AJE — Vol 195 Issue 5 · 2026-06-19¶

共 13 篇 · American Journal of Epidemiology
目录核对 ⚠️ 疑似漏 25 篇（对照 OpenAlex 40 篇）：10.1093/aje/kwae458、10.1093/aje/kwae347、10.1093/aje/kwaf242、10.1093/aje/kwaf066、10.1093/aje/kwaf093 等

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

本期论文主要围绕三条主线展开：一是因果识别与偏倚机制，聚焦DAG框架的实践升级与特定设计下的偏倚诊断；二是效应修饰与交叉性不平等，探讨加性交互作用及方差分解在刻画异质性因果效应中的定位；三是流行病学监测与宏观趋势评估，涉及时间序列nowcasting、多死因框架及政策中断时间序列。此外，还有数篇基于常规生存/回归模型的应用实证及一篇队列设计方案。

在因果识别与偏倚机制主线中，本期推进了对DAG工具属性及特定偏倚结构的反思。Living DAGs主张将DAG从单次协变量选择工具升级为可迭代、带证据等级的动态知识库；Mode effects则利用DAG刻画混合调查模式，指出对模式变量做条件化会激活collider stratification bias从而放大偏倚，建议改用定量偏倚分析；Test-negative design通过个体传播模型模拟，评估TND在估计连续免疫指标保护效应时的有效性，指出模型误设下GAM优于logistic回归。

效应修饰与交叉性不平等主线集中处理加性尺度交互与方差分解的解读。Institutional trust在乘性与加性尺度上评估机构信任对疫苗担忧与接种行为的交互，发现加性拮抗作用揭示了两者的重叠路径；Damp housing按基线呼吸系统健康分层，检验其作为效应修饰因子的加性交互证据；MAIHDA则澄清交叉性框架下方差分解指标PCV的误读，指出PCV衡量的是加性主效应解释力而非交互项大小，主效应梯度强化与绝对不平等扩大可同时发生。

对于关注因果推断与半参数效率的研究者，Living DAGs与Mode effects对DAG实践与collider偏倚的讨论值得优先看；侧重效应异质性识别的，Institutional trust与MAIHDA对加性交互及方差分解的澄清切中要害；涉及高维或非参建模工具的，Test-negative design中的GAM误设比较以及Nowcasting中的自适应GAM时间序列预测提供了具体应用场景。

流行病学 (epidemiology, 13 篇)¶

1. 10.1093/aje/kwag029 — Living DAGs: the future of DAGs in epidemiology¶

作者: Robert J Reynolds
期刊/来源: American Journal of Epidemiology
机构: Applied Diamond (United States)
分类: vol 195 · issue 5 · pp 1365-1367
相关性 7/10 · novelty: survey
摘要: 本文是一篇立场文章（opinion piece），主张在流行病学因果推断中，应将 DAG 从一次性、静态的分析工具升级为可累积、可迭代的“活”基础设施。当前实践中 DAG 仅用于单次研究的协变量选择与 estimand 识别，随后即被丢弃；作者提出应将 DAG 视为共享的、带有证据等级标注的因果系统表征，随时间修正并接受实证检验。文中以航天风险管理及脑瘫研究为例，展示 DAG 作为动态知识库如何支撑透明协作与干预导向的科学实践。核心诉求是呼吁流行病学界共享、修正与复用 DAG，使其从分析工具转变为设计更好科学问题的框架。对您而言，本文无新方法或新理论，但提供了流行病学中 DAG 实践的现状视角，可作为了解该领域因果推断应用生态的轻量读物。
关键技术: DAG-based covariate selection, causal estimand identification, epistemic infrastructure, cumulative meta-science
为什么对您有用: 本文属于流行病学因果推断的 gateway reading：(1) 作为立场文章，它清晰勾勒了流行病学中 DAG 的实际使用痛点与未来愿景，适合作为了解该领域因果推断应用生态的入门视角；(2) 您武器库中的 identification theory in causal inference 完全足够理解其诉求，但本文不涉及任何需要 higher-order U / efficiency bound 等技术攻破的口子；(3) 值得花 10 分钟扫读摘要与引言以把握领域动态，但无需深读全文，novelty 仅停留在观点呼吁层面。

2. 10.1093/aje/kwag017 · arXiv — How can the use of different modes of survey data collection introduce bias? An introduction to mode effects using directed acyclic graphs (DAGs)¶

作者: Georgia D Tomova, Richard J Silverwood, Peter W G Tennant, Liam Wright
期刊/来源: American Journal of Epidemiology
分类: vol 195 · issue 5 · pp 1406-1415
相关性 7/10 · novelty: survey
摘要: 在流行病学混合模式调查数据中，目标是识别并消除“模式效应”（同一问题在不同调查模式下测量差异）与“模式选择”（不同个体选择不同模式导致的样本构成差异）带来的偏倚。本文用 DAG 框架系统刻画了真实值、测量值、模式选择变量之间的因果结构，指出在存在模式选择时，对调查模式做条件化（或等价的插补方法）会激活 collider stratification bias。核心机制是：模式变量作为真实值与参与倾向的共同后代，条件化它会打开非因果路径，从而放大而非消除偏倚。文章最后建议采用 quantitative bias analysis（如 sensitivity analysis）替代 naïve conditioning。对您可能有用：本文是流行病学 DAG 偏倚分析的入门级应用，直接连接到 causal inference 的 identification 与 sensitivity analysis 子方向。
关键技术: directed acyclic graph, collider stratification bias, mode effects, mode selection, quantitative bias analysis, mixed-mode survey
为什么对您有用: (1) 本文直接连接到 causal inference 的 identification 与 sensitivity analysis 子方向——DAG 中的 collider bias 是经典 identification 问题，而 quantitative bias analysis 对应您熟悉的 sensitivity analysis。(2) 您的 technical_arsenal 中 identification theory in causal inference (moderately_familiar) 可以直接攻这篇 paper 的 collider 结构分析口子，甚至可以将其启发推广到更复杂的 longitudinal / proximal 设定。(3) 立即可做：用 very_familiar 的 DAG 与 identification 工具就能动手将此框架形式化并推导更一般的 bounds；本文作为流行病学应用入门读物值得花时间读全文，清晰易懂且数据结构明确。

3. 10.1093/aje/kwag036 — Use of the test-negative design to estimate the protective effect of a scalar immune measure: a simulation analysis¶

作者: Ziyuan Zhang, Christopher B Boyer, Marc Lipsitch
期刊/来源: American Journal of Epidemiology
机构: Center for Disease Dynamics, Economics & Policy · Harvard University
分类: vol 195 · issue 5 · pp 1388-1396
相关性 6/10 · novelty: application
摘要: 该研究通过模拟评估了test-negative design (TND) 用于估计连续免疫指标（scalar correlate of protection, COP）与感染风险之间关系的有效性。基于个体传播模型，模拟了免疫衰退和增强过程，考虑了同质基线风险和有高风险组两种情景，感染风险与COP的关系设定为线性和非线性。从单日或多日抽样得到TND样本，采用logistic回归和广义可加模型（GAM）进行分析，以均方误差衡量恢复真实风险比关系的能力。结果表明，当正确指定logistic回归的功能形式时（包括调整混杂因素），该方法能够恢复真实关系；但在模型错误设定下，GAM表现更优，尤其在大样本和COP覆盖范围广时。该模拟揭示了实际应用中功能形式未知时，灵活的半参数方法更受青睐。对您而言，这篇文章提供了流行病学中TND应用于连续生物标志物的因果推断案例，直接连接您对流行病学应用数据和研究设计的兴趣。
关键技术: test-negative design, correlates of protection, generalized additive models, logistic regression, simulation-based inference, confounding adjustment
为什么对您有用: 本文聚焦流行病学中test-negative design用于连续免疫指标（COP）与感染风险关系的估计，属于您secondary interest中流行病学应用方向，且涉及因果推断中的测量偏倚和模型灵活性问题。武器库中'causal inference estimation theory'（very_familiar）可直接用于分析其模拟设计的偏差来源与方差权衡；'semiparametric theory'（moderately_familiar）可用于理解GAM在此处的优势与理论基础。作为流行病学应用方法论文，它模拟设计清晰、结果直观，是了解TND局限性和半参数方法实用价值的好入门读物，值得花时间阅读全文以熟悉这一常见研究设计。

4. 10.1093/aje/kwag007 — Cash transfers do not increase traumatic injury and mortality: evidence from Alaska¶

作者: Ruby Steedle, Robert E M Pickett, Tasce Bongiovanni, Hailie Dono, Byungkyu Lee, Erica Hobby et al.
期刊/来源: American Journal of Epidemiology
机构: Office of Technology Transfer · University of California, San Francisco · University of San Francisco · New York University · Alaska Department of Health and Social Services
分类: vol 195 · issue 5 · pp 1342-1348
相关性 5/10 · novelty: application
摘要: 本文研究阿拉斯加永久基金分红（PFD）这一大规模一次性现金转移支付对创伤性伤害和死亡率的影响，核心estimand为支付后短期内伤害/死亡发生率的变动。采用中断时间序列（ITS）设计，结合2009-2019年全州创伤登记（n=36556）和死亡记录（n=43170），在state-level和aggregate-data层面进行因果效应识别。方法上依赖时间序列回归中的post-intervention趋势检验，未使用个体级IPW或 doubly-robust 估计，属于经典宏观政策评估框架。主要实证结果为：在多种模型设定下，PFD支付日及随后数天内均未观测到伤害或死亡的显著上升。对您而言，这是一篇展示宏观政策因果评估的流行病学应用，可作为interrupted time series方法的实证案例阅读。
关键技术: interrupted time series, population-level causal inference, aggregate data analysis, policy evaluation
为什么对您有用: 本文属于流行病学因果推断应用（secondary interest），展示了interrupted time series在宏观政策评估中的用法。(1) 连接到流行病学队列/登记数据的因果推断应用方向；(2) 武器库中 identification theory in causal inference 足以审视其ITS识别假设（如无其他同期干预、趋势平稳性），但本文未涉及 semiparametric efficiency 或 debiased ML，技术深度有限；(3) 作为gateway reading值得花时间读全文以了解流行病学登记数据结构及ITS实操细节，但无直接可做的理论follow-up。

5. 10.1093/aje/kwag018 — Association of nonfatal overdose surveillance data with concurrent and future overdose deaths in Rhode Island¶

作者: Alexandra Skinner, Yu Li, Benjamin D Hallowell, Claire Pratty, William C Goedel, Bennett Allen et al.
期刊/来源: American Journal of Epidemiology
机构: Brown University · Rhode Island Department of Health · Providence College · New York University · Berkeley Public Health Division
分类: vol 195 · issue 5 · pp 1475-1478
相关性 4/10 · novelty: application
摘要: 本文利用罗德岛州急救医疗记录（2019-2023）中的非致命过量事件数据，以及州药物过量死亡监测系统（2020-2023）的致命过量数据，评估非致命过量事件与同时期及未来致命过量死亡的关联。数据按人口普查区组和普查区在1、3、6个月时间间隔上聚合，采用负二项回归估计致命过量死亡率对非致命过量滞后0-12个月的相对风险，并使用零膨胀泊松回归分析非致命过量月度尖峰的影响。所有模型通过集成嵌套拉普拉斯近似（INLA）进行贝叶斯推断，得到后验估计。结果显示：在每个普查区组内，每增加一次非致命过量事件，同时期致命过量死亡率比预期高48%（95% CrI: 1.37-1.59）；在更广空间尺度（普查区）、更长时间间隔或非致命数据滞后时，关联减弱。该研究为公共卫生部门利用准实时非致命数据快速部署过量响应提供了实证支持，但分析仅基于关联而非因果识别，混杂偏倚可能影响结论。对您而言，本文是流行病学领域数据驱动监测的一个典型案例，展示了时空聚合数据的关联性建模框架；虽然方法相对常规（负二项回归、零膨胀泊松），但其中数据预处理、多种时间/空间尺度敏感性分析的设计思路，对于您未来在流行病学数据集上开展因果推断工作（如使用工具变量或DML处理非致命/致命过量中的时变混杂）具有参考价值。
关键技术: Negative binomial regression, Zero-inflated Poisson regression, Integrated nested Laplace approximation (INLA), Lag analysis, Spatial-temporal aggregation
为什么对您有用: 本文直接对应您secondary interest中的流行病学方向（数据集、应用因果工作），特别是药物过量监测中的时空数据建模。虽然本文未进行因果推断，但其数据结构和分析设计（事件计数、时空聚合、多重滞后）为您后续在流行病学数据上应用因果方法（如工具变量或双重稳健估计）提供了实践场景。武器库中very_familiar的estimation theory in causal inference可以直接用来提出更严格的识别策略（例如利用政策冲击作为IV或使用敏感性分析评估残余混杂），这是中期可做的——需先在moderately_familiar的identification theory上巩固（具体来说，需要学习如何将非致命过量作为负对照或时间IV）。

6. 10.1093/aje/kwag042 — The effect of damp housing on psychological distress: does respiratory health matter?¶

作者: Maria Rosa Gatto, Ang Li, Erika Martino, Rebecca Bentley
期刊/来源: American Journal of Epidemiology
机构: Melbourne Health
分类: vol 195 · issue 5 · pp 1292-1299
相关性 3/10 · novelty: application
摘要: 这篇论文利用英国面板数据（British Household Panel Survey）研究潮湿住房暴露对心理困扰的影响，并重点考察慢性呼吸系统疾病（CRC）是否修饰这一效应。研究采用调整的固定效应逻辑回归模型，按基线CRC状态分层估计，并检验交互作用项。分层结果显示，基线患CRC的人群中潮湿住房与心理困扰的关联更强（OR=1.27, 95% CI: [1.14,1.41]），而无CRC的人群关联较弱（OR=1.07, 95% CI: [1.02,1.12]）。交互作用检验表明基线CRC状态对效应修饰有显著统计证据（交互项OR=1.19, p<0.01），但CRC状态变化对效应修饰的证据较弱（p=0.10）。作者认为，改善住房潮湿可能有助于减轻CRC患者的心理负担。对您而言，这是一篇流行病学领域的标准应用因果推断论文，展示如何利用纵向队列数据通过固定效应模型识别环境暴露的异质性效应，分析方法简单但假设清晰，可作为流行病学应用因果工作的入门范例。
关键技术: fixed effects logistic regression, effect modification, stratified analysis, longitudinal survey data
为什么对您有用: 此论文属于流行病学应用因果工作，直接对应您的secondary interest中的流行病学数据集与因果推断。文中使用的固定效应模型识别策略依赖个体水平未观测混杂随时间不变的假设，您非常熟悉的'identification theory in causal inference'可直接用于评估该假设的合理性及敏感度。总体而言，本文方法学层面简单，属于'立即可做'的阅读——您无需额外工具即可理解并批评其识别策略，适合作为流行病学应用论文的快速浏览。

7. 10.1093/aje/kwag035 — Experiencing unfair treatment is associated with incident cardiovascular disease among older Black adults¶

作者: Jessica R Fernandez, Juliana S Sherchan, Roma Dhingra, Symielle A Gaston, Chandra L Jackson, Allana T Forde
期刊/来源: American Journal of Epidemiology
机构: National Institute on Minority Health and Health Disparities · National Institute of Environmental Health Sciences
分类: vol 195 · issue 5 · pp 1268-1275
相关性 3/10 · novelty: application
摘要: 这篇论文基于美国健康与退休研究（HRS）数据，前瞻性地考察了日常歧视经历与12年内心血管疾病（CVD）发病风险的关联，研究对象为988名≥65岁的黑人老年人。采用加权Cox比例风险模型，将日常歧视作为连续变量纳入，并控制了社会人口学、健康行为和CVD风险因素。结果显示：歧视量表每增加一个单位，CVD发病风险提高28%（aHR=1.28, 95% CI: 1.03-1.59）。补充分析区分了因种族和非种族原因的歧视，但未改变主要结论。这项应用性研究提供了基于全国代表性样本的前瞻性证据，但识别假设（如未测量混杂、歧视测量的时效性）未深入讨论，分析策略也局限于常规Cox模型。作为流行病学应用论文，其数据结构和暴露变量的纵向处理方式对您理解健康社会决定因素的因果推论有参考价值，适合作为进入流行病学二级兴趣的浅入口。
关键技术: Cox proportional hazards regression, weighted estimation, Health and Retirement Study, time-varying exposure, survey weighting
为什么对您有用: 本文属于流行病学应用，是您的二级兴趣方向。作为gateway reading： (1) 论文行文清晰，对非流行病学背景的统计学家友好，适合作为入门读物； (2) 您的武器库中已有因果推断估计理论和软件开发的充足工具，完全能理解并批评其识别假设和分析流程； (3) 值得花时间阅读全文——数据集（HRS黑人老年人子样本）和歧视暴露的测量细节可为未来工作提供实证模板，但方法学增量有限，不必深究技术细节。

8. 10.1093/aje/kwag012 — The role of institutional trust in shaping the relationship between vaccine concerns and ongoing COVID-19 vaccination in a US national cohort¶

作者: Jenna Sanborn, Angela Parcesepe, Rachael Piltch-Loeb, Kate Penrose, Yanhan Shen, Andrew Maroko et al.
期刊/来源: American Journal of Epidemiology
机构: City University of New York · University of North Carolina at Chapel Hill
分类: vol 195 · issue 5 · pp 1397-1405
相关性 3/10 · novelty: application
摘要: 本研究基于CHASING COVID队列中4253名已完成初级疫苗接种的成人数据，探讨机构信任是否调节疫苗担忧与继续接种COVID-19加强针之间的关系。使用调整后的log-binomial回归估计风险比，并在乘性和加性尺度上评估交互作用。结果显示，对于不信任公共卫生机构的人群，不担忧疫苗与继续接种的关联更强（aRR=2.38），而信任者中关联减弱（aRR=1.34）；加性尺度上的拮抗作用（RERI=-0.68, P<0.01）表明担忧与信任存在重叠路径。医疗提供者信任仅呈现微弱的正向加性效应（RERI=0.16, P=0.08）。结论强调机构信任是影响疫苗信念转化为行为的重要情境因素，对促进持续疫苗接种具有政策意义。作为流行病学应用论文，方法本身较为标准（log-binomial回归及RERI），但研究设计清晰，适合作为了解流行病学中效应修饰分析的入门读物。
关键技术: log-binomial regression, effect modification, RERI (relative excess risk due to interaction), additive scale interaction
为什么对您有用: 本文是一篇应用流行病学论文，属于您的secondary interest中的流行病学方向。作为gateway阅读，它清晰展示了如何用标准方法（log-binomial + RERI）分析效应修饰，适合了解流行病学中因果交互的常见实践。您的武器库中‘非参数统计’和‘因果推断的估计理论’足以理解并批判其方法（如交互作用尺度的选择），无需额外学习即可快速评估其分析是否妥当。推荐花10-15分钟读全文，重点看其加性交互的解读以及协变量调整是否充分，这对您后续自己处理流行病学数据时的分析框架有参考价值。

9. 10.1093/aje/kwag028 — An adaptive method of emergency department syndromic surveillance to nowcast the frequency of presentations that will have a severe 28-day outcome following influenza or COVID-19 infection: a retrospective analytical record linkage study¶

作者: David J Muscatello, Nectarios Rose, Kishor Kumar Paul, Alexandra B Hogan, Amalie Dyda, Michael M Dinh et al.
期刊/来源: American Journal of Epidemiology
机构: UNSW Sydney · Queensland Health · Queensland University of Technology · The University of Queensland · Royal Prince Alfred Hospital · Westmead Hospital · Westmead Institute · Westmead Institute for Medical Research 等
分类: vol 195 · issue 5 · pp 1379-1387
相关性 2/10 · novelty: application
摘要: 本文针对流行期间急诊科（ED）症候群监测数据，提出了一种自适应时间序列建模方法，用于提前预测流感或COVID-19感染后28天内严重结局（ICU入院或死亡）的发生频率。核心挑战在于严重结局存在数周延迟，而ED就诊数据虽及时但非病原特异性。方法采用广义加性模型（GAM）进行每日nowcasting（短期预测），利用历史链接的ED、感染和结局数据，在真实回顾性监测模拟中，考察了从当前日期前29天到前4天的nowcast误差。验证期为2021年12月至2023年2月，结果显示第4天的平均绝对误差为2.7（34.2%），优于仅基于第1天已知结果的43.8%。该方法不依赖因果推断框架，而是纯预测建模，但数据链接和时序设计对公共卫生预警有实际意义。对您而言，本文可作为流行病学中nowcasting应用的典型实例，其数据链接结构和GAM建模思路可为其他纵向数据分析提供参考。
关键技术: generalized additive models, nowcasting, syndromic surveillance, time series modeling, record linkage
为什么对您有用: 本文属于流行病学领域的真实数据应用，与您的secondary interest中流行病学（数据集、应用）直接对应。武器库中非常熟悉的时间序列分析与非参数统计（GAM）可以轻松理解本文方法，但核心工具并不涉及更高阶统计推断。作为follow-up粗判：本文为中期可做——若您希望涉足流行病学nowcasting，需先熟悉相关数据结构和公共卫生背景，但无需额外强化统计工具。

10. 10.1093/aje/kwag022 — Interaction effects are only a piece of the puzzle: reintroducing MAIHDA as a powerful tool to advance understanding of intersectional inequities¶

作者: Ariel L Beccia, Dougie Zubizarreta
期刊/来源: American Journal of Epidemiology
机构: Boston Children's Hospital · Harvard University · Applied Behavioral Research (United States)
分类: vol 195 · issue 5 · pp 1501-1503
相关性 2/10 · novelty: minor
摘要: 本文在流行病学交叉性（intersectionality）框架下，澄清了 MAIHDA（Multilevel Analysis of Individual Heterogeneity and Discriminatory Accuracy）方法中方差分解指标 PCV 的常见误读：PCV 衡量的是层间方差中由主效应加性解释的比例，而非交互效应或绝对不平等的量级。作者指出，加性主效应解释力增强与绝对交叉性不平等扩大可以同时发生——例如 2020 年多重系统性危机并行推高了各边缘化维度的自杀倾向，强化了主效应梯度同时拉大了绝对差距。Merchant 等人的数据恰好展示了这一模式：几乎所有群体的自杀倾向上升且多重边缘化青年增幅最大，层间方差分区系数约 11%，预测概率从 <10% 到 >50%。结论是解读 MAIHDA 必须综合评估方差分区系数、PCV、层间异质性与预测概率全套指标，而非仅看交互项或单一统计量。对您有用：本文清晰展示了流行病学中交叉性因果/描述问题的方差分解逻辑，是理解该领域如何将高维分层与主效应/交互效应区分的入门案例。
关键技术: MAIHDA, variance decomposition, Proportional Change in Variance (PCV), Variance Partition Coefficient (VPC), multilevel modeling, intersectionality framework
为什么对您有用: 本文属于流行病学交叉性方法的 gateway-reading：(1) 作为入门读物非常好——它不假设读者熟悉 MAIHDA，用具体数据（PCV 从 5.1% 降至 1.1% 而 VPC≈11%）清晰拆解了方差分解指标与绝对不平等的区别，统计学者能快速抓住模型设定与指标含义；(2) 武器库完全够支撑——multilevel model 与方差分解是 very_familiar 的高维渐近/非参工具可自然延伸的领域；(3) 值得花时间读全文以了解流行病学如何在高维分层（40 个 strata）下做描述性推断，但方法学 novelty 有限（novelty_flag = minor），核心是概念澄清而非新估计量或新界。

作者: Bernadette W A van der Linden, Célia A Viehl, Nazihah Noor, Tim Adair, Salvatore Vaccarella, Cristian Carmeli
期刊/来源: American Journal of Epidemiology
机构: University of Fribourg · Centre for Global Health Research · Centre international de recherche sur le cancer
分类: vol 195 · issue 5 · pp 1319-1328
相关性 2/10 · novelty: application
摘要: 本文利用瑞士1995-2019年死亡统计中的多种死因数据，分析肥胖相关心血管疾病和癌症的死亡率趋势。采用分段回归估计年龄标准化死亡率的年度变化，并用年龄-时期-队列模型评估世代效应。结果显示，肥胖相关死亡率在1995-2005年上升后下降，而肥胖无关死亡率持续下降；总体心血管死亡率稳步下降，未受肥胖相关死亡率上升的拖累。与美国的趋势不同，瑞士的肥胖流行较慢，儿童肥胖率下降和肥胖相关疾病管理的改善可能是原因。该研究展示了多死因分析框架在流行病学中的应用，其中分段回归和APC模型是分析长期趋势的常用工具。您作为统计方法论研究者，可将此数据结构和分析流程作为流行病学应用的入门案例，并利用软件工程经验开发可复用的分析工具。
关键技术: multiple cause of death analysis, age-period-cohort model, segmented regression, age-standardized mortality rates, cohort effect
为什么对您有用: 本文是流行病学数据分析的入门级读物，清晰展示了多死因数据的使用和分析流程，无需高级统计知识即可理解。您的武器库中的软件开发能力和分段回归等基础统计工具完全足以复现甚至改进这类分析。值得花时间阅读全文以熟悉流行病学数据结构和常规分析范式，这有助于您未来在流行病学方向开展方法学研究。

作者: Arline T Geronimus, John Bound, Landon D Hughes, Kanika A Harris
期刊/来源: American Journal of Epidemiology
机构: Center for Health and Gender Equity · Institute for Social Research · University of Michigan · Harvard University · Harvard Pilgrim Health Care · National Association of Broadcasters
分类: vol 195 · issue 5 · pp 1258-1267
相关性 2/10 · novelty: application
摘要: 本文基于美国孕期死亡率监控系统（PMSS）2000–2019年数据，研究孕期相关死亡率（PRMR）的水平与趋势，核心estimand为不同种族-教育-年龄分层下的PRMR年均变化率及累计增幅。在weathering理论框架下，作者通过分层描述统计与模拟反事实场景（若母亲年龄分布未上移），量化了年龄分布变迁对PRMR上升的贡献。结果显示：低教育白人女性PRMR年均增3.61%（20年累计增92%），而高教育黑人女性PRMR年均降超1%，种族间绝对差距仍存但低教育白人群体恶化最快；模拟表明年龄分布上移对黑人PRMR整体有约1%年均推升效应，若无此变迁，黑白差距本会缩小。对您而言，本文展示了流行病学队列数据中分层趋势估计与反事实模拟的典型应用模式。
关键技术: stratified rate estimation, counterfactual simulation, weathering framework, demographic distribution shift decomposition, pregnancy-related mortality ratio
为什么对您有用: (1) 本文连接到 epidemiology secondary interest，展示了种族-教育-年龄多维分层下死亡率趋势估计与反事实模拟的流行病学应用范式；(2) 您 technical_arsenal 中的 identification theory in causal inference 可直接切入本文反事实模拟部分——当前模拟仅是粗粒度的人口分布置换，若引入 formal causal identification（如 g-formula / IPW）可给出更严谨的 age-shift 效应分解与 sensitivity analysis；(3) 立即可做：用 very_familiar 的 causal identification 工具重写其反事实模拟部分，将人口分布变迁的效应从描述统计升级为形式化的 causal decomposition。

13. 10.1093/aje/kwag030 — Building the mountain mama & baby cohort: study design, protocol, and early prenatal clinic-based recruitment outcomes¶

作者: Bethany Barone Gibbs, Kathryn Chmelik, Elly M Marshall, Waylon K Henggeler, I Mark Olfert, Shon Rowan et al.
期刊/来源: American Journal of Epidemiology
机构: West Virginia University · West Virginia University Hospitals
分类: vol 195 · issue 5 · pp 1429-1437
相关性 1/10 · novelty: application
摘要: 本文介绍 Mountain Mama & Baby 队列研究的设计方案与早期招募结果，目标 estimand 为孕期电子烟与大麻暴露对母婴不良结局的因果效应。研究在西 Virginia 大学医学中心产科诊所通过 telehealth 护士导航员在孕早期前瞻性招募孕妇，核心机制为基于临床首诊的便利抽样与主动入组。招募阶段共纳入 417/920 名合格参与者（45.3%，95% CI 42.1%-48.6%），入组与未入组者在多数社会人口学特征（年龄、种族、婚姻、农村性、区域剥夺指数）上分布相似，提示样本代表性尚可。后续分析计划估计第一/第三孕期暴露率并探索暴露与结局的关联，但本文仅报告设计协议与招募可行性，尚未涉及因果估计方法。对您而言，这是一个典型的流行病学队列设计案例，展示了暴露-结局因果研究的现实数据结构。
关键技术: prospective cohort design, telehealth-based recruitment, selection bias assessment, exposure epidemiology
为什么对您有用: 本文属于流行病学队列研究的 gateway reading，清晰展示了孕期新兴暴露（电子烟/大麻）因果效应评估所需的数据结构（前瞻性入组、暴露时点、混杂变量集），对您理解流行病学应用因果推断的数据起点有帮助。您的武器库（identification theory in causal inference）足以支撑后续对该队列数据进行 IV / sensitivity analysis 的方法学切入，但本文本身仅是设计协议，无方法学 novelty。立即可做：若获取该队列数据，可用 very_familiar 的因果识别与估计理论直接展开分析；作为入门读物，值得花 20 分钟浏览设计部分以了解流行病学队列的数据痛点。

Maintained by 陈星宇 · Homepage · Source on GitHub