{
  "id": "case-control-study",
  "title": "病例对照研究",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "病例对照研究比较病例与抽样对照的既往暴露情况，以探究病因、危险因素和保护因素。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "病例对照调查"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/case-control-study/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/case-control-study/",
      "json": "https://aiwiki.page/en/case-control-study.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "病例对照研究是一种观察性研究设计，将出现某一特定结局的人（称为病例）与从产生这些病例的来源人群中抽取、能够代表该人群的样本（称为对照）进行比较。研究者比较两组的暴露史，以评估某种暴露是否与该结局相关。这一设计是流行病学的基本研究设计之一，尤其适用于罕见疾病、潜伏期较长的结局，以及需要详细或高成本暴露测量的研究。\n\n队列研究先确定一个人群，再随访或回溯重建其结局发生情况；病例对照研究则不同，它根据结局状态或结局是否发生来选择研究对象。它也不同于随机对照试验，不会为研究对象分配所考察的暴露。其有效性尤其取决于能否明确界定病例的来源人群、恰当选择对照、确定暴露发生的时间，以及处理比较组之间的系统性差异。\n\n常用的关联指标是比值比，但这一指标估计的具体含义取决于对照的抽样方式。病例对照研究可以使用确诊后访谈获得的信息、历史记录，或在疾病发生数年前采集的生物样本。因此，“病例对照”描述的是一种抽样设计，并不意味着暴露测量一定是回顾性的。"
    },
    {
      "heading": "历史发展与科学作用",
      "text": "在医学研究中，比较患病者与未患病者的做法由来已久，但现代病例对照研究设计是在二十世纪才受到广泛重视的。这一设计的发展源于一个实际难题：许多重要疾病过于罕见，或发生发展所需时间过长，研究者难以通过从一开始就观察大规模人群的方式高效开展研究。先选取病例，可以将研究资源集中用于已经出现目标结局的人；而对照则提供了产生这些病例的来源人群中暴露分布的信息。\n\n有关吸烟与肺癌的研究尤其具有影响力。1950年，理查德·多尔和奥斯汀·布拉德福德·希尔发表了一项以英国医院为基础的调查；同年，欧内斯特·温德和埃瓦茨·格雷厄姆也发表了一项重要的美国研究。两项研究都比较了肺癌患者与对照患者的吸烟史。确立吸烟与癌症之间的关系并非仅以这些调查为依据：后续的队列研究、实验室证据及其他流行病学发现也提供了相互补充的支持。尽管如此，这些研究仍展示了病例对照比较在识别疾病的重要环境病因方面的能力。\n\n杰罗姆·康菲尔德于1951年开展的方法学研究，有助于阐明如何通过比较病例与对照的暴露情况来估计暴露与疾病之间的关联。后续研究进一步发展了对不同对照抽样方案的解释、匹配资料的分析方法，以及同时调整多个变量的回归方法。其中一项核心的方法学进展是认识到：理解病例对照研究的最佳方式，是将其视为对某一基础人群中疾病发生情况的抽样，而不是简单地将任意一组患病者与任意一组健康者进行比较。\n\n这一设计在识别罕见不良反应方面也被证明具有价值。1971年，阿瑟·赫布斯特及其同事报告，母亲使用己烯雌酚与其女儿在年轻时发生阴道透明细胞腺癌之间存在关联。这种癌症十分罕见，且从产前暴露到确诊间隔漫长，因此，以结局为起点开展调查尤其有助于揭示问题。这类实例确立了病例对照方法在药物警戒中的重要工具地位，使其与队列研究及其他监测方法并行发挥作用。\n\n病例对照研究的科学用途至今仍十分广泛。它可用于研究职业暴露、环境危害、遗传变异相关的易感性，以及感染性疾病的决定因素。在暴发调查中，它可以迅速比较患病者与未患病者报告的食物、活动或到访地点。在慢性病研究中，它能对暴露情况进行细致考察，而若在整个队列中测量这些暴露，成本可能十分高昂。效率高并不意味着它只能作为初步研究：设计严谨的病例对照调查可以提供有力证据，不过，任何因果解释的说服力都取决于具体的研究设计及其潜在缺陷。"
    },
    {
      "heading": "界定来源人群与识别病例",
      "text": "病例对照研究的基础是其来源人群，有时也称为研究基础人群，即产生研究病例的人群。界定来源人群时，必须明确所涉及的人群、地点、纳入资格和时间。例如，一项研究可以纳入某一明确地区的居民在五个日历年内首次确诊的某种癌症的全部病例，也可以纳入某医疗保险体系的参保人员在指定随访期内发生的所有符合条件的心血管事件。应当选择什么样的对照，取决于这一定义。\n\n可操作的病例定义能使病例识别具有可重复性。它可以规定症状、实验室检查结果、影像学表现、病理学表现、诊断编码、疾病分期，或由多项标准组成的判定条件。例如，一项关于心肌梗死的研究可能要求采用经过验证的临床定义，而不是仅依赖未经核实的医疗费用结算编码。研究某种肿瘤时，则可能要求有组织学确诊依据。更严格的定义可以提高诊断的一致性，但也可能将一些病例排除在外，因为这些病例获得检查的机会可能因暴露情况或社会经济状况而异。\n\n病例通常通过登记系统、医院记录、实验室、行政管理数据库或主动监测来识别。理想情况下，应完整识别来源人群中的病例，但并不总是必须纳入每一例病例。只要抽样过程不扭曲与研究问题相关的暴露比较，使用病例样本也可以得出有效结果。反之，如果暴露患者与未暴露患者的转诊路径不同，那么即使收集了某家便于开展研究的医院的全部病例，也不能保证这些病例具有群体代表性。\n\n研究疾病的发生时，通常优先选择新近发生的病例，即新发病例。已有的病例，即现患病例，则是在发病后存活下来、且仍可被招募入组的病例。因此，这些病例的暴露分布可能既反映发生疾病的概率，也反映患病后存活的概率。如果某种暴露导致的疾病会使患者迅速死亡，那么仅纳入存活者的研究就可能低估这种暴露在病例中的比例。这种现患病例—新发病例偏倚在暴露既影响发病、又影响预后时尤为重要。\n\n研究者还会确定一个索引日期，例如确诊日期、症状出现日期，或另一具有临床意义的事件发生日期。对于病例和对照，必须在该日期之前具有可比性的时间段内评估暴露情况。如果确诊前存在较长的症状期，索引日期的选择就很重要：否则，在疾病早期开始使用的药物可能看似先于结局发生，实际上却是因疾病而使用的。纳入资格标准、人口迁移、进入医疗数据库的时间，以及所要求的最短既往观察期，同样决定了哪些暴露史可以进行有意义的比较。"
    },
    {
      "heading": "对照的选择与抽样方案的解读",
      "text": "选择对照的目的是反映源人群中的暴露情况，而不是要求对照个个健康，或危险因素特别少。一条实用原则是：被选为对照的人，如果在相应时间发生了所研究的结局，就应当有资格作为病例纳入研究。对照可以患有与研究无关的疾病，而且在某些抽样方案下，日后也可能成为病例。对照是否合适，取决于其是否属于相应人群以及是否符合抽样规则，而不是凭直觉判断其是否像“正常人”。\n\n在累积抽样中，对照选自规定随访期结束时仍未发生所研究结局的人。如果在各结局组内的抽样恰当，由此得到的暴露优势比可用于估计总体的疾病优势比。当相关暴露组在该时期内很少发生所研究结局时，这一估计值近似于风险比。这里的罕见性要求针对的是基础人群中结局的发生频率，而不是研究样本中人为设定的病例比例。\n\n在发病密度抽样（又称风险集抽样）中，每出现一例病例，就从当时仍有可能发生该结局的人中抽取对照。通常会将该病例的结局发生时间指定为相应对照的索引日期。同一个人可以多次被选为对照，随后也可能成为病例。在抽样和分析恰当的情况下，这种比较可估计发病率比，或在相应模型下估计危险比，而无须满足结局罕见的条件。如果从这些对照集中排除所有日后成为病例的人，就会改变原本设定的抽样设计。\n\n对照可以来自人群登记系统、基层医疗机构名册、医疗保健数据库、医院，或通过社区抽样获得。选择医院对照可能较为方便，而且他们在转诊或访谈条件等方面可能与病例具有共同之处。然而，其入院原因不能导致暴露分布失真。例如，在研究吸烟与肺癌的关系时，如果选择患有吸烟相关疾病的患者作为对照，就可能使对照中的吸烟比例异常偏高，从而削弱观察到的关联。\n\n是否参与研究也是对照选择中的一个环节。如果参与意愿同时取决于与暴露有关的特征和与疾病有关的因素，那么即使随机邀请人群对照，也不能消除偏倚。招募邻居或朋友可能提高应答率，但也可能使对照在环境或行为暴露方面与病例过于相似。使用多个对照组可以揭示研究结果对招募方式选择的敏感性，但不同对照组的结果一致，本身并不能证明研究有效。核心问题仍然是：每个对照组是否反映了基础抽样方案所要求的暴露情况。"
    },
    {
      "heading": "测量暴露并确定其发生时间",
      "text": "暴露评估可以采用访谈、问卷、医疗记录、药房发药数据、工作场所记录、环境测量数据或保存的生物样本。每种方法衡量的都是暴露的某个特定方面。处方记录表明某种药物曾被开具，发药记录表明药物已发放，但两者都不能直接证明患者实际服用了药物。职位名称可以提示潜在的职业接触，却不一定能反映某位劳动者实际接触的浓度、接触持续时间或所处的防护条件。\n\n暴露的定义应与所研究的生物学问题相对应。研究可以区分曾经使用与从未使用、目前使用与既往使用，也可以考察累积剂量、首次暴露年龄、暴露持续时间或暴露结束后经过的时间。对于致癌物，诊断前多年的暴露可能比近期接触更为重要。对于急性感染或持续时间较短的药物效应，重要的时间范围可能只有数天或数周。将生物学意义不同的暴露时间窗合并为同一个暴露类别，可能掩盖关联，或得出具有误导性的平均结果。\n\n病例对照设计并不要求在疾病发生后测量暴露。巢式研究可以利用队列入组时采集的血液，测量后来成为病例的参与者和选定对照者的某种生物标志物。诊断前采样可降低疾病诊断改变所测暴露的可能性，不过，尚未被发现的早期疾病可能已经影响了该标志物。样本保存时间、处理条件、冻融循环和实验室检测批次也可能影响测量结果，必须将这些因素与疾病生物学本身分开考虑。\n\n在诊断后收集信息时，病例可能比对照更努力地回忆往事，或对过去的事件作出不同解释。采用标准化问卷、给予同等的提示、提供相近的访谈环境，以及由不了解具体研究假设的访谈员开展访谈，都有助于减少信息收集上的差异。患病前形成的记录可能很有用，但其完整程度可能随医疗服务利用情况而有所不同。让实验室人员不知道样本提供者的病例或对照身份，并将病例和对照样本混合分配至各检测批次，有助于避免将技术差异误认为生物学关联。\n\n要区分暴露与疾病的早期后果，时间先后至关重要。反向因果关系是指正在发展的疾病改变了研究所关注的暴露。一个相关问题是前驱症状偏倚，即将针对尚未被识别的早期症状所采取的治疗，误认为是随后确诊疾病的原因。例如，诊断前不久使用镇痛药，可能反映的是已经在发展的疾病所引起的疼痛。滞后暴露分析可以排除索引日期之前紧邻的一段预先指定的时间，但不同的滞后期对应不同的假设，不能自动解决所有涉及时间先后的问题。"
    },
    {
      "heading": "选择偏差、信息偏倚与混杂",
      "text": "威胁研究效度的三大因素是选择偏差、信息偏倚和混杂。三者在概念上各不相同。当决定哪些人进入研究或留在研究中的过程扭曲了暴露与结局之间的关联时，就会产生选择偏差。信息偏倚源于变量测量或分类中的系统性误差。混杂则是指，由于影响结局的其他原因在各暴露组中的分布不同，暴露组间的比较混入了这些原因的影响。\n\n选择偏差可能发生在多个阶段，包括诊断、转诊、存活、招募和参与。在以医院为基础的调查中，暴露和疾病都可能影响患者是否住院。因此，将分析对象限定为住院患者，可能产生源人群中原本不存在的关联；这种机制通常与伯克森偏倚有关。同样，如果只招募能够完成长时间访谈的患者，重症患者在样本中的比例可能偏低；若病情严重程度与暴露有关，这种排除就可能影响研究结果。\n\n信息偏倚包括疾病分类不准确和暴露测量不准确。回忆偏倚特指比较组之间所回忆信息的准确性或完整性存在差异，并不是回顾性研究中所有误差的统称。如果某种暴露使人接受更密集的检查，从而使疾病更容易被发现，就可能产生检出偏倚。此时，观察到的关联可能部分反映了获得诊断机会的差异，而非疾病发生情况的差异。\n\n暴露的非差异性错分是指，在给定相关真实暴露和其他指定变量的条件下，测量特性不因结局状态而异。在针对二分类暴露的一些简单假设下，这种错分通常会削弱关联，使其趋向无关联。但这一说法并非普遍规律：多个暴露类别、相互依赖的测量误差以及协变量调整，都可能使偏离朝其他方向发生。差异性错分既可能夸大关联，也可能削弱关联，具体取决于误差结构。\n\n混杂需要通过研究设计和分析来控制。在特定研究问题中，年龄、吸烟、职业和医疗服务利用情况可能是相关的混杂因素，但一个变量并不会仅仅因为能够预测结局就成为混杂因素。因果图有助于厘清一个变量是在暴露之前出现、位于因果路径上，还是其他变量的共同结果。对中介变量进行调整，可能会消除所研究效应的一部分；以碰撞变量为条件，则可能引入偏倚。因此，统计调整应以因果问题和相关领域知识为依据，而不是简单地选入所有可用变量，或只保留显著性检验值较小的变量。"
    },
    {
      "heading": "匹配及设计阶段的其他选择",
      "text": "匹配是根据病例的特征选择对照，常用的匹配特征包括年龄、性别、地理区域或日历时间。其主要目的是提高涉及重要背景变量的比较效率；在某些情境下，也用于确保观察期或医疗卫生系统在实际层面具有可比性。匹配并不能自动消除混杂。在病例对照研究中，匹配改变了对照的抽样方式，因此分析时必须恰当考虑这种抽样结构。\n\n在个体匹配中，每个病例都与一个或多个符合指定条件的对照相匹配。例如，对于某个月确诊的病例，可以选择当时处于观察之中、年龄相近的人作为匹配对照。在频数匹配中，选择对照的目的是使其在各类别中的总体分布与病例相似，而不建立个体之间的配对关系。例如，可以选取一组对照，使其年龄组和性别分布与病例一致。\n\n如果匹配使病例与对照的暴露情况过于相似，就可能适得其反。这一问题通常称为过度匹配：当研究者选用的匹配变量与暴露密切相关，却对控制结局风险差异帮助不大时，就可能出现这种情况。以因果路径上的中介变量或碰撞变量进行匹配，还可能给结果解释带来额外问题。例如，按居住社区匹配时，如果某些环境暴露在匹配组内的差异很小，就可能限制研究社区层面环境暴露的能力。\n\n对照与病例的比例也是一项设计决策。增加对照通常可以提高估计的精确度，但随着每个病例对应的对照数增加，收益会逐渐递减。在简单的非匹配情形下，如果病例数固定，且每位参与者提供的信息量相近，那么相对于对照样本量无限大时的信息量，相对信息量约为 \\(m/(m+1)\\)，其中 \\(m\\) 为每个病例对应的对照数。因此，每个病例配一个对照，可获得这一极限信息量的大约一半；配四个对照，则可获得大约五分之四。实际收益取决于暴露频率、匹配方式、成本和统计模型。\n\n样本量计算通常需要设定对照中的预期暴露频率、研究者希望检出的关联强度、显著性水平、统计功效，以及对照与病例的比例。匹配设计的样本量计算还取决于匹配组内暴露的一致程度，因为在简单的配对比较中，直接提供信息的是暴露情况不一致的配对。即使能够高效地抽取疾病病例，罕见暴露仍可能难以研究。因此，有关纳入资格、标本可获得性、亚组分析和实验室检测能力的决策，需要与统计方面的考量相互协调，而不能仅由样本量决定。"
    },
    {
      "heading": "优势比与统计分析",
      "text": "对于暴露为二分类变量的非匹配研究，数据可整理如下：\n\n | 病例组 | 对照组\n暴露 | \\(a\\) | \\(b\\)\n未暴露 | \\(c\\) | \\(d\\)\n\n优势比为\n\n\\[\\widehat{\\mathrm{OR}} =\\frac{a/c}{b/d} =\\frac{ad}{bc}.\\]\n\n如果病例组中有120人暴露、80人未暴露，对照组中有100人暴露、200人未暴露，则估计的优势比为 \\(3.0\\)。这表示病例组的暴露优势是对照组的三倍。要将其解释为患病优势比、发生率比或风险比的近似值，必须满足上文所述的抽样假设。\n\n对于各单元格计数均为正数的非匹配列联表，在满足常规大样本条件时，标准误可近似为\n\n\\[\\operatorname{SE}\\!\\left(\\log\\widehat{\\mathrm{OR}}\\right) = \\sqrt{\\frac{1}{a}+\\frac{1}{b}+\\frac{1}{c}+\\frac{1}{d}}.\\]\n\n将上下限 \\(\\log\\widehat{\\mathrm{OR}}\\pm1.96\\,\\operatorname{SE}\\) 分别取指数，即可得到近似的95%置信区间。对于小样本、单元格计数稀疏、观测值之间存在依赖关系或采用复杂抽样的情况，可能需要使用其他方法。置信区间反映的是模型假设下的统计不确定性，并不涵盖因招募或测量偏倚而产生的全部不确定性。\n\n逻辑回归可以用于调整多个变量的影响，并考察连续型暴露。一个典型模型为\n\n\\[\\log\\!\\left(\\frac{P(D=1\\mid X,Z)}{1-P(D=1\\mid X,Z)}\\right) =\\alpha+\\beta X+\\boldsymbol{\\gamma}^{\\mathsf T}Z,\\]\n\n其中，\\(D\\) 表示结局状态，\\(X\\) 表示暴露，\\(Z\\) 表示调整变量。对于符合条件的非匹配病例对照样本，在指定模型下，\\(\\exp(\\beta)\\) 可用于估计调整后的优势比。依赖结局状态的抽样会改变截距，因此，在没有额外信息的情况下，根据样本拟合得到的概率通常不能代表总体的患病风险。\n\n匹配研究通常采用条件逻辑回归，在各匹配组内比较暴露情况。对于暴露为二分类变量的简单一对一匹配研究，匹配优势比等于仅病例暴露的配对数除以仅对照暴露的配对数。暴露状态一致的配对不能直接用于估计这一暴露对比。对于频数匹配研究，通常应采用将匹配因素纳入考虑的分析方法，而不是一律将观测对象视为逐一配对。\n\n解释模型时，还需注意非线性剂量–反应关系、缺失数据、多重比较以及效应修饰。关联在不同年龄组或其他分层中可能有所不同，而交互作用取决于所采用的尺度。此外，优势比具有不可折叠性：即使不存在混杂，调整后的优势比也可能与未调整的优势比不同。因此，仅凭调整后估计值发生变化，并不能证明所调整的变量就是混杂因素。"
    },
    {
      "heading": "巢式设计与特殊应用",
      "text": "巢式病例对照研究从已经建立的队列中选取病例和对照。在随访过程中识别病例，通常在每例病例发生结局事件时，从当时的风险集中抽取对照。这种方法既保留了队列的时间框架，又避免了对每位参与者都进行成本高昂的测量。例如，一个队列可能保存了数千乃至更多参与者的血液样本，但只对随后发生结局的病例及其抽样对照检测某种费用高昂的生物标志物。\n\n诊断前采集的标本和前瞻性收集的记录，可以减少诊断后回忆所带来的部分问题，但不能消除混杂、随访不完整或原始暴露测量中的误差。风险集匹配也必须符合所要回答的研究问题：按达到年龄或随访时间进行匹配可能有用，但按与暴露密切相关的因素进行匹配，可能会削弱有助于分析的暴露差异。恰当的分析应考虑匹配的风险集和抽样方案。\n\n病例队列研究采用另一种方法：从原始队列中随机选取一个子队列，通常不考虑其未来是否发生结局，同时纳入整个队列中出现的病例。因此，部分病例也属于该子队列。由于同一个子队列可用于分析多种结局，当基线标本稀缺或检测费用高昂时，这种设计颇具吸引力。其事件发生时间分析需要采用适当的加权和方差估计方法，不能直接套用普通匹配病例对照研究的分析方法。\n\n检测阴性设计广泛用于疫苗有效性研究。参与者通常因类似的临床综合征就医，并接受目标病原体检测。检测阳性者为病例，检测阴性者为对照。有效性通常以 \\(100(1-\\mathrm{OR})\\%\\) 表示，其中使用的是经调整的接种优势比。由于两组均曾就医接受检测，这种设计可以减少就医行为方面的差异，但其有效性仍取决于有关检测、疫苗接种、病原体检出以及对照者所患疾病的假设。\n\n病例对照抽样也用于遗传学研究，通过比较患病参与者与对照的等位基因频率开展分析。如果祖源既能预测遗传变异，又能预测疾病发生频率，那么人群祖源就可能混杂这类比较。在诊断试验研究中，选择已明确患病的人作为病例，并选择健康状况特别好的人作为对照，可能人为拉大两组的临床差异，从而夸大表面上的诊断准确性。对此类诊断性病例对照研究的解读，应有别于旨在估计疾病病因的研究，尤其是在研究参与者与该检测实际应用的人群并不相似时。"
    },
    {
      "heading": "结果解读、研究报告与研究治理",
      "text": "病例对照研究中观察到的关联并不必然构成因果关系的证据。如何解读这种关联，取决于暴露是否先于疾病发生、对照能否恰当地代表来源人群、暴露测量是否具有可比性，以及其他解释是否合理。强关联仍可能源于严重的偏倚，而较弱的关联也可能反映真实效应。采用不同招募体系、暴露测量方法和分析方法的研究若能得出一致结果，其参考价值可能高于反复使用同一种易受偏倚影响的设计。\n\n描述比值比时，必须明确抽样设计所支持的目标估计量，不应惯常地将其表述为某种暴露“使风险增至三倍”。当结局并不罕见时，疾病比值比偏离1的程度可能大于相应的相对风险。然而，在发病密度抽样中，相同的数值形式无需依赖罕见病假设，即可估计发病率比。这些区别既影响科学解读，也影响研究结果的传播。\n\n常规病例对照样本不能直接反映人群的发病率或患病率，因为对照人数由研究者决定。样本中病例与对照人数相等，并不意味着来源人群中有一半患有该病。有时可以利用已知的抽样比例、外部疾病发生率或明确定义的基础队列，推算出绝对风险。缺少这些信息时，仅凭病例对照样本无法得出绝对风险差，也无法进行人群层面的预测。\n\n透明的研究报告应说明来源人群、纳入与排除标准、病例确认方法、对照招募方式、匹配方法、索引日期、暴露时间窗及参与情况。报告还应列明各招募阶段的人数，解释缺失数据的情况，并同时报告效应估计值及其不确定性。STROBE声明于2007年首次发表，为包括病例对照研究在内的观察性研究提供报告指南。报告核对清单有助于提高信息披露的完整性，但并不能证明研究不存在偏倚。\n\n伦理治理涉及知情同意、记录关联、留存样本和数据隐私。机构审查委员会或同等职能的委员会负责评估适用的保护措施，包括基于记录开展的研究在何种情况下可以豁免知情同意。即使移除了直接身份标识信息，遗传数据和关联后的健康记录仍可能具有敏感性。因此，研究方案应明确访问控制、允许的用途、关联程序、保存安排以及研究结果的沟通方式。在紧急公共卫生调查中，快速收集数据仍须具有明确的法律与伦理依据，并对可识别个人身份的信息采取与风险相称的保护措施。"
    }
  ],
  "links": [
    "epidemiology",
    "cohort-study",
    "randomized-controlled-trial",
    "lung-cancer",
    "pharmacovigilance",
    "infectious-disease",
    "case-definition",
    "biomarker",
    "selection-bias",
    "confounding",
    "odds-ratio",
    "confidence-interval",
    "logistic-regression",
    "vaccine",
    "genetics",
    "diagnosis",
    "causation",
    "relative-risk",
    "incidence",
    "prevalence",
    "data-privacy",
    "institutional-review-board",
    "public-health"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}