{
  "id": "cumulative-incidence",
  "title": "累积发病率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "累积发病率指起初尚未发生某事件的人在规定时期内发生该事件的概率。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "累积发生率",
    "累积风险",
    "发病风险",
    "发病比例"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cumulative-incidence/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cumulative-incidence/",
      "json": "https://aiwiki.page/en/cumulative-incidence.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "累积发病率指在规定时期内，起初处于风险中的人群发生某种特定疾病或其他明确事件的比例。在流行病学中，它表示在这一时期内成为新病例的概率，通常称为风险。尽管名称中含有“发病率”，累积发病率实际上是一个比例，而不是以人时为基础计算的速率。解释这一指标时，必须明确研究人群、结局、起始时间和随访期限。"
    },
    {
      "heading": "定义与计算",
      "text": "对于一个封闭人群，如果在规定时期内所有人的结局均已查明，累积发病率可计算为：\n\n\\[\\widehat{CI}(t)=\\frac{D(t)}{N_0},\\]\n\n其中，\\(D(t)\\) 为截至时间 \\(t\\) 发生该结局的人数，\\(N_0\\) 为起初尚未发生该结局且有可能发生该结局的人数。符号上方的帽号表示这是根据观测数据得出的估计值。\n\n例如，对 1,000 名起初未患某病的人随访五年，其中 50 人发病，则估计的五年累积发病率为：\n\n\\[\\widehat{CI}(5)=\\frac{50}{1000}=0.05=5\\%.\\]\n\n也可表述为：五年内，每 1,000 名起初处于风险中的人中有 50 人发病。这并不意味着每年每 100 人中有 5 人发病。\n\n累积发病率的取值范围为 0 至 1，即 0% 至 100%。对于同一人群和同一结局，其真实的累积发生概率不会随着随访时限延长而降低。来自不同人群或研究样本的独立估计值则不一定呈现这种顺序关系。\n\n界定人群与事件\n\n分母不包括基线时已经发生该结局的人。是否符合纳入条件，还可能取决于一个人是否有可能发生该事件。例如，分析首次事件时，应排除已经发生过该事件的人。\n\n分子统计的是发生指定事件的人数，而不是事件发生的总次数。当结局定义为至少发生一次事件时，即使一个人反复发生多次，也只计为一人。分析复发事件需要另行明确分析对象和定义。\n\n采用一致的病例定义至关重要。测量的结局可以是疾病起病、首次诊断、住院或其他临床终点。这些结局不能相互替代：诊断可能晚于疾病在生物学意义上的起病时间，而检出方式的变化也可能改变测得的发病率。"
    },
    {
      "heading": "与相关指标的区别",
      "text": "发病密度\n\n发病率是一个较宽泛的概念，既包括累积发病率，也包括发病密度。发病密度以新发生事件数除以累计的在险人时：\n\n\\[IR=\\frac{D}{\\text{total person-time at risk}}.\\]\n\n发病密度具有单位，例如例/人年。累积发病率则没有量纲，但必须始终注明其对应的时间范围。\n\n当不存在竞争事件，且事件的风险率恒定为 \\(\\lambda\\) 时，时间 \\(t\\) 内的风险为：\n\n\\[CI(t)=1-e^{-\\lambda t}.\\]\n\n当 \\(\\lambda t\\) 很小时，该值近似为 \\(\\lambda t\\)。因此，用速率乘以时间来计算风险只是一种近似，而非普遍成立的恒等关系；当所得风险较大时，这种近似就会变得不准确。\n\n患病率\n\n患病率描述某一特定时点或特定时期内，人群中患有某种疾病的比例，其中包括既有病例。累积发病率则关注起初未患该病的人群中新发生的病例。\n\n患病率不仅取决于新病例的发生，还取决于病程、康复、生存和人口流动等因素。一般不能用它替代累积发病率。\n\n风险率\n\n风险率描述的是在某一时刻之前仍未发生事件的人群中，该事件在该时刻发生的瞬时速率。它不是一个有限时间区间内的概率。因此，风险比通常不等于相对风险，而且仅凭其中任何一个指标，都无法确定绝对的累积发病率。"
    },
    {
      "heading": "随访不完整与生存分析",
      "text": "当参与者的随访时长不同，或在选定的随访时限之前其结局已无法获知时，简单地按病例数计算就不够了。\n\n生存分析可以处理事件发生时间数据和删失。右删失是指已知某位参与者截至某一时间尚未发生事件，但未能观测到其后的事件发生情况。\n\n在不存在竞争事件时，可利用 Kaplan–Meier 估计量估计累积发病率：\n\n\\[\\widehat{CI}(t)=1-\\widehat{S}(t),\\]\n\n其中，\\(\\widehat{S}(t)\\) 估计的是在时间 \\(t\\) 之后仍未发生事件的概率。\n\n这种方法依赖于有关删失的适当假设，尤其要求删失对事件发生过程是非信息性的；这一要求也可以是在给定已测量特征的条件下成立。如果参与者退出随访的原因与其未来发生事件的风险有关，未经调整的估计值就可能存在偏倚。研究按计划结束和失访都会造成删失，但二者对这一假设的影响可能不同。"
    },
    {
      "heading": "竞争风险",
      "text": "竞争风险中的竞争事件会阻止所关注的事件在此后发生。例如，在首次确诊前死亡，会使该人不可能在之后获得这一诊断。\n\n在这种情况下，原因别累积发生函数为：\n\n\\[F_k(t)=P(T\\leq t,\\ J=k),\\]\n\n其中，\\(T\\) 为首次事件的发生时间，\\(J\\) 表示事件类型。这一函数表示在存在竞争事件的情况下，截至时间 \\(t\\) 发生类型 \\(k\\) 事件的概率。\n\n它与原因别风险率之间的关系为：\n\n\\[F_k(t)=\\int_0^t S(u-)\\lambda_k(u)\\,du,\\]\n\n其中，\\(S(u-)\\) 为紧邻时间 \\(u\\) 之前仍未发生任何类型事件的概率，\\(\\lambda_k(u)\\) 为类型 \\(k\\) 事件的风险率。\n\nAalen–Johansen 估计量是估计这一概率的标准非参数估计量。在存在竞争事件时，将竞争事件视为普通删失，并用 1 减去 Kaplan–Meier 生存概率估计值，通常会高估所关注事件的发生概率。这种做法实际上是在假定可从生存计算中移除竞争事件的条件下，估计另一个不同的量。\n\n对于死亡可能阻止研究结局发生的长期研究，这一区别尤其重要。"
    },
    {
      "heading": "用途与解释",
      "text": "累积发病率广泛用于队列研究和随机对照试验的结果报告。对于相同时间区间内测得的风险，可以使用相对风险或风险差进行比较。后者表示组间事件发生概率的绝对差异。\n\n在感染性疾病暴发调查中，罹患率虽然名称中有“率”，通常指的却是暴发期间的发病比例。\n\n解释累积发病率时，需要考虑以下几个方面：\n\n- **时间范围：**一年风险与十年风险是不同的量。\n- **人群：**年龄、基线健康状况、暴露模式和纳入标准都会影响风险估计值。\n- **结局查明：**诊断方式、检测频率和病例定义会影响哪些事件能被检出。\n- **随访：**如果未得到妥善处理，观测不完整可能使估计产生偏倚。\n- **竞争事件：**竞争事件的发生频率会影响观察到所关注事件的概率。\n- **统计不确定性：**事件数较少或随访时间有限时，估计值可能不够精确。\n\n年龄结构不同的人群，其粗累积发病率可能无法直接比较；年龄标准化有助于进行特定比较。此外，仅凭观察到的累积发病率差异，并不能确立因果关系。"
    }
  ],
  "links": [
    "epidemiology",
    "probability",
    "case-definition",
    "diagnosis",
    "clinical-endpoint",
    "incidence",
    "person-time",
    "prevalence",
    "relative-risk",
    "kaplan-meier-estimator",
    "cohort-study",
    "randomized-controlled-trial",
    "infectious-disease",
    "age-standardization",
    "causation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}