都是无删失的且持续到固定年限20年。在这个极度简化的设定下，整个多状态模型退化为一个加权Cox比例风险模型，其比较的是有早剥 vs 无早剥的delivery→CVD住院的时间。

这个最小内核的数学问题： - 可观测：\((T_i, \Delta_i, A_i, L_i)\)，其中\(T_i\)是从分娩到CVD住院的时间（如果终点是CVD住院），\(\Delta_i \in \{0,1\}\)表示是否在观察期内发生了CVD住院（而非删失）。 - 不对其他事件做建模。 - 因果效应metric: 在假设\(T^1, T^0 \perp A | L\)（条件可忽略性）下，加权Cox和普通Cox等价；若不满足，加权也只是一个近似。 - 本文的最小内核其实是将早剥从一种单纯的标志转为“因果风险因素”的证据的过程：展示了即便在ipw加权、并做了未测量混杂校正后，HR仍然>1。这个最小逻辑链条是：

  1. 先看未调整的粗HR：早剥组粗CVD住院风险高于非早剥组。
  2. 加上L（可观测变量）的加权Cox校正后，HR下降但依然>1。
  3. 试图用未测量混杂的敏感性分析（假设一个未测的二值混杂U的RR=1.5-2.0的影响）表明校正后的HR依然>1 — 说明关联稳健。

为什么要理解最小内核：因为如果这个单一路径的最小例子不成立（即早剥→CVD住院的HR在校正后变得不显著或<=1），那么论文的活就立不住了。整篇论文多状态的核心无非是把这个逻辑复制到另外两条路径上，再加上对parity 1 vs parity 1-2的dose-response探索。所以最小内核是“加权Cox + 早剥→CVD住院”。

三、这篇论文做了什么

三句话

  1. 研究了胎盘早剥（一次 vs 复发）对母体长期心血管疾病非致命住院、全因死亡以及CVD住院后死亡风险的影响——三者通过多状态模型分别估计。
  2. 核心方法为多状态加权Cox比例风险模型（multistate weighted Cox model），使用逆概率加权以校正已测混杂，并在此基础上进行未测量混杂的敏感性分析（bias-correction公式）。
  3. 主要结论是：早剥与随后的CVD住院风险增加27%（95% CI=11%-46%）、全因死亡风险增加77%（95% CI=28%-144%）相关；且在重复早剥（两次妊娠均有早剥）的个体中效应更强。未测量混杂校正后估计值略有衰减但仍显著。

关键设定与假设

记号补充（在第二节基础上）： - 除了\(\lambda_{01}, \lambda_{02}, \lambda_{12}\)三条转移路径，还需引入删失（censoring）指示\(C_i\)表示随访结束（删失时间）。本文假设删失是状态无关条件独立（即删失与转移风险独立于已观测协变量L与暴露A给定）。 - weighted Cox估计的细节：对于每条转移路径\(ab\)，参数\(\beta_{ab}\)是通过解决加权部分似然方程（weighted partial likelihood）得到的：

\[U(\beta) = \sum_{i=1}^n W_i \left[ X_i - \frac{\sum_{j \in R(t_i)} W_j X_j e^{\beta X_j}}{\sum_{j \in R(t_i)} W_j e^{\beta X_j}} \right] = 0\]
其中\(X_i\)是暴露A与协变量L的向量，\(W_i\)是估计的IPW权重（基于logistic回归估计倾向得分）。

  • 敏感性分析采用的方法：本文假设存在一个未测量的二值混杂变量U，其与早剥的关联（RR_{AU}）以及U与结局的关联（RR_{UU_0}）被指定（基于前人文献或专家猜测）。给定这两个量，可以推导出观察到的HR（HR_obs）与校正后的HR（HR_true）之间的关系（基本公式可以写作：HR_obs ≈ HR_true * ( (RR_{AU} * RR_{UU} + WW') / (RR_{AU} + WW') )……但实际上本文给出的式子是：\(bias = (1 + RR_{AU} * RR_{UU}) / (1 + RR_{AU} + RR_{UU})\)；在附录中有标准化公式。他们提前设定了RR_{AU} = 1.5, 2.0等，然后看校正后HR是否仍>1。

核心假设（业务逻辑透明）： - 处理分配与潜在结果的条件独立性（conditional exchangeability）：给定已测协变量L和处理概率，早剥分配独立于潜在CVD/死亡结局。这个假设在观察性队列中极可能不成立，作者用未测量混杂校正应对。 - 一致性（consistency）：对于每个个体，早剥状态A下的观测结局等于该个体在早剥暴露下的潜在结局（SUTVA）。 - 正性（positivity）：每个协变量组的早剥概率 > 0。 - 无加性信息删失或竞争风险独立性假设：多状态模型中，从一个状态到另一个状态的转移竞争事件（例如delivery→死亡路径可能早于delivery→CVD住院的发生）在加权Cox框架下被“独立”建模——这暗示着转移路径之间在给定协变量下是独立的（一个强假设），但作者没有公开讨论这个问题。许多现代多状态方法（如Fine-Gray，竞争风险模型）会特别处理这种依赖性。 - 未测量混杂校正的假设：所选定的未测量混杂U的效应大小（RR_{AU}, RR_{UU}）不仅要在专家（临床）可接受范围内的合理取值，还要求U与暴露和结局的联合分布满足对数线性或乘法性质，便于bias公式计算。这导致敏感性分析的效度强烈依赖使用者的参数猜测——若实际U与暴露和结局的交互是更复杂的（例如U是连续连续变量而非二值），那么校正后的HR会偏离。

相比已有文献：相比已有的大多数流行病学文献只调整可观测混杂（可能用Cox全调整），本文引入了多状态设计+加权估计+敏感性分析。加权Cox相比传统Cox的一个小优势是减轻了关于线性协变量调整的模型规格误设（mispecification），但代价是增大方差（因需估计的权重有误差）。

主要结果

核心量化结论（parity 1队列）： - 路径1（delivery → 非致命CVD住院）：aHR = 1.27, 95% CI: 1.11-1.46, p < 0.001。 - 路径2（delivery → 全因死亡）：aHR = 1.77, 95% CI: 1.28-2.44, p < 0.001。 - 路径3（非致命CVD住院 → 全因死亡）：aHR = 1.52, 95% CI: 0.98-2.37, 边界显著（p ≈ 0.06）。

parity 1-2队列的发现：重复早剥的HR比单次早剥更大（有的路径HR达到2-3），但由于样本量较小（仅约2800例早剥个体，其中只有约240例是两次都早剥），置信区间更宽。例如路径1的HR≈2.1，但CI跨越1。

未测量混杂的敏感性分析结果：假设RR_{AU} = 1.5, RR_{UU} = 1.5 的有利/不利效应模式（U既有害早剥也有害结局），校正后HR（路径2 delivery→死亡）从1.77降为1.62；若更极端（RR_{AU}=2.0, RR_{UU}=2.0）则降为1.42。仍>1凸显了结论的稳健性，但并未完全排除因果效应为零的可能性（取决于是否能想象出更大的U效应）。

与baseline的对比：他们没有专门做“不加权的标准多状态Cox”作为基准——因为加权Cox本身是用来平衡基于L的可测混杂，而标准非加权Cox就是所谓的未调整或调整后的Cox。他们的主要基线对比是未调整的Cox vs调整后的加权Cox，而HR下降的情况如实报告（从不校正的crude HR大约1.5-2.5降到所谓的aHR 1.27-1.77），说明已测混杂解释了部分关联，但未测混杂仍可能是剩余5-10%效应偏高的原因。

证明路线与技术技巧

本文是应用型论文，没有数学证明。但其中涉及的技术技巧可以按统计实现路线拆解：

整体路线（数据处理到结论输出的步骤）： 1. 队列构建与定义：从新泽西州出生记录（Birth Certificate）+医院出院记录+死亡记录建立回顾性队列。限制为单胎活产，剔除无法匹配的少部分记录。将个体划分为两个互斥子集：parity 1 (首次分娩，无前次分娩记录) 和 parity 1-2 (连续两次分娩个体，使用其两次分娩的时间序列)。 2. 暴露定义：胎盘早剥通过ICD-9-CM/ICD-10-CM代码识别（"早剥"尤其是临床诊断）。 3. 协变量选择：使用logistic回归计算倾向得分（PS）用于构建IPW权重。PS模型包括母亲年龄（连续+平方项）、种族/民族（5类）、教育（<高中/高中/大学+）、保险类型、吸烟、高血压等。 4. 加权Cox模型拟合：对每条转移路径，在加权部分似然中求解\(\beta\)。由于多状态模型“分离”（即每条路径独立建模），实际上是拟合了三个独立的加权Cox回归。 5. 未测量混杂校正：基于VanderWeele (2007) 的bias公式（使用前述的两个RR）。 6. 结果报告：aHR及其95%CI、校正后的aHR估计值。

关键跳跃点（读者需要特别注意的部分）： - 队列划分的合理性：为何划分两个互斥队列？好处是避免同一人多次计数带来的混杂（如果用的是每次分娩作为分析单位，则同一个体贡献多个观测会有相关误差）；坏处是限制了主要分析窗口（比如说，只有首次分娩有早剥的影响可以评估，而第二次早剥的剂量效应评估只能在parity 1-2队列中进行）。这意味“重复早剥”效应估计样本量很小，得到的结果较不稳定。 - 加权矩阵的稳健性：作者用的权重基于倾向得分估计，但未提是否做权重截断（weight truncation）——权重过大时异常值可能扰动估计。虽然部分结果敏感性分析没有报告极端权重的结果。 - 未测量混杂校正公式的适用性：他们的敏感性分析假设U与暴露和结局的关系是乘法模式（RR估计），且U是二值、且与协变量L独立。这是一种非常理想化的设定——在实际情况中，U很可能连续且与已测混杂相关（例如，社会经济地位可被education、保险类型部分反映但不完全，controlling for them后就无法部分调整）。这导致敏感性分析可能低估未被解释的偏倚。

真实例子与应用

使用的数据：新泽西州1993-2020年出生登记系统（birth certificates）与医院出院摘录（NJ hospital discharge）、死亡索引链接。近290万次单胎分娩纳入，其中早剥率1.0%（28,913例早剥产妇，但注意有个体重复，所以早剥个体数更少）。

方法怎么用上去：R语言（coxph + weight参数，survival包）。估计PS用的glm（logistic回归，二项族）。敏感性分析用作者自己写的数值计算脚本（可能发表在Supplementary Material中）。

得到的结果如前述。重点突出早剥→全因死亡路径的HR最大（1.77），非致命CVD住院路径HR较小（1.27）。这暗示着早剥除了增加CVD入院之外，可能还通过其他机制（如慢性肾病、激素变化？）增加死亡风险——这是多状态设计才能揭示的微妙差别。

这个例子想说明什么：验证早剥对母体长期健康作为“前哨事件”的概念。同时也向临床医生传达一个信息——即使是早剥后没有立即发生CVD事件，这些妇女的长期CVD风险仍高于无早剥者，有必要做持续心血管健康监测。具体来说，通过多状态的设计，区分了CVD带来的非致命负担和致命后果（全因死亡），并说明早剥对死亡路径的HR更大——这表示不仅仅是通过CVD传播，可能还有其他的死亡机制。

注意该论文强调用的不是Fine-Gray竞争风险模型，而是加权Cox——这在多状态设定下等价于原因别风险函数（cause-specific hazard），且不依赖于竞争事件独立性假设之外的额外假设。但Fine-Gray的可解释性在某些情况下（如果你关心累积发病率函数）才更具优势。

🔎 结论是否比证明窄

是的，有两点值得质疑： 1. “校正未测量混杂后风险稍微衰减但仍显著”（原文"Corrections for unmeasured confounding slightly attenuated these risks"）。但事实上，他们的敏感性分析只假设了一个二值未测混杂U，且选用了非常保守的RR范围（1.3-2.0）。如果他们选更激进的值（如RR_{AU} = 2.5, RR_{UU} = 3.5——例如未测混杂是基线动脉硬化水平或潜隐性白质病变，确实可能与早剥和死亡都强相关），那么HR在delivery→CVD路径可能跌破1.0。作者没有报告这种极端但合理的敏感性分析，而是只给出了到“中等强度”效应的校正结果。因此结论“稳健”的范围可能其实相当窄。 2. 关于竞争风险假设：在处理delivery→全因死亡和CVD住院→死亡两条路径时，他们隐含假设CVD住院→死亡=自杀、意外等非CVD原因死亡在CVD住院人群中不竞争CVD住院→死亡路径。这个假设较弱，但论文未讨论为何不用子分布风险模型（Fine-Gray）来替代。

四、开放问题（最多3-4条，扎根具体语句）

  1. 能否用更丰富的未测量混杂校正方法？（扎根于论文Methods部分 "Corrections for unmeasured confounding were applied using the bias-correction formula of VanderWeele and Ding"） — 它的敏感性分析只假设一个二值U；如果U是连续的（如炎症指标CRP）且与L相关（如吸烟、肥胖），现有的bias公式就无法直接使用。一种可行的proximal causal inference（但那是方法学专题）可处理更复杂的未测混杂结构。

  2. 如何在同一模型中联合建模delivery→CVD住院和delivery→死亡两条路径的竞争性，同时不丢失多状态模型的因果解释？（扎根于Discussion "We used weighted Cox models...; future studies should consider alternative approaches, such as the Fine-Gray subdistribution hazard model, to account for competing risks"） ——作者在讨论承认了这一点，但未做。改弦易辙到Fine-Gray或者基于最小损失函数（loss-function based）的多状态联合建模可能是改善估计可靠性的立即方向。

  3. 能否将早剥效应分解为直接效应（通过CVD住院）和间接效应（通过其他非CVD死亡机制）？（扎根于Discussion "Additionally, we were unable to examine whether abruption impacts CVD hospitalization through a specific pathophysiologic pathway"）——这实际是要做因果中介分析（causal mediation），但本文数据仅有事件时间和类型，无足够细微的病理学标记变量。有机会用更精细的电子健康记录（EHR）数据来推断早剥的中介效应。

  4. 如何控制阳性早剥子组与阴性早剥子组之间因J型风险可观测度的差异导致的混杂？（扎根于Methods "Abruption was defined using codes from ICD-9/10"）——早剥是个诊断特异的急性事件，但详细的诊断阳性预测值（PPV）在这一队列中没有被讨论。代码定义可能包含某种漏诊或误诊（低早剥检测率），这会导致暴露分类错误（misclassification），从而向零偏倚（bias towards null）。如果这是真实的，那么真实HR可能比他们报告的大——这正是“可处理”效应（低估）vs “真实”效应（可能更强）的张力。未来研究需要记录临床早剥诊断的确定准确度（如通过chart review获取金标准）。

⚠️ 提醒：新泽西州的出生、出院和死亡数据链接机制可能与其他州或国家不同，重复这一分析的泛化问题值得考虑。有兴趣的读者应查阅PACER系列其他论文（至少再读2-3篇）来确认该队列的优劣势是否影响结论稳健性——如果所有PACER论文都使用相同链接与定义，那么各篇论文结果之间的异质性可以被用于评估实验重复性与假设敏感性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论