基于行政管理数据识别慢性病发病病例背景下确定洗脱期时长最佳策略的系统综述

doi:10.12114/j.issn.1007-9572.2023.0005

中国全科医学 ›› 2024, Vol. 27 ›› Issue (04): 460-467.DOI: 10.12114/j.issn.1007-9572.2023.0005

• 论著·慢性病共病研究 • 上一篇下一篇

基于行政管理数据识别慢性病发病病例背景下确定洗脱期时长最佳策略的系统综述

杨文怡, 王敬鑫, 艾丽梅, 万霞^*()

100005　北京市，中国医学科学院基础医学研究所　北京协和医学院基础学院

收稿日期:2023-01-05 修回日期:2023-04-18 出版日期:2024-02-05 发布日期:2023-11-09
通讯作者: 万霞
作者贡献：杨文怡提出研究选题方向，负责文献检索和整理，并撰写论文初稿；王敬鑫进行文献数据提取和信息整理；艾丽梅负责论文的修订；万霞负责文章的质量控制及审校，对文章整体负责；所有作者确认了论文的最终稿。
基金资助:
美国中华医学基金会项目(15-208)

Optimal Strategies for Determining the Duration of Washout Period in the Context of Identifying Chronic Disease Onset Cases Based on Administrative Data: a Systematic Review

YANG Wenyi, WANG Jingxin, AI Limei, WAN Xia^*()

Institute of Basic Medical Sciences, Chinese Academy of Medical Science & School of Basic Medicine, Peking Union Medical College, Beijing 100005, China

Received:2023-01-05 Revised:2023-04-18 Published:2024-02-05 Online:2023-11-09
Contact: WAN Xia

摘要/Abstract

摘要： 背景使用行政管理数据时，确立清晰、适当的慢性病洗脱期时长是正确确定反复就医的慢性病患者发病时点、确定新发病例的基础。目的通过系统文献回顾，综述确定洗脱期时长的方法，以期为我国研究者后续使用行政管理数据识别慢性病新发病例时确认洗脱期长短、正确识别新发病例提供思路。方法于2021年10月，系统检索PubMed、Web of Science、EmBase、中国知网、维普中文科技期刊全文数据库、万方知识服务平台，获取有关利用行政管理数据探究慢性病发病、患病情况的文献，检索时限均为建库至2022-10-01。由两名研究者独立筛选文献并提取相关信息，并采用定性研究报告评价标准（SRQR）评价文献方法学质量后，使用描述性分析法总结洗脱期时长的确定方法。结果共纳入26篇文献，纳入文献的SRQR评分均≥15分，方法学质量较好。文献所使用的数据主要来自加拿大、美国、澳大利亚等行政管理数据完整、丰富的国家（地区），聚焦的疾病包括糖尿病、肿瘤、精神分裂症等多种慢性病。研究指出，设定合适的洗脱期时长是准确识别发病病例的基础。目前，文献中确定洗脱期时长的方法主要包括直接限定法、一致性检验法和逆向生存函数法三大类，其中最常用的方法是直接限定法，逆向生存曲线法的使用率相对较低。结论直接限定法、一致性检验法和逆向生存函数法均有相应的优势和局限性，方法的选择标准、判断标准和稳定性有待进一步探究。

关键词: 慢性病, 行政管理数据, 医疗保险数据, 洗脱期, 发病率, 患病率

Abstract:

Background

When using administrative data, the establishment of clear and appropriate duration of chronic disease washout period is the basis for correctly identifying the point of onset of chronic disease in patients with recurrent visits and identifying new cases.

Objective

To review the methods for determining the duration of washout period by a systematic review of literature, in order to provide ideas for Chinese researchers to confirm the duration of washout period and correctly identify new cases with subsequent use of administrative data to identify new cases of chronic diseases.

Methods

In October 2021, PubMed, Web of Science, EmBase, CNKI, CQVIP and Wanfang Knowledge Service Platform were systematically searched for literature on the use of administrative data to explore the incidence and prevalence of chronic diseases from inception to 2022-10-01. Two researchers independently screened literatures and extracted relevant information, evaluated the quality of literature by using the Standards for Reporting Qualitative Research (SRQR) scale, and summarized the determination method of the duration of washout period.

Results

A total of 26 papers were included, and the SRQR scores of the included literature were all≥15, indicating good methodological quality. The data used in the literature were mainly from Canada, the United States, Australia and other countries (regions) with complete and abundant administrative data, and focused on a variety of chronic diseases, including diabetes, tumor, schizophrenia and other chronic diseases. The study pointed out that setting an appropriate washout period duration is the basis for accurate identification of onset cases. The methods used to determine the duration of washout period in literature were mainly divided into three major categories, including direct restriction method, consistency test method and retrograde survival function method. Among them, the most commonly used method was direct restriction method, while the retrograde survival function method had a relatively low usage rate.

Conclusion

Direct restriction method, consistency test method and retrograde survival function method all have corresponding advantages and limitations. The selection, judgment criteria and stability of the method need to be further explored.

Key words: Chronic disease, Administrative data, Insurance data, Washout period, Incidence, Prevalence

杨文怡,王敬鑫,艾丽梅,等. 基于行政管理数据识别慢性病发病病例背景下确定洗脱期时长最佳策略的系统综述[J]. 中国全科医学, 2024, 27(04): 460-467. DOI: 10.12114/j.issn.1007-9572.2023.0005.
YANG Wenyi,WANG Jingxin,AI Limei, et al. Optimal Strategies for Determining the Duration of Washout Period in the Context of Identifying Chronic Disease Onset Cases Based on Administrative Data: a Systematic Review[J]. Chinese General Practice, 2024, 27(04): 460-467. DOI: 10.12114/j.issn.1007-9572.2023.0005.

图/表 3

参考文献 31

[1]	MENG Q, XU L, ZHANG Y, et al. Trends in access to health services and financial protection in China between 2003 and 2011：a cross-sectional study[J]. Lancet，2012，379(9818):805-814. DOI：10.1016/s0140-6736(12)60278-5.
[2]	ØDEGAARD K M, LIRHUS S S, MELBERG H O, et al. A nationwide registry study on heart failure in Norway from 2008 to 2018：variations in lookback period affect incidence estimates[J]. BMC Cardiovasc Disord，2022，22(1):88. DOI：10.1186/s12872-022-02522-y.
[3]	CZWIKLA J, JOBSKI K, SCHINK T. The impact of the lookback period and definition of confirmatory events on the identification of incident cancer cases in administrative data[J]. BMC Med Res Methodol，2017，17(1):122. DOI：10.1186/s12874-017-0407-4.
[4]	ROSENLUND M, EKSTROM N, TORNBLOM M, et al. Impact of variable look-back periods on the incidence rates of chronic diseases using real world data[J]. Pharmacoepidemiology and Drug Safety，2020，29(9):1086-1092. DOI：10.1002/pds.5066.
[5]	SCHMEDT N, KHIL L, BERGER K, et al. Incidence of multiple sclerosis in Germany：a cohort study applying different case definitions based on claims data[J]. Neuroepidemiology，2017，49(3/4):91-98. DOI：10.1159/000481990.
[6]	ABBAS S, IHLE P, KOESTER I, et al. Estimation of disease incidence in claims data dependent on the length of follow-up：a methodological approach[J]. Health Services Research，2012，47(2):746-755. DOI：10.1111/j.1475-6773.2011.01325.x.
[7]	O'BRIEN B, HARRIS T, BECKMAN J, et al. Standards for reporting qualitative research：a synthesis of recommendations[J]. Acad Med，2014，89(9):1245-1251. DOI：10.1097/acm.0000000000000388.
[8]	BRAMELD K J, HOLMAN C D, LAWRENCE D M, et al. Improved methods for estimating incidence from linked hospital morbidity data[J]. Int J Epidemiol，2003，32(4):617-624. DOI：10.1093/ije/dyg191.
[9]	BEAUDET N, COURTEAU J, SARRET P, et al. Improving the selection of true incident cases of low back pain by screening retrospective administrative data[J]. Eur J Pain，2014，18(7):923-931. DOI：10.1002/j.1532-2149.2013.00437.x.
[10]	ASGHARI S, COURTEAU J, CARPENTIER A C, et al. Optimal strategy to identify incidence of diagnostic of diabetes using administrative data[J]. BMC Med Res Methodol，2009，9:62.
[11]	VANASSE A, COURTEAU J, FLEURY M J, et al. Treatment prevalence and incidence of schizophrenia in Quebec using a population health services perspective：different algorithms，different estimates[J]. Soc Psychiatry Psychiatr Epidemiol，2012，47(4):533-543. DOI：10.1007/s00127-011-0371-y.
[12]	BENCHIMOL E I, GUTTMANN A, MACK D R, et al. Validation of international algorithms to identify adults with inflammatory bowel disease in health administrative data from Ontario，Canada[J]. J Clin Epidemiol，2014，67(8):887-896.
[13]	LIN J, SHAU W, LAI M. Sex- and age-specific prevalence and incidence rates of sight-threatening diabetic retinopathy in Taiwan[J]. JAMA Ophthalmology，2014，132(8):922-928.
[14]	SULO G, IGLAND J, VOLLSET S, et al. Effect of the lookback period's length used to identify incident acute myocardial infarction on the observed trends on incidence rates and survival：cardiovascular disease in Norway project[J]. Circ Cardiovasc Qual Outcomes，2015，8(4):376-382.
[15]	RASSEN J, BARTELS D, SCHNEEWEISS S, et al. Measuring prevalence and incidence of chronic conditions in claims and electronic health record databases[J]. Clin Epidemiol，2019，11:1-15. DOI：10.2147/clep.S181242.
[16]	STEIN J, BLACHLEY T, MUSCH D. Identification of persons with incident ocular diseases using health care claims databases[J]. Am J Ophthalmol，2013，156(6):1169-1175.
[17]	CAMPLAIN R, KUCHARSKA-NEWTON A, CUTHBERTSON J, et al. Misclassification of incident hospitalized and outpatient heart failure in administrative claims data：the Atherosclerosis Risk in Communities（ARIC）study[J]. Pharmacoepidemiol Drug Saf，2017，26(4):421-428. DOI：10.1002/pds.4162.
[18]	OHLMEIER C, SAUM K, GALETZKA W, et al. Epidemiology and health care utilization of patients suffering from Huntington's disease in Germany：real world evidence based on German claims data[J]. BMC Neurology，2019，19(1):318.
[19]	KOO B, LEE C, YANG B, et al. The incidence and prevalence of diabetes mellitus and related atherosclerotic complications in Korea：a National Health Insurance Database Study[J]. PLoS One，2014，9(10):e110650.
[20]	JÜRISSON M, VOROBJOV S, KALLIKORM R, et al. The incidence of hip fractures in Estonia，2005-2012[J]. Osteoporosis International，2015，26(1):77-84.
[21]	BUKHBINDER A, LING Y, HASAN O, et al. Risk of Alzheimer's disease following influenza vaccination：a claims-based cohort study using propensity score matching[J]. J Alzheimers Dis，2022，88(3):1061-1074. DOI：10.3233/jad-220361.
[22]	ZHOU L, NGO L, FIELD T. Population incidence of cerebral venous thrombosis（CVT）from a large canadian cohort 2001-2017[J]. Stroke，2022，53(s1):61.
[23]	KATZENELLENBOGEN J, BOND-SMITH D, CUNNEEN R, et al. Contemporary Australian profile of rheumatic fever：results from multiple jurisdictions[J]. Heart Lung and Circulation，2019，28(s2):42-43. DOI：10.1016/j.hlc.2019.05.111.
[24]	OU Y, GROSSMAN D, LEE P, et al. Glaucoma，Alzheimer disease and other dementia：a longitudinal analysis[J]. Ophthalmic Epidemiology，2012，19(5):285-292.
[25]	CLISSOLD B, SUNDARARAJAN V, CAMERON P, et al. Stroke incidence in Victoria，Australia-emerging improvements[J]. Front Neurol，2017，8:180. DOI：10.3389/fneur.2017.00180.
[26]	AHN J, HWANG J, SEO G. Incidence and risk of developing rheumatic diseases in 19 724 patients with palindromic rheumatism in South Korea：a nationwide population-based study[J]. Joint Bone Spine，2021，88(3):105128.
[27]	ANDERSON K, FUHRER R, ABRAHAMOWICZ M, et al. The incidence of first-episode schizophrenia-spectrum psychosis in adolescents and young adults in montreal：an estimate from an administrative claims database[J]. Can J Psychiatry，2012，57(10):626-633. DOI：10.1177/070674371205701007.
[28]	KATZENELLENBOGEN J, SANFILIPPO F, HOBBS M, et al. Variable effects of prevalence correction of population denominators on differentials in myocardial infarction incidence：a record linkage study in Aboriginal and non-Aboriginal western Australians[J]. J Clin Epidemiol，2011，64(6):658-666.
[29]	BYRT T, BISHOP J, CARLIN J B. Bias，prevalence and Kappa[J]. J Clin Epidemiol，1993，46(5):423-429.
[30]	谢莉琴，秦盼盼，高星，等. 中国城乡居民基本医疗保险制度发展历程、挑战与应对策略 [J]. 中国公共卫生，2020，36(12):1673-1676. DOI：10.11847//zgggws1126456.
[31]	WU R, LI N, ERCIA A. The effects of private health insurance on universal health coverage objectives in China：a systematic literature review[J]. Int J Environ Res Public Health，2020，17(6):1660-4601. DOI：10.3390/ijerph17062049.

第一作者	发表年份（年）	聚焦疾病	SRQR评分（分）	国家（地区）	数据库名称	数据库类型	使用数据的年份跨度（年）	涵盖人群（数）
ØDEGAARD等^[2]	2022	心力衰竭	17	挪威	Norwegian Patient Registry	医院患者注册登记数据	2008—2018	挪威全体人群
BRAMELD等^[8]	2003	糖尿病、心肌梗死	16	美国	Patient Registry	医院患者注册登记数据	1980—1995	—
BEAUDET等^[9]	2014	下背痛	17	加拿大	Régie de l'Assurance Maladie du Québec（RAMQ）	医疗保险数据	2000—2007	魁北克省50%以上人口
ASGHARI等^[10]	2009	糖尿病	16	加拿大	RAMQ	医疗保险数据	1992—2002	568 625 5人
VANASSE等^[11]	2012	精神分裂症	16	加拿大	RAMQ	医疗保险数据	1996—2006	魁北克省50%以上人口
BENCHIMOL等^[12]	2014	慢性肠道疾病	16	加拿大	Canadian Institute for Health Information's Discharge Abstract Database（CIHI-DAD）	医院患者注册登记数据	2002—2012	—
LIN等^[13]	2014	糖尿病视网膜病变	17	中国	Health Insurance Database of Taiwan	医疗保险数据	2005—2011	台湾省99%人口
SULO等^[14]	2015	心肌梗死	15	挪威	Norway project	经注册的居民健康项目数据	1994—2009	—
CZWIKLA等^[3]	2017	乳腺癌、前列腺癌、结直肠癌	16	德国	Statutory Health Insurance	医疗保险数据	2006—2014	德国90%人口
RASSEN等^[15]	2019	慢性阻塞性肺疾病、银屑病、精神分裂症、囊性纤维病	16	美国	electronic health records	经注册的居民健康项目数据	2011—2014	美国大部分人口
ABBAS等^[6]	2012	糖尿病、结直肠癌、心力衰竭	16	德国	Statutory Health Insurance	医疗保险数据	2000—2008	德国90%人口
STEIN等^[16]	2013	青光眼、黄斑变性	17	美国	Clinformatics Data Mart Database	医疗保险数据	2001—2011	2 457人
ROSENLUND等^[4]	2020	24种慢性病	17	瑞典	National Patient Register	医院患者注册登记数据	2005—2013	7 943 807人
SCHMEDT等^[5]	2017	多发性硬化	17	德国	German Pharmaco epide miological Research Database（GePaRD）	经注册的疾病调查项目数据	2004—2013	4 175 877人
CAMPLAIN等^[17]	2017	心力衰竭	18	美国	Atherosclerosis Risk in Communities （ARIC）	经注册的疾病调查项目数据	2000—2012	15 744人
OHLMEIER等^[18]	2019	亨廷顿病	17	德国	Applied Health Research Berlin （InGef）Research Database	经注册的疾病调查项目数据	2010—2016	约670万人
KOO等^[19]	2014	糖尿病、动脉粥样硬化	17	韩国	National Health Insurance （NHI）Database	医疗保险数据	2007—2011	韩国97%人口
JÜRISSON等^[20]	2015	髋骨骨折	17	爱沙尼亚	Estonian Health Insurance Fund	医疗保险数据	2005—2012	爱沙尼亚96%以上人口
BUKHBINDER等^[21]	2022	阿尔茨海默病	17	美国	Optum Clinformatics Data Mart （CDM）	经注册的疾病调查项目数据	2009—2019	—
ZHOU等^[22]	2022	血栓形成	17	加拿大	CIHI-DAD	医院患者注册登记数据	2011—2017	—
KATZENELLENBOGEN等^[23]	2019	风湿性心脏病	17	澳大利亚	acute rheumatic fever register data	医院患者注册登记数据	2000—2017	—
OU等^[24]	2012	青光眼、阿尔茨海默病、其他类型痴呆	18	美国	Medicare 5% claims data	医疗保险数据	1994—2007	484 542人
CLISSOLD等^[25]	2017	脑卒中	17	加拿大	Victorian Admitted Episodes Dataset	医院患者注册登记数据	1997—2008	4 932 422人
AHN等^[26]	2021	风湿性疾病	17	韩国	NHI Database	医疗保险数据	2007—2018	韩国97%人口
ANDERSON等^[27]	2012	精神分裂症	18	加拿大	RAMQ	医疗保险数据	2000—2006	魁北克省50%以上人口
KATZENELLENBOGEN等^[28]	2010	心肌梗死	20	澳大利亚	Hospital Morbidity Data Collection（HMDC）、Mortality Data Set	医院患者注册登记数据	1980—2004	—

第一作者	发表年份（年）	聚焦疾病	SRQR评分（分）	国家（地区）	数据库名称	数据库类型	使用数据的年份跨度（年）	涵盖人群（数）
ØDEGAARD等^[2]	2022	心力衰竭	17	挪威	Norwegian Patient Registry	医院患者注册登记数据	2008—2018	挪威全体人群
BRAMELD等^[8]	2003	糖尿病、心肌梗死	16	美国	Patient Registry	医院患者注册登记数据	1980—1995	—
BEAUDET等^[9]	2014	下背痛	17	加拿大	Régie de l'Assurance Maladie du Québec（RAMQ）	医疗保险数据	2000—2007	魁北克省50%以上人口
ASGHARI等^[10]	2009	糖尿病	16	加拿大	RAMQ	医疗保险数据	1992—2002	568 625 5人
VANASSE等^[11]	2012	精神分裂症	16	加拿大	RAMQ	医疗保险数据	1996—2006	魁北克省50%以上人口
BENCHIMOL等^[12]	2014	慢性肠道疾病	16	加拿大	Canadian Institute for Health Information's Discharge Abstract Database（CIHI-DAD）	医院患者注册登记数据	2002—2012	—
LIN等^[13]	2014	糖尿病视网膜病变	17	中国	Health Insurance Database of Taiwan	医疗保险数据	2005—2011	台湾省99%人口
SULO等^[14]	2015	心肌梗死	15	挪威	Norway project	经注册的居民健康项目数据	1994—2009	—
CZWIKLA等^[3]	2017	乳腺癌、前列腺癌、结直肠癌	16	德国	Statutory Health Insurance	医疗保险数据	2006—2014	德国90%人口
RASSEN等^[15]	2019	慢性阻塞性肺疾病、银屑病、精神分裂症、囊性纤维病	16	美国	electronic health records	经注册的居民健康项目数据	2011—2014	美国大部分人口
ABBAS等^[6]	2012	糖尿病、结直肠癌、心力衰竭	16	德国	Statutory Health Insurance	医疗保险数据	2000—2008	德国90%人口
STEIN等^[16]	2013	青光眼、黄斑变性	17	美国	Clinformatics Data Mart Database	医疗保险数据	2001—2011	2 457人
ROSENLUND等^[4]	2020	24种慢性病	17	瑞典	National Patient Register	医院患者注册登记数据	2005—2013	7 943 807人
SCHMEDT等^[5]	2017	多发性硬化	17	德国	German Pharmaco epide miological Research Database（GePaRD）	经注册的疾病调查项目数据	2004—2013	4 175 877人
CAMPLAIN等^[17]	2017	心力衰竭	18	美国	Atherosclerosis Risk in Communities （ARIC）	经注册的疾病调查项目数据	2000—2012	15 744人
OHLMEIER等^[18]	2019	亨廷顿病	17	德国	Applied Health Research Berlin （InGef）Research Database	经注册的疾病调查项目数据	2010—2016	约670万人
KOO等^[19]	2014	糖尿病、动脉粥样硬化	17	韩国	National Health Insurance （NHI）Database	医疗保险数据	2007—2011	韩国97%人口
JÜRISSON等^[20]	2015	髋骨骨折	17	爱沙尼亚	Estonian Health Insurance Fund	医疗保险数据	2005—2012	爱沙尼亚96%以上人口
BUKHBINDER等^[21]	2022	阿尔茨海默病	17	美国	Optum Clinformatics Data Mart （CDM）	经注册的疾病调查项目数据	2009—2019	—
ZHOU等^[22]	2022	血栓形成	17	加拿大	CIHI-DAD	医院患者注册登记数据	2011—2017	—
KATZENELLENBOGEN等^[23]	2019	风湿性心脏病	17	澳大利亚	acute rheumatic fever register data	医院患者注册登记数据	2000—2017	—
OU等^[24]	2012	青光眼、阿尔茨海默病、其他类型痴呆	18	美国	Medicare 5% claims data	医疗保险数据	1994—2007	484 542人
CLISSOLD等^[25]	2017	脑卒中	17	加拿大	Victorian Admitted Episodes Dataset	医院患者注册登记数据	1997—2008	4 932 422人
AHN等^[26]	2021	风湿性疾病	17	韩国	NHI Database	医疗保险数据	2007—2018	韩国97%人口
ANDERSON等^[27]	2012	精神分裂症	18	加拿大	RAMQ	医疗保险数据	2000—2006	魁北克省50%以上人口
KATZENELLENBOGEN等^[28]	2010	心肌梗死	20	澳大利亚	Hospital Morbidity Data Collection（HMDC）、Mortality Data Set	医院患者注册登记数据	1980—2004	—

第一作者	设定的洗脱期时长（年）	洗脱期时长确定方法
第一作者	设定的洗脱期时长（年）	直接限定法	一致性检验法	逆向生存函数法
ABBAS等^[6]	1.0~8.0		√（过高估计率）
STEIN等^[16]	3.0~5.0		√（过高估计率）
ROSENLUND等^[4]	0.5~9.0		√（过高估计率）
SCHMEDT等^[5]	8.0		√（过高估计率）
CAMPLAIN等^[17]	0.5~3.0		√（过高估计率）
ØDEGAARD等^[2]	1.0~8.0		√（过高估计率）
VANASSE等^[11]	7.0		√（Kappa值、阳性预测值）
BENCHIMOL等^[12]	4.0		√（灵敏度、准确度、阳性预测值、阴性预测值）
BEAUDET等^[9]	7.0		√（阳性预测值、Kappa值）	√
ASGHARI等^[10]	5.0		√（Kappa值）	√
BRAMELD等^[8]	13.0			√
LIN等^[13]	3.0	√（基于文献回顾）
OHLMEIER等^[18]	4.0	√（基于文献回顾）
KOO等^[19]	2.0	√（基于文献回顾）
JÜRISSON等^[20]	1.0	√
BUKHBINDER等^[21]	6.0	√
ZHOU等^[22]	1.0	√
KATZENELLENBOGEN等^[23]	13.5	√（因受限制于数据）
OU等^[24]	3.0	√（基于文献回顾）
CLISSOLD等^[25]	5.0	√（基于文献回顾）
AHN等^[26]	3.0	√
ANDERSON等^[27]	4.0~6.0	√
KATZENELLENBOGEN等^[28]	15.0	√（因受限制于数据）
SULO等^[14]	3.0、5.0、7.0、8.0、10.0	√
CZWIKLA等^[3]	1.0~7.0	√（因受限制于数据）
RASSEN等^[15]	1.0~4.0	√（因受限制于数据）

第一作者	设定的洗脱期时长（年）	洗脱期时长确定方法
第一作者	设定的洗脱期时长（年）	直接限定法	一致性检验法	逆向生存函数法
ABBAS等^[6]	1.0~8.0		√（过高估计率）
STEIN等^[16]	3.0~5.0		√（过高估计率）
ROSENLUND等^[4]	0.5~9.0		√（过高估计率）
SCHMEDT等^[5]	8.0		√（过高估计率）
CAMPLAIN等^[17]	0.5~3.0		√（过高估计率）
ØDEGAARD等^[2]	1.0~8.0		√（过高估计率）
VANASSE等^[11]	7.0		√（Kappa值、阳性预测值）
BENCHIMOL等^[12]	4.0		√（灵敏度、准确度、阳性预测值、阴性预测值）
BEAUDET等^[9]	7.0		√（阳性预测值、Kappa值）	√
ASGHARI等^[10]	5.0		√（Kappa值）	√
BRAMELD等^[8]	13.0			√
LIN等^[13]	3.0	√（基于文献回顾）
OHLMEIER等^[18]	4.0	√（基于文献回顾）
KOO等^[19]	2.0	√（基于文献回顾）
JÜRISSON等^[20]	1.0	√
BUKHBINDER等^[21]	6.0	√
ZHOU等^[22]	1.0	√
KATZENELLENBOGEN等^[23]	13.5	√（因受限制于数据）
OU等^[24]	3.0	√（基于文献回顾）
CLISSOLD等^[25]	5.0	√（基于文献回顾）
AHN等^[26]	3.0	√
ANDERSON等^[27]	4.0~6.0	√
KATZENELLENBOGEN等^[28]	15.0	√（因受限制于数据）
SULO等^[14]	3.0、5.0、7.0、8.0、10.0	√
CZWIKLA等^[3]	1.0~7.0	√（因受限制于数据）
RASSEN等^[15]	1.0~4.0	√（因受限制于数据）

基于行政管理数据识别慢性病发病病例背景下确定洗脱期时长最佳策略的系统综述

Optimal Strategies for Determining the Duration of Washout Period in the Context of Identifying Chronic Disease Onset Cases Based on Administrative Data: a Systematic Review

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 31

相关文章 15

编辑推荐

Metrics

留言

[1]	于海燕, 相彤, 高文娟, 吴浩. 数智化技术在慢病共存管理中的研究与应用[J]. 中国全科医学, 2026, 29(21): 2933-2937.
[2]	李凤, 胡昌好, 罗旭. 老年慢性病共病患者心理健康的影响因素及干预策略研究进展[J]. 中国全科医学, 2026, 29(20): 2816-2828.
[3]	吴一璇, 肖亮满, 刘鑫, 严梓萁, 王毓婷, 林舒敏, 庄礼兴. 1990—2021年中国与全球帕金森病的疾病负担分析与未来趋势预测[J]. 中国全科医学, 2026, 29(20): 2895-2902.
[4]	程玉, 韩士尧, 孙平, 向娟, 杨辉, 李东泽, 郑莉, 廖晓阳. 慢性病管理中的社会经济与人口学挑战分析[J]. 中国全科医学, 2026, 29(20): 2800-2807.
[5]	陈向阳, 黄红梅, 李舍予. 成人肥胖的预防与管理：从六大关键词看2025年度进展与趋势[J]. 中国全科医学, 2026, 29(20): 2753-2758.
[6]	张小娟, 刘阳, 彭博, 叶媛, 朱坤. 基层医疗卫生机构高血压和糖尿病防治现状研究[J]. 中国全科医学, 2026, 29(19): 2614-2620.
[7]	唐丽娟, 祁琪, 张帆, 高屹福, 曹亚景, 岳福娟, 高金钗, 刘晓丽. 2013年和2020年河北省18~44岁居民超重、肥胖流行特征研究[J]. 中国全科医学, 2026, 29(19): 2695-2704.
[8]	陈秋龙, 陈佳, 房静, 戴维, 杨青. 观察者报告结局的应用现状与研究进展[J]. 中国全科医学, 2026, 29(18): 2561-2570.
[9]	陈佳丽, 张静静, 王和霞, 唐笑睿, 吴钰洁, 雷阳, 林征. 糖尿病前期人群慢性病资源利用的潜在剖面分析及其对健康促进行为的影响研究[J]. 中国全科医学, 2026, 29(16): 2244-2251.
[10]	于珊, 车雅洁, 苏比伊努尔·麦麦提, 郭楷扬, 冯星星, 颜萍. 新疆地区城乡老年人主观认知下降现状及影响因素的对比研究[J]. 中国全科医学, 2026, 29(16): 2227-2233.
[11]	张佳雯, 胡佳, 郑英, 代涛. 慢性病患者用药依从性影响因素研究[J]. 中国全科医学, 2026, 29(13): 1753-1758.
[12]	李春莲, 张颖, 郭铭钊, 何美忱, 徐玲玲, 王永晨. 全科医生开具医疗运动处方促进体医融合[J]. 中国全科医学, 2026, 29(12): 1618-1623.
[13]	李明月, 张笑天, 汤皓晴, 郑汇娴, 程晓冉, 魏添添, 张柏松, 程昊哲, 周俣勋, 刘晓云. 我国中西部农村慢性病可避免住院分析[J]. 中国全科医学, 2026, 29(10): 1267-1276.
[14]	焦玺同, 刘璐, 郭嘉悦, 尤莉莉. 国内外高血压数字疗法产品的应用前景及对我国的启示[J]. 中国全科医学, 2026, 29(10): 1354-1360.
[15]	葛奥淇, 高欣怡, 李佳威, 李娟娟, 袁蓓蓓. 基层医务人员慢性病健康行为管理能力的培训干预及其效果：系统综述及Meta分析[J]. 中国全科医学, 2026, 29(09): 1109-1120.