{
  "id": "case-fatality-ratio",
  "title": "病死率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "病死率是指在规定观察期内，患有某一明确界定的疾病者因该病死亡的比例。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "病死比例",
    "病例死亡比例",
    "病例死亡率",
    "CFR"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/case-fatality-ratio/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/case-fatality-ratio/",
      "json": "https://aiwiki.page/en/case-fatality-ratio.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "**病死率（case-fatality ratio，CFR）**是指在规定观察期内，患有某一明确界定的疾病者因该病死亡的比例。在流行病学中，病死率用于描述已识别病例中的疾病严重程度。虽然通常称为“病死率”，但它实际上是一个比例，而非按单位时间计算的率。对病死率的解读取决于病例和死亡的定义、纳入了哪些患者，以及对患者结局的观察是否足够充分。"
    },
    {
      "heading": "定义与计算",
      "text": "对于一组明确界定的病例，病死率的计算公式为：\n\n\\[\\mathrm{CFR} = \\frac{\\text{Deaths attributable to the disease among those cases}} {\\text{Total number of cases in the group}} \\times 100\\%.\\]\n\n例如，若有500人符合某一规定的病例定义，经过充分随访，其中20人因该病死亡，则观察到的病死率为 \\(20/500 = 4\\%\\)。这只是一个假设性的计算示例，并非对某种具体疾病的估计。\n\n分子中的死亡人数必须来自分母所代表的人群。将某一日历时段内记录的死亡人数除以同一时段内确诊的病例数，并不一定满足这一条件：部分死者可能在更早之前就已确诊，而一些新近确诊的病例则可能在之后死亡。\n\n病例定义可以涵盖实验室确诊病例、临床诊断病例，或符合规定标准的疑似病例。因此，“确诊病例中的病死率”与“所有临床识别病例中的病死率”所估计的未必是同一个量。\n\n观察期同样重要。即使针对同一种疾病，住院期间病死率、28天病死率，以及观察至急性病程结束时的病死率，也可能有所不同。有些研究报告的是病例在规定时间段内的全因死亡，而不是明确归因于该病的死亡；必须明确区分这两种结局指标。"
    },
    {
      "heading": "与相关指标的区别",
      "text": "死亡率\n\n死亡率衡量一段时间内某个人群中的死亡情况，通常以人口数或累计人时为分母。病死率则以患有该病的人为分母。\n\n因此，一种疾病即使病死率很高，若其十分罕见，在整个人群中造成的死亡人数仍可能相对较少。反之，一种病死率较低的常见疾病也可能造成大量死亡。人群死亡水平既取决于疾病的发生情况，也取决于病例中的死亡比例。\n\n感染死亡比例\n\n感染死亡比例（IFR）以所有感染者为分母，包括无症状感染者和从未得到诊断的感染者。病死率通常以依据临床或监测定义识别出的病例为分母。\n\n对于感染性疾病，如果许多轻症或无症状感染者未被计入病例总数，观察到的病死率就可能高于感染死亡比例。不过，两者之间并不存在固定关系：死亡查明不全、研究人群不同以及观察期不匹配等因素，也会影响估计结果。估计感染死亡比例，需要掌握常规诊断病例之外的感染情况。\n\n发病率与患病率\n\n发病率描述新病例的发生情况，而患病率描述某一时点或某一时期内人群中患有某种疾病或健康状况者所占的比例。两者都不直接衡量病例的死亡概率。\n\n病死率是对这些指标的补充，但不能替代它们。仅凭病死率，无法判断一种疾病的传播范围有多广，也无法判断它在人群中造成了多大的疾病负担。"
    },
    {
      "heading": "疫情暴发期间的估计",
      "text": "在疫情持续暴发期间，报告死亡人数和报告病例数都在不断变化。简单的累计计算，即：\n\n\\[\\frac{\\text{Deaths reported to date}} {\\text{Cases reported to date}},\\]\n\n通常被称为粗病死率或报告病死率。它未必能够可靠地估计最终的死亡比例。\n\n病例识别与死亡之间的时间延迟\n\n如果发生死亡，通常是在发病或诊断一段时间之后。因此，新近报告病例的结局尚未确定。在疫情快速增长阶段，将大量此类病例纳入分母，可能使粗病死率低于这些病例最终的死亡比例。\n\n另一种相关算法仅使用已报告且结局已明确的病例：\n\n\\[\\frac{\\text{Deaths}} {\\text{Deaths}+\\text{Recoveries}}.\\]\n\n这种算法并不必然无偏。康复与死亡所需的时间可能不同，康复可能缺乏一致的定义，而且康复记录的完整程度可能低于死亡记录。\n\n更有参考价值的估计方法包括：对一组明确界定的病例持续随访，直至其结局明确；或使用能够考虑结局时间延迟的统计方法。生存分析可以处理随访不完整的情况，但其有效性取决于有关删失、结局查明和竞争事件的假设。\n\n病例与死亡发现不全\n\n公共卫生监测未必能发现所有病例。如果重症病例更容易接受检测或被报告，观察到的分母中重症所占比例就会偏高，从而使估计病死率可能高于按更宽泛定义纳入全部病例时的病死率。\n\n死亡也可能漏报、迟报，或采用不一致的分类方式。检测可及性、报告做法和死亡证明签发方式的变化，都可能改变观察到的病死率，而疾病本身的生物学严重程度并未发生相应变化。"
    },
    {
      "heading": "影响比较的因素",
      "text": "病死率并不是病原体或疾病恒定不变的属性。它既反映疾病本身，也反映测量结局时所涉及的人群和环境。\n\n重要影响因素包括：\n\n- **患者特征：**年龄、基础疾病、免疫状态和既往免疫力。\n- **疾病特征：**临床类型、诊断时的疾病阶段，以及在适用情况下的病原体变异株。\n- **诊疗场所：**社区病例、住院患者和重症监护患者代表着不同的疾病严重程度。\n- **医疗服务可及性：**治疗是否可获得、就医是否及时，以及卫生系统的服务能力。\n- **测量做法：**病例定义、检测策略、随访时长和死亡归因规则。\n\n例如，基于医院病例计算的病死率通常描述的是经过筛选的患者群体，而非所有患有该病的人。不同地区或时期之间的比较，也可能因年龄分布差异而失真。分层和年龄标准化可以提高可比性，但无法消除所有偏倚来源。"
    },
    {
      "heading": "用途与局限",
      "text": "病死率通过描述已识别病例中的死亡结局，为公共卫生评估提供依据。它有助于描述疫情暴发的特征、识别结局不同的人群，以及监测疾病严重程度或临床诊疗的变化。\n\n然而，仅凭观察到的病死率变化，并不能确定结局为何发生改变。病死率下降可能反映了治疗更有效、更多轻症病例被发现、病例人群更加年轻，也可能是多种因素共同作用的结果。若要通过比较来评价治疗效果，就需要采用能够处理治疗组与未治疗组之间差异的研究设计；简单比较病死率并不能确立因果关系。\n\n病死率估计也存在统计不确定性，尤其是在病例数或死亡人数较少时。在一个小群体中未观察到死亡，并不能证明其真实病死风险为零。置信区间可以表达抽样不确定性，但其本身无法涵盖漏诊病例、随访不完整或死亡分类错误所造成的系统误差。\n\n清晰报告病死率时，应说明病例定义、研究人群、诊疗环境、观察期、死亡结局指标、病例数与死亡人数，以及估计方法。病死率描述的是某一明确界定群体的平均结局，而不是对个体患者预后的精确预测。"
    }
  ],
  "links": [
    "disease",
    "epidemiology",
    "case-definition",
    "mortality-rate",
    "person-time",
    "infectious-disease",
    "incidence",
    "prevalence",
    "diagnosis",
    "public-health-surveillance",
    "health-system",
    "age-standardization",
    "public-health",
    "causation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}