AJE — Vol 195 Issue 1 · 2026-06-24¶

共 5 篇 · American Journal of Epidemiology
目录核对 ⚠️ 疑似漏 30 篇（对照 OpenAlex 36 篇）：10.1093/aje/kwaf027、10.1093/aje/kwaf033、10.1093/aje/kwaf041、10.1093/aje/kwaf233、10.1093/aje/kwaf010 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。

本期内容高度集中在流行病学方法与应用，可归纳为三条主线：一是监测方法与数据源的拓展，涉及电子健康记录（EHR）信号检测与感染率估计；二是因果推断框架在观察性研究中的界定与反思，涵盖比率变量使用与超额死亡定义；三是政策干预效应评估，包括中断时间序列（ITS）设计。

在监测与数据整合方面，本期重点关注如何利用高维、多源数据提升信号检测精度。Electronic health record-enhanced signal detection 将自然语言处理（NLP）及实验室结果纳入树形扫描统计量（TBSS）框架，展示了在传统诊断代码失效时，多源数据如何检出药物安全信号（如低血糖的非典型症状）。Cumulative incidence and infection hospitalization risk 则利用多层回归后分层（MRP）模型处理纵向检测数据，解决了不同变异株时期感染住院比的估计问题。两文共同体现了从单一数据源向多源异构数据融合的方法论转向。

在因果推断与概念界定方面，本期聚焦于因果问题的正确构建与识别假设。Ratios in regression analysis 与 Redefining “excess” 均指出常见操作化定义可能掩盖真实的因果效应：前者警示回归分析中比率变量可能违背一致性假设并引入残差混淆；后者批评“超额死亡”的估算若缺乏反事实框架，将无法剥离直接与间接效应，从而低估疫情间接危害。Intimate partner violence Google searches 则通过中断时间序列设计，量化了政策突变对健康相关行为的因果影响。

对于关注因果推断与半参数/非参数方法的研究者，建议优先阅读 Ratios in regression analysis 与 Redefining “excess”，这两篇短文对一致性假设与反事实框架的讨论具有普遍的方法论启示；关注高维数据监测方法的读者可参考 Electronic health record-enhanced signal detection。

流行病学 (epidemiology, 5 篇)¶

1. 10.1093/aje/kwaf199 — Electronic health record-enhanced signal detection using tree-based scan statistic methods¶

作者: Massimiliano Russo, Sushama Kattinakere Sreedhara, Joshua Smith, Sharon E Davis, Judith C Maro, Thomas Deramus et al.
期刊/来源: American Journal of Epidemiology
机构: Brigham and Women's Hospital · The Ohio State University · Vanderbilt University Medical Center · Harvard University · Harvard Pilgrim Health Care · United States Food and Drug Administration · Center for Drug Evaluation and Research
分类: vol 195 · issue 1 · pp 178-187
相关性 7/10 · novelty: application
摘要: 本文旨在将电子健康记录（EHR）中的丰富临床信息整合到树形扫描统计量（TBSS）框架中，以改进药物安全性信号的检测。传统TBSS使用诊断代码定义的结局，本文新增了自然语言处理（NLP）衍生结局和实验室检测结果（二值及连续型），通过多路径层次结构关联到TBSS树中。方法层面，作者依次纳入四个数据源：诊断代码、NLP结果、二值实验室结果、连续实验室结果，形成逐步增强的扫描树。在2型糖尿病患者的真实队列中（对比第二代磺脲类和DPP-4抑制剂），仅用诊断代码未检出低血糖的统计信号；加入NLP结果后出现“头痛”信号（P=0.047），这是低血糖的非典型症状；再逐步加入实验室结果后同一信号保留。文章展示了整合EHR数据可以提升TBSS在药物警戒中的灵敏度。对于您而言，这是一篇流行病学应用论文，提供了多重检验方法和异构数据融合的实操案例，可快速了解EHR数据结构和TBSS在药物安全领域的典型用法。
关键技术: tree-based scan statistic, electronic health records (EHR), natural language processing (NLP), multiple hypothesis testing, pharmacovigilance
为什么对您有用: 本文属于流行病学应用领域的gateway读物：它清晰介绍了TBSS这一多重检验方法如何在药物安全性监测中使用，以及如何整合EHR中诊断代码、NLP文本和实验室检查等多种数据类型。研究者现有的假设检验和因果推断工具足够理解方法逻辑，但需关注多重比较校正和层次结构建模的细节。全文仅4页，值得花30分钟浏览以积累流行病学应用案例。

2. 10.1093/aje/kwaf249 — Ratios in regression analysis with causal questions—response to commentary¶

作者: Mohammad Kamran Ikram, Jeremy A Labrecque, Mohammad Arfan Ikram
期刊/来源: American Journal of Epidemiology
机构: Erasmus MC · Erasmus University Rotterdam
分类: vol 195 · issue 1 · pp 284-284
相关性 6/10 · novelty: survey
摘要: 本文是一封回应评论的短篇，讨论流行病学中因果回归分析里使用比率变量（ratio measures）的方法论问题。作者感谢评论者对先前论文的评论，并同意在变量定义中存在精确性与相关性/可估计性之间的权衡。他们指出，比率变量可能特别容易受到一致性假设（consistency assumption）和残差混淆（residual confounding）等方法论问题的影响，因为研究者主动将多个变量“合并”为汇总度量，或盲目使用现有的比率变量。因此，在使用比率变量时，需要仔细思考该变量是否满足一致性假设以及是否充分控制了混淆。作者强调，这有助于研究者更清晰地构建因果问题并解释结果，但最终研究者仍可能根据权衡决定使用比率变量。本文并无新方法论贡献，而是对流行病学因果分析中变量操作化的实践性澄清，对您从事流行病学数据集的应用因果工作具有警示价值：提醒注意汇总变量背后的假设，但无直接技术迁移空间。
关键技术: consistency assumption, residual confounding, ratio measures, causal regression
为什么对您有用: 本文属于流行病学应用方向，可作为了解该领域因果分析中变量定义陷阱的入门读物；您武器库中的因果识别理论（一致性假设、混淆概念）足以完全理解文中讨论，无需补充新工具；值得花10分钟速读全文，获得对实际数据中比率变量使用风险的定性认知，但不涉及您感兴趣的统计方法论突破。

3. 10.1093/aje/kwaf244 — Redefining “excess” in the endemic COVID-19 era¶

作者: Nathkapach K Rattanapitoon, Chutharat Thanchonnang, Natnapa H Padchasuwan, Schawanya K Rattanapitoon
期刊/来源: American Journal of Epidemiology
机构: Maharat Nakhon Ratchasima Hospital · Nakhon Ratchasima Rajabhat University · Nakhon Sawan Rajabhat University · Khon Kaen University
分类: vol 195 · issue 1 · pp 288-289
相关性 5/10 · novelty: minor
摘要: 这篇评论文章讨论COVID-19流行后期（2023年）“超额死亡率”定义的关键问题。原作者Kandula等采用多模型集成和时间交叉验证估计美国2020-2023年超额死亡率，并声称2023年几乎所有超额死亡均可由直接归因于COVID-19的死亡解释。评论者指出这一结论可能低估了间接疫情效应——例如医疗资源挤兑、慢性病管理延迟对心血管事件等造成的超额死亡，尤其在老年人群中。评论强调直接与间接效应的分离本质上是一个因果推断问题，需要更细致的反事实框架和识别假设。该文虽未提供新方法或数据，但清晰地界定了在地方性流行病阶段评估公卫干预效果时的偏倚来源。对于研究者而言，本文指明了流行病学应用中causal mediation分析的明确需求：如何利用现有观测数据估计间接效应的大小，这是其causal inference兴趣的直接延伸。
关键技术: excess mortality estimation, multimodel ensemble, temporal cross-validation, indirect pandemic effects, causal mediation
为什么对您有用: 直接连接到secondary interest中的流行病学应用，以及primary interest中causal inference的间接效应/mediation子方向。本文提出的直接vs间接效应分离问题，可以用研究者very_familiar的因果推断估计理论（如反事实框架、自然直接/间接效应）来构建识别策略和估计量。立即可做：研究者可利用已有的causal mediation分析工具（例如基于outcome regression和weighting的方法）对类似超额死亡率数据进行敏感性分析，量化间接影响的贡献。

4. 10.1093/aje/kwaf203 — The cumulative incidence and infection hospitalization risk of SARS-CoV-2 by variant: a longitudinal study in England¶

作者: Charlotte Gaughan, David Braunholtz, Leanne Massie, Tarnjit Khera, Paul J Birrell, Daniela De Angelis et al.
期刊/来源: American Journal of Epidemiology
机构: Office for National Statistics · National Security Agency · University of Cambridge · MRC Biostatistics Unit · UK Health Security Agency · University of Oxford · National Institute for Health and Care Research
分类: vol 195 · issue 1 · pp 188-197
相关性 5/10 · novelty: application
摘要: 本文基于英格兰 COVID-19 Infection Survey 数据（2020年4月至2023年3月，n=451,079），估计不同变异株流行时期的 SARS-CoV-2 累计发病率及感染住院比。核心方法是 multilevel regression and poststratification (MRP) 模型估计每日检测阳性率，结合纵向定期检测数据估计感染持续时间分布，进而推算累计发病率。研究按变异株主导时期划分，发现 Omicron 时期累计发病率最高，提示既往感染保护有限；感染住院比在 Delta 之后保持低位，且随年龄分层呈现明显梯度。本文是流行病学监测研究的典型范例，展示了纵向队列设计与 MRP 方法在人群水平感染率估计中的应用。
关键技术: multilevel regression and poststratification (MRP), longitudinal survey design, prevalence estimation, infection duration distribution, stratified risk estimation
为什么对您有用: (1) 本文是流行病学纵向队列研究的入门级范例，展示了 MRP 方法处理复杂抽样调查数据的具体流程，对您 secondary interest 中的 epidemiology 应用有参考价值。(2) 武器库完全够用——MRP 本质是分层贝叶斯模型 + poststratification，您熟悉的 minimax bounds 和 high-dimensional asymptotics 不直接适用，但 semiparametric theory 可用于思考其效率性质。(3) 值得一读全文——作为 gateway reading，本文数据结构清晰（纵向检测、缺失机制、分层变量），方法学上可思考如何用 causal inference / sensitivity analysis 框架处理感染风险估计中的选择偏倚。

5. 10.1093/aje/kwaf230 — Intimate partner violence Google searches before and after the Dobbs decision¶

作者: Krista Neumann, Kriszta Farkas, Maryam Tanveer, Stephen J Mooney, Molly Altman, N Jeanie Santaularia
期刊/来源: American Journal of Epidemiology
机构: University of Washington · University of Minnesota · Minnesota Department of Health · University of Hawaii System · Laboratoire de Physico-Chimie de l'Atmosphère
分类: vol 195 · issue 1 · pp 279-283
相关性 4/10 · novelty: application
摘要: 本文研究 2022 年 Dobbs 判决（推翻 Roe v. Wade）前后，美国亲密伴侣暴力（IPV）相关 Google 搜索量的变化，属于政策干预的 interrupted time series 设计。estimand 是判决前后搜索趋势的 level shift 和 slope change，使用 population-level 搜索数据而非个体调查数据。方法上采用 segmented regression / interrupted time series 分析，控制季节性和长期趋势，检验判决时点的结构性断点。主要发现是判决后 IPV 相关搜索量出现显著上升，提示生殖权利限制可能与 IPV 风险或求助需求相关。本文是典型的流行病学应用研究，方法学 novelty 有限，但提供了政策评估的实证案例。
关键技术: interrupted time series, segmented regression, Google Trends data, policy evaluation
为什么对您有用: 本文属于流行病学 secondary interest 的应用因果工作，使用 interrupted time series 这一准实验方法评估政策干预效果。对您而言，方法学贡献有限（novelty_flag = application），但可作为'政策干预 + 搜索数据 + 断点设计'的实证案例参考。若您对流行病学中准实验方法的应用边界感兴趣，可快速浏览；若关注的是 IV、DML、semiparametric efficiency 等方法在 epi 中的前沿应用，本文不涉及。

Maintained by 陈星宇 · Homepage · Source on GitHub