理解死亡数据：CDC WONDER、联结点分析及预测模型的逐步指南

《Journal of Epidemiology and Global Health》：Understanding Mortality Data: A Step-by-Step Guide to CDC WONDER, Joinpoint Analysis, and Forecasting Models

　　

摘要

背景

随着如CDC WONDER这样的开放获取数据库的兴起，公共卫生研究中死亡数据的使用量激增。然而，在定义ICD代码之间的关系以及从旧数据版本过渡到新数据版本时需要谨慎。本综述提供了使用CDC WONDER死亡数据库的实用、分步指南。

方法

我们概述了CDC WONDER界面的主要功能，解释了死亡率计算方法，并描述了使用基础死亡原因和多重死亡原因配置查询的最佳实践。此外，本综述还介绍了joinpoint回归方法来识别时间趋势变化，并比较了使用传统ARIMA模型和现代深度学习架构的预测方法。

结果

通过示例和可视化指南，我们展示了数据解释结果会如何因查询配置、布尔逻辑（AND与OR）以及编码实践的不同而显著不同。我们强调了不同分析策略的优点和局限性，并说明了如何因常见错误（如误解年龄调整或在没有合适逻辑的情况下组合ICD代码）而导致误解。

结论

CDC WONDER是进行死亡分析的强大工具，但其有效使用需要对数据结构、编码逻辑和统计工具有清晰的理解。joinpoint回归和预测模型通过实现趋势分割和未来预测来补充WONDER数据。本指南使研究人员能够准确使用这些工具，从而提高公共卫生研究的严谨性和可重复性。

背景

随着如CDC WONDER这样的开放获取数据库的兴起，公共卫生研究中死亡数据的使用量激增。然而，在定义ICD代码之间的关系以及从旧数据版本过渡到新数据版本时需要谨慎。本综述提供了使用CDC WONDER死亡数据库的实用、分步指南。

方法

我们概述了CDC WONDER界面的主要功能，解释了死亡率计算方法，并描述了使用基础死亡原因和多重死亡原因配置查询的最佳实践。此外，本综述还介绍了joinpoint回归方法来识别时间趋势变化，并比较了使用传统ARIMA模型和现代深度学习架构的预测方法。

结果

通过示例和可视化指南，我们展示了数据解释结果会如何因查询配置、布尔逻辑（AND与OR）以及编码实践的不同而显著不同。我们强调了不同分析策略的优点和局限性，并说明了如何因常见错误（如误解年龄调整或在没有合适逻辑的情况下组合ICD代码）而导致误解。

结论

CDC WONDER是进行死亡分析的强大工具，但其有效使用需要对数据结构、编码逻辑和统计工具有清晰的理解。joinpoint回归和预测模型通过实现趋势分割和未来预测来补充WONDER数据。本指南使研究人员能够准确使用这些工具，从而提高公共卫生研究的严谨性和可重复性。