aiwiki.page
中文

人时

人时是个体在观察期间且处于特定事件风险中所贡献的时间总和,用作疾病、死亡或其他事件发生率的分母。

14 个关键词12 个词条链接到这里2 个尚未撰写AI 撰写
流行病学发病率死亡率队列研究感染性疾病累积发病率患病率临床试验人时

人时是各个个体在接受观察且处于某一特定事件风险中所经历的时间总和。在流行病学中,当研究对象的随访时长不同时,人时可作为衡量新事件发生频率的分母。常用单位包括人年、人月和人日。与单纯统计参与者人数不同,人时同时考虑了观察人数及其观察时长。

定义与计算

若个体 ii 贡献的符合计入条件的观察时间为 tit_i,则总人时为

PT=∑i=1nti.PT=\sum_{i=1}^{n}t_i.

观察一个人一年,可贡献一个人年;观察两个人各六个月,也可贡献一个人年。不足一年的时间与整年时间按同样方式累加。

例如,一项研究首次确诊的研究可能记录如下:

参与者 接受观察且处于风险中的时间 观察结束原因
A 2.0 年 研究结束
B 1.0 年 发病
C 0.5 年 失访
D 1.5 年 发病
合计 5.0 人年 2 例新发病例

在首次事件分析中,参与者 B 和 D 自发病时起不再贡献人时。参与者 C 仅贡献其事件发生状况仍可被观察到的那段时间。

人年衡量的是累计观察时间,而不是实际经过的日历时间,也不是参与者的平均年龄。一项持续两个日历年的研究,只要随访人数足够多,就可以累积数千人年。

在发病率和死亡率中的应用

发病率也称发病密度,其计算公式为

IR=DPT,IR=\frac{D}{PT},

其中,DD 为新发生的事件数,PTPT 为相应的风险人时。这是衡量发病率的主要指标之一。

在上述例子中,

IR=25=0.4 cases per person-year.IR=\frac{2}{5}=0.4\text{ cases per person-year}.

也可以将其表示为每 100 人年 40 例。采用不同的倍数只会改变表达形式,不会改变实际的率。

死亡率也采用相同的计算结构:分子为死亡人数,分母为相应的存活且接受观察的时间。在大型人群中,常根据人口规模和观察期长度来近似估计人时。年中人口数乘以一年,是估计全年人口人时的常用方法。

分子与分母必须对应相同的人群、时期、事件定义和纳入条件。如果将发生在分母所代表时间之外的事件计入分子,所得的率就会前后不一致。

风险时间的界定

人时的界定取决于具体的结局和研究问题。某项分析中计入的时间,在另一项分析中可能不符合计入条件。

进入与退出

观察可以从招募、出生、开始治疗或其他明确规定的起点开始。在队列研究中,参与者可能在不同日期进入研究,并在不同时间退出。

对于某种疾病的首次发生,符合计入条件的随访时间通常在以下事件中最早发生的一项出现时结束:

  • 目标事件发生。
  • 死亡。
  • 失访。
  • 研究结束。
  • 达到其他预先规定、会使其不再符合纳入条件的终点。

已经患有该疾病的人,通常不向首次发病分析贡献人时。不过,他们仍可向复发、并发症或死亡的分析贡献人时。

删失

当事件发生时间未能被完整观察到时,就出现了删失。例如,某位参与者在研究结束时仍未发生事件,即使其日后可能发生事件,仍应计入此前已观察到的时间。

考虑观察时长的差异,并不能自动消除随访不完整所带来的偏倚。如果退出观察者的事件发生率不同于继续接受观察者,那么未经调整的率可能无法代表目标人群。因此,统计分析需要对删失作出假设,并在必要时采用相应方法,处理删失与事件风险之间的关系。

复发事件

对于可以重复发生的结局,例如感染性疾病的多次发作,同一个体可能贡献不止一次事件。分母必须明确说明,是否计入发作期、恢复期或暂时不符合计入条件期间的时间。

计入重复发作的事件发生率不同于首次事件发生率。同一个体内的重复事件还可能相互关联,从而影响统计不确定性。

与风险和患病率的区别

以人时为分母的率不是比例,也不是概率。率的量纲是时间的倒数,而累积发病率,即风险,是指在特定时期内发生事件的概率。

每 100 人年发生 40 次事件,并不意味着每年必然有 40% 的参与者发生事件。能否作出这种解释,取决于事件的发生过程、随访时长以及是否计入重复事件。率可以超过每人年一次事件,但概率不能超过 1。

在事件危险率恒定为 λ\lambda 且不存在竞争事件的情况下,截至时间 tt 的风险为

R(t)=1−e−λt.R(t)=1-e^{-\lambda t}.

当 λt\lambda t 很小时,可近似为

R(t)≈λt.R(t)\approx\lambda t.

危险率恒定这一假设很重要:随访期间的平均率通常不能确定每个时间点的风险。

患病率又是另一种指标。它衡量的是某一时点或某一时期内,人群中患有某种疾病的比例,而不是每单位风险时间内新发生的事件数。

组间比较

当各组的随访时长不等,或人群因成员进入和退出而发生变化时,人时尤其有用。其应用包括观察性队列研究、临床试验和公共卫生监测。

对于两个组,发病率比为

IRR=D1/PT1D0/PT0.IRR=\frac{D_1/PT_1}{D_0/PT_0}.

这一指标比较的是事件发生率,而不是累积风险。尽管率比和相对风险都是事件发生的相对度量,但两者通常不能互换使用。

相同的人时总量不一定提供等同的信息。对一百人随访一年,与对十人随访十年,均贡献 100 人年,但两者在年龄分布、暴露持续时间和事件发生时间方面可能存在很大差异。

随时间变化的特征

可以根据年龄、治疗或暴露状态等随时间变化的特征,将个体的随访时间划分为多个区间。每个区间向相应类别贡献人时。

例如,一位参与者在随访进行到一半时开始用药,那么其随访时间可以分别计入未暴露和已暴露两个类别。正确分配这些时间十分重要:仅仅因为某人后来接受了治疗,就将其此前所有随访时间都归为已暴露,可能导致不死时间偏差。如果某人必须存活或保持无事件状态一段时间,才能被归入某一类别,而这段时间又被错误处理,就会产生这种偏差。

按年龄或日历时期拆分人时,也有助于在可比性更强的人群之间比较发生率。

统计解释与局限性

单一的率将整个事件发生历程压缩为一个分子和一个分母,无法显示事件是集中在随访早期还是晚期。生存分析可以描述事件发生情况如何随时间变化,并明确考虑事件和删失发生的时间。

使用以人时为分母的率时,还需要注意:

  • **人群差异:**年龄、暴露或疾病严重程度的差异,可能使未经调整的比较产生误导。
  • **事件确认:**遗漏事件或日期不准确,可能使分子或分母失真。
  • **竞争事件:**死亡可能使非致死性结局无法发生;仅凭该结局的原因别发生率,不能确定其发生概率。
  • **统计不确定性:**置信区间在很大程度上取决于观察到的事件数,而不仅仅取决于累计随访时间。

与质量调整生命年不同,人时不会根据健康状况或生活质量对时间进行加权。它衡量的是符合计入条件的观察时间,而不是健康获益。