{
  "id": "excess-mortality",
  "title": "超额死亡",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "超额死亡是特定时期内某一人群的实际死亡人数与按既定基线估计的预期死亡人数之差。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "超额死亡数"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/excess-mortality/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/excess-mortality/",
      "json": "https://aiwiki.page/en/excess-mortality.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "超额死亡是指特定时期内某一人群的实际死亡人数与按既定基线估计的预期死亡人数之差。通常以全死因死亡人数衡量，也可以针对特定死因或人群计算。它用于流行病学和公共卫生领域，有助于描述传染病流行、极端气温和灾害等事件对死亡情况的影响。这是一个人群层面的统计指标：它不能确定哪些个体的死亡属于“超额”死亡，其解读也取决于预期死亡人数的估计方法。"
    },
    {
      "heading": "定义与衡量指标",
      "text": "对于时期 \\(t\\)，超额死亡数可表示为：\n\n\\[X_t = O_t - E_t,\\]\n\n其中，\\(O_t\\) 为实际死亡人数，\\(E_t\\) 为预期死亡人数。\n\n正值表示死亡人数高于预期。负值表示死亡人数低于预期，有时称为死亡缺额。两者都有实际意义，不应自动将负值替换为零。\n\n几种相关指标分别回答不同的问题：\n\n- **超额死亡数：**实际死亡人数与预期死亡人数之差，以人数表示。\n- **超额死亡百分比：**将这一差值表示为预期死亡人数的百分比，常称为 P 分数。\n- **超额死亡率：**超额死亡数除以相应的人口数或人时，通常以每十万人或每十万人年表示。\n- **标准化超额死亡指标：**对年龄等特征进行调整后的比较指标，使不同人群之间的评估更具可比性。\n\n超额死亡百分比的计算公式为：\n\n\\[P_t = \\frac{O_t-E_t}{E_t}\\times100\\%,\\]\n\n前提是 \\(E_t>0\\)。\n\n例如，某人群的预期死亡人数为10,000人，实际死亡人数为12,000人，则超额死亡为2,000人，即20%。这并不意味着该人群中有20%的人死亡；这里的分母是预期死亡人数，而不是人口总数。\n\n死亡率衡量死亡在人群中发生的频率，而超额死亡衡量的是死亡情况偏离预期水平的程度。一个人群即使死亡率很高，只要接近其基线水平，超额死亡也可能很少。"
    },
    {
      "heading": "预期死亡人数的估计",
      "text": "研究期间的预期死亡人数无法直接观测。它是对基线所代表的条件下本应发生多少死亡的估计。因此，基线的选择决定了比较的参照。\n\n历史平均值\n\n一种简单方法是采用往年相应周或月份死亡人数的平均值。按日历时段匹配，有助于考虑反复出现的季节性规律，例如许多温带地区冬季死亡人数较多。\n\n历史平均值相对直观，但如果人口规模、年龄结构或基本死亡模式发生变化，就可能产生误导。如果参照期内包含异常严重的传染病流行或热浪，预期死亡人数可能被抬高，从而使估计的超额死亡数降低。\n\n统计模型\n\n更细致的模型可以考虑：\n\n- 死亡情况的长期趋势。\n- 季节性和日历规律。\n- 人口增长或减少。\n- 年龄与性别构成的变化。\n- 历史数据中的异常观测值。\n- 与具体研究问题有关的其他变量。\n\n模型可以直接估计死亡人数，也可以估计年龄别死亡率及年龄标准化指标。例如，将基线年龄别死亡率应用于研究期间的人口，即可得出预期死亡人数：\n\n\\[E_t = \\sum_a r^{\\mathrm{base}}_{a,t}N_{a,t},\\]\n\n其中，\\(r^{\\mathrm{base}}_{a,t}\\) 为年龄组 \\(a\\) 的预期死亡率，\\(N_{a,t}\\) 为该年龄组的人口数或人口暴露量。\n\n年龄调整十分重要，因为即使各年龄组的死亡率保持不变或有所下降，人口老龄化仍可能导致死亡人数增加。\n\n没有任何一种基线适用于所有目的。用于识别短期异常死亡情况的模型，可能不同于用于估计长期危机累积影响的模型。模型纳入的变量也会改变其含义：例如，在估计传染病流行的影响时，调整气温因素可能有帮助；但在估计高温本身相关的死亡人数时，这样做就可能不合适。"
    },
    {
      "heading": "不确定性与监测阈值",
      "text": "超额死亡估计的不确定性既来自死亡数据，也来自预期基线。历史死亡情况存在波动，模型参数需要估计，近期死亡人数也可能尚未统计完整。\n\n因此，结果可以附带不确定性区间。预期均值的区间不同于未来实际死亡人数的预测区间：后者还纳入了围绕均值的正常波动。\n\n在公共卫生监测中，系统可能仅在实际死亡人数超过某个统计上限阈值时才发出警报。这类阈值有助于区分异常死亡情况与常规波动，但不一定等同于预期基线。\n\n因此，“高于预期均值的死亡人数”与“高于监测阈值的死亡人数”可能得出不同的数值。估计值大于零，本身并不能证明死亡情况在统计学上异常。"
    },
    {
      "heading": "数据要求",
      "text": "估计全死因超额死亡，主要需要死亡人数数据，以及依据充分的预期死亡估计。计算死亡率和进行人口学调整时，还需要人口分母数据。\n\n死亡登记系统是主要数据来源。死亡证明记录个体死亡的相关信息，登记系统则汇总这些死亡事件。与特定死因分析相比，全死因分析较少受到根本死因判定方式差异的影响。但它并不能消除登记不完整带来的问题。\n\n重要的数据问题包括：\n\n- **登记延迟：**死亡发生数天或数周后，才可能录入数据库。\n- **死亡发生日期与登记日期：**一例死亡可能计入其发生当周，也可能计入登记当周。\n- **登记完整性的变化：**登记工作的改善或中断，可能呈现出类似死亡情况变化的表象。\n- **人口覆盖范围：**数据可能涵盖居民、某一地域内发生的死亡，或仅涵盖特定地区。\n- **数据修订：**随着记录的补充或更正，初步统计人数可能发生变化。\n\n短期估计可以通过统计方法调整报告延迟的影响。在登记不完整的地区，可能需要进一步建模，并相应考虑其不确定性。没有记录到超额死亡，并不一定证明死亡人数未曾增加。"
    },
    {
      "heading": "应用",
      "text": "传染病流行与大流行\n\n当特定疾病的死亡人数受到检测可及性、诊断方式或死因认定规则影响时，超额死亡是一项有用的指标。在COVID-19大流行期间，它成为衡量死亡影响的重要补充指标。\n\n全死因超额死亡可能包括由2019冠状病毒病直接导致的死亡、与医疗服务中断或其他间接影响有关的死亡，以及无关死因所致死亡人数的变化。反过来，某些死因的死亡人数减少，也可能抵消其他死因的死亡人数增加。\n\n因此，超额死亡不能与被认定为某种感染所致的死亡人数等同使用。它可能高于，也可能低于这一人数。\n\n环境事件与灾害\n\n超额死亡可用于研究热浪、寒潮、空气污染事件和灾害期间的死亡情况。它能够反映一些未被一致记录为死亡证明上根本死因的影响。\n\n时间窗口的选择很重要。有些影响迅速出现，另一些则延迟显现。过窄的窗口可能遗漏后续死亡；过宽的窗口则可能纳入其他事件，使归因更加复杂。\n\n卫生系统服务中断与不平等\n\n超额死亡可以反映卫生系统服务中断在人群层面造成的后果。按年龄、性别、地点或社会经济状况开展分析，可以揭示全国总数所掩盖的差异模式。\n\n这类比较与健康的社会决定因素和健康公平研究有所交叉。解读时，需要注意基线健康状况、人口结构、暴露情况、登记质量和人口估计方面的差异。"
    },
    {
      "heading": "解读与局限",
      "text": "超额死亡不能确立死因\n\n死亡人数超过基线，只能表明存在差异，不能说明其产生机制。确立因果关系需要其他证据，例如特定死因记录、暴露数据、时间变化模式以及适当的对照人群。\n\n仅凭全死因超额死亡估计，无法确定有多少死亡是由某一特定政策、治疗、感染或环境暴露造成的。同时发生的多个事件，可能共同促成同一次观测到的死亡人数上升。\n\n死亡位移\n\n有些事件会使原本就有较高近期死亡风险的人提前死亡。死亡高峰之后，死亡人数可能低于预期，这种模式称为死亡位移。\n\n因此，累积超额死亡估计可能随随访期的长短而变化。死亡位移并不意味着最初的死亡无关紧要，也不能假定此后的每一次死亡缺额都能由它解释。\n\n净效应与汇总\n\n全死因超额死亡是一个净值指标。某一死因导致的死亡人数增加，可能被另一死因导致的死亡人数减少部分抵消。因此，总体超额死亡较少，也可能伴随着特定死因或人群死亡情况的显著变化。\n\n多个时期的累积超额死亡为：\n\n\\[X_{\\mathrm{total}}=\\sum_t(O_t-E_t).\\]\n\n只累加正值时期的结果，与净累积超额死亡是不同的指标，因为前者排除了死亡缺额。\n\n可比性\n\n跨国家或地区比较，需要采用一致的参照期、时间窗口、人口学调整方法和数据定义。绝对人数主要反映规模；超额死亡百分比反映各人群偏离自身基线的程度；标准化死亡率则用于处理人口结构差异。这些指标得出的排序不一定相同。\n\n超额死亡也不同于预期寿命的变化。超额死亡数对每一例死亡赋予相同权重，而预期寿命则根据年龄别死亡率计算。寿命损失年数等指标衡量的是另一个维度：死亡发生得有多早。\n\n因此，一项表述清晰的估计，应明确说明其研究人群、观测期、基线年份、建模方法、人口变化的处理方式、数据完整性以及不确定性。"
    }
  ],
  "links": [
    "epidemiology",
    "public-health",
    "person-time",
    "mortality-rate",
    "age-standardization",
    "public-health-surveillance",
    "death-certificate",
    "underlying-cause-of-death",
    "pandemic",
    "covid-19",
    "health-system",
    "social-determinants-of-health",
    "health-equity",
    "causation",
    "life-expectancy"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}