{
  "id": "prevalence",
  "title": "患病率",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "患病率是特定人群在某一时点或某一时期内患有某种疾病、处于某种状态或具有某种特征的比例。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "现患率"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/prevalence/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/prevalence/",
      "json": "https://aiwiki.page/en/prevalence.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "患病率是流行病学中的一项指标，用于描述某种疾病、状态或其他健康相关特征在特定人群中的常见程度。它既包括新发生的病例，也包括此前已存在且符合规定定义的病例。虽然常被称为“患病率”，但它通常是一个比例，而不是以人时为分母的速率。一些报告系统也用“患病情况”指受影响的人数，因此必须区分人数与比例。(cdc.gov)"
    },
    {
      "heading": "定义与计算",
      "text": "对于指定的参照日期，患病率的计算公式为：\n\n\\[P=\\frac{\\text{患有该病或处于该状态的人数}} {\\text{特定人群的总人数}}.\\]\n\n分子所统计的人必须来自分母所代表的人群。患病率可以表示为分数、百分比，也可以表示为每一定规模人口中的人数，例如每千人或每十万人中的人数。人群范围、参照时间和病例识别标准都是这一指标不可缺少的要素。(cdc.gov)\n\n例如，在一个假设的万人群体中，若有500人患病，则患病率为 \\(500/10{,}000=0.05\\)，即5%。同一比例也可表示为每千人中有50人患病。"
    },
    {
      "heading": "主要类型",
      "text": "时点患病率衡量某一特定时点（例如调查当日）患病者所占的比例。\n\n期间患病率衡量在某一指定时间段内任何时候曾患病的人所占的比例。它包括在该时段开始时已经患病的人，以及在该时段内新患病的人。即使一个人多次发病，也只计数一次。对于随时间变化的人群，需要明确分母的选取规则；通常采用平均人口数或该时段中点的人口数。\n\n年度患病率是以一年为观察期的期间患病率。这些指标回答的问题不同：时点患病率描述某一时刻的状况，而期间患病率描述某一时段内有多少人曾经患病。(archive.cdc.gov)\n\n癌症监测中还使用一些专门的定义。完全患病率所统计的是在参照日期仍然存活、且曾被诊断为相应癌症的人。限定病程患病率只统计在参照日期之前某一指定时段内确诊、且在参照日期仍然存活的人。这些指标可以包括已无活动性癌症的生存者，因此并不等同于当前活动性疾病的患病率。(surveillance.cancer.gov)"
    },
    {
      "heading": "与发病率及病程的关系",
      "text": "发病率衡量新发生的病例，而患病率衡量现有病例。发病比例是指最初未患病的人群中，在某一时段内新患病者所占的比例；发病速率则将新发病例数与处于发病风险中的累计时间相联系。因此，患病率并不直接衡量患病风险。(cdc.gov)\n\n患病率既取决于新病例的出现，也取决于人们在所统计的患病状态中停留多久。即使发病率相对较低，较长的病程也可能造成较高的患病率。康复和死亡会使相应个体不再计入活动性疾病的现患病例数，而未康复者生存时间的延长则可能使这一人数增加。因此，仅凭患病率的变化，无法确定发病率是否发生了变化。(archive.cdc.gov)\n\n一个常用的近似关系是：\n\n\\[P\\approx I D,\\]\n\n其中，\\(I\\) 为发病速率，\\(D\\) 为平均病程。这一关系需要满足一定假设，包括发病速率和病程大致稳定；其解释还取决于发病速率分母的定义方式。对于快速变化的人群或疾病过程，它并不是普遍成立的恒等式。这一关系已被用于将患病率调查与发病率估计相联系的统计方法中。(arxiv.org)"
    },
    {
      "heading": "测量与比较",
      "text": "患病率可以根据人群调查、检查、疾病登记和健康记录进行估计。这些数据来源所衡量的内容未必相同。受访者自报的已确诊疾病，可能不同于通过身体测量识别出的疾病；根据健康记录得到的估计值，则可能代表接受医疗服务的人群，而非全体人群。(cdc.gov)\n\n人群调查通常需要使用抽样权重，以校正入选概率不等，以及应答者与目标人群之间的差异。置信区间描述抽样不确定性，其计算必须考虑整群抽样和分层抽样等设计特征。区间较窄，本身并不能排除病例识别或人群覆盖方面的系统性误差。(wwwn.cdc.gov)\n\n比较时可以使用反映人群实际构成的粗患病率，也可以使用按共同年龄分布计算的年龄标化患病率。年龄标化有助于将年龄构成差异的影响，与各年龄组患病率差异的影响区分开来。即使实际疾病频率没有变化，调查方法、抽样覆盖范围或加权方式的变化也可能改变估计值。(cdc.gov)"
    },
    {
      "heading": "用途与解释上的局限",
      "text": "在公共卫生领域，患病率有助于描述现有疾病的负担，并为卫生系统的规划提供依据。例如，癌症患病率能够提供可能需要持续服务的生存者人数信息。但它本身并不能说明疾病的严重程度，也不能说明每个人需要多少医疗照护。(seer.cancer.gov)\n\n患病率还会影响诊断试验结果的解释。根据贝叶斯定理，诊断试验的阳性预测值为：\n\n\\[\\mathrm{PPV} =\\frac{\\mathrm{Se}\\,P} {\\mathrm{Se}\\,P+(1-\\mathrm{Sp})(1-P)},\\]\n\n其中，\\(\\mathrm{Se}\\) 为灵敏度，\\(\\mathrm{Sp}\\) 为特异度。在灵敏度和特异度保持不变的情况下，患病率越低，阳性结果中真阳性所占的比例就越低。这是人群层面的关系，而非针对个体的评估。(arxiv.org)\n\n患病率估计始终取决于其操作性定义。回忆误差、诊断阈值差异以及不够准确的检测，都可能改变测得的比例。因此，解读报告时必须结合病例标准、数据来源、人群覆盖范围和不确定性，而不能只看数值本身。(cdc.gov)"
    }
  ],
  "links": [
    "epidemiology",
    "disease",
    "cancer",
    "diagnosis",
    "incidence",
    "confidence-interval",
    "public-health",
    "health-system",
    "bayes-theorem"
  ],
  "sources": [
    {
      "title": "Epidemiology Glossary",
      "url": "https://www.cdc.gov/reproductive-health/glossary/index.html"
    },
    {
      "title": "Describing Epidemiologic Data",
      "url": "https://www.cdc.gov/field-epi-manual/php/chapters/describing-epi-data.html"
    },
    {
      "title": "Principles of Epidemiology: Lesson 3, Section 2",
      "url": "https://archive.cdc.gov/www_cdc_gov/csels/dsepd/ss1978/lesson3/section2.html"
    },
    {
      "title": "Cancer Prevalence",
      "url": "https://www.cdc.gov/united-states-cancer-statistics/technical-notes/cancer-prevalence.html"
    },
    {
      "title": "Measures of Cancer Prevalence",
      "url": "https://surveillance.cancer.gov/prevalence/measures.html"
    },
    {
      "title": "Incidence — Health, United States",
      "url": "https://www.cdc.gov/nchs/hus/sources-definitions/incidence.htm"
    },
    {
      "title": "On the incidence-prevalence relation and length-biased sampling",
      "url": "https://arxiv.org/abs/0808.1226"
    },
    {
      "title": "Prevalence to incidence",
      "url": "https://cdn.who.int/media/docs/default-source/hq-tuberculosis/global-task-force-on-tb-impact-measurement/meetings/2014-06/presentations/4_prevalence_to_incidence.pdf?sfvrsn=40247b1e_7"
    },
    {
      "title": "Comparing Prevalence Estimates From Population-Based Surveys to Inform Surveillance Using Electronic Health Records",
      "url": "https://www.cdc.gov/pcd/issues/2017/16_0516.htm"
    },
    {
      "title": "NHANES Tutorials — Reliability of Estimates Module",
      "url": "https://wwwn.cdc.gov/nchs/nhanes/tutorials/reliabilityofestimates.aspx"
    },
    {
      "title": "NHANES Tutorials — Weighting Module",
      "url": "https://wwwn.cdc.gov/nchs/nhanes/tutorials/weighting.aspx?trk=public_post_comment-text"
    },
    {
      "title": "Confidence Intervals for Prevalence Estimates from Complex Surveys with Imperfect Assays",
      "url": "https://arxiv.org/abs/2205.13494"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}