医学流行病学答辩合成控制教学课件.pptxVIP

一、前言演讲人

医学流行病学答辩合成控制教学课件

01前言

前言作为在临床流行病学领域摸爬滚打十余年的护理研究者，我始终记得第一次被“干预效果评估”难住的场景。那是2019年，我参与某社区“高血压综合管理项目”的效果评价——项目覆盖了3个街道，却因伦理限制无法设置随机对照；用传统回归模型调整混杂因素时，数据残差像脱缰的野马，结果可信度大打折扣。那时我就在想：有没有一种方法，能在非随机干预中“造”出一个最接近的对照组？后来接触到“合成控制法”（SyntheticControlMethod），才发现这正是流行病学中“反事实推断”的利器。

这些年，从控烟政策效果评价到新冠疫苗接种覆盖率干预研究，合成控制法已逐渐成为我们团队处理“单组干预、无平行对照”类问题的核心工具。今天，我想以去年主导的“某县农村地区糖尿病规范管理项目”为例，从护理视角出发，和大家分享合成控制法在流行病学实践中的应用逻辑与操作细节——毕竟，医学研究的温度，终究要落在对个体健康的精准干预上。

02病例介绍（研究背景与干预概况）

病例介绍（研究背景与干预概况）故事要从2022年初说起。我们接到某县卫健委委托：该县下辖的A镇自2021年1月起开展“糖尿病规范管理升级项目”（以下简称“项目”），覆盖全镇12个村的1200名糖尿病患者，核心干预包括：①家庭医生每周1次电话随访（原每月1次）；②每季度组织1次“饮食-运动-用药”三位一体健康课堂；③为患者配备智能血糖仪，数据实时同步至家庭医生端。

但问题在于：项目实施前，A镇的糖尿病管理基础（如患者文化程度、家庭医生配置、医疗资源）与周边乡镇存在显著差异——直接与其他乡镇对比，结果可能被“基线不平衡”干扰。而当地仅A镇有条件开展该项目，无法设置随机对照。这时候，我们需要回答的核心问题是：项目实施后，A镇糖尿病患者的规范管理率（空腹血糖达标率、糖化血红蛋白检测率、并发症筛查率）提升，究竟是项目的效果，还是其他自然趋势的结果？

病例介绍（研究背景与干预概况）这正是合成控制法的“用武之地”。简单来说，它通过数学方法，从多个未干预的“候选对照乡镇”中，选取一组权重，使得这些乡镇的“加权组合”在项目实施前与A镇的各项指标（如基线规范管理率、人口老龄化程度、人均医疗支出等）高度一致，形成一个“合成A镇”。若项目实施后，真实A镇的指标与“合成A镇”出现显著差异，即可认为是干预的效果。

03护理评估（数据收集与预处理）

护理评估（数据收集与预处理）要做好合成控制，第一步是“找对数据”。作为护理研究者，我们的评估重点不仅是生物学指标，更要关注与护理干预直接相关的“可改变因素”。

干预组（A镇）基线数据1我们收集了2018-2020年（项目实施前3年）A镇糖尿病患者的5类核心指标：2护理相关结局指标：空腹血糖达标率（≤7.0mmol/L）、糖化血红蛋白检测率（每年≥2次）、足部检查率（每年≥1次）；3社会人口学指标：患者平均年龄、文化程度（小学及以下占比）、家庭医生与患者配比（1:？）；6混杂因素：年度人均医疗支出、高血压合并症患病率（可能影响糖尿病管理）。5行为指标：患者自我管理行为评分（包括饮食记录、运动频率、药物依从性，满分100分）；4医疗资源指标：村卫生室血糖检测设备覆盖率、健康教育场地可及性（距离患者家≤1公里的比例）；

候选对照组（周边乡镇）数据我们筛选了该县未实施该项目的B、C、D、E、F共5个乡镇，收集与A镇相同的2018-2020年指标。这些乡镇需满足：①地理、经济水平与A镇相近（避免“南橘北枳”）；②无同期糖尿病专项干预（排除其他干扰）；③数据完整性≥90%（确保可比性）。

数据预处理：让“苹果”与“苹果”比较拿到数据后，我们做了3件事：

标准化处理：将不同量纲的指标（如百分比、评分、配比）转化为Z分数，消除单位影响；

共线性检验：用VIF法排除高度相关的指标（如“家庭医生与患者配比”和“村卫生室设备覆盖率”相关系数0.82，最终保留前者）；

趋势一致性检验：绘制2018-2020年A镇与候选乡镇的“规范管理率”趋势图，发现B、C、E镇的曲线与A镇更接近（D、F镇在2020年出现异常波动，排除）。

04护理诊断（合成控制模型构建与结果解读）

护理诊断（合成控制模型构建与结果解读）护理诊断的本质，是通过数据识别“问题的核心”。在这里，我们的“诊断”对象是“干预效果的真实性”——需要回答：合成控制法能否为项目效果提供可靠证据？

模型构建：给对照组“配权重”我们使用Stata的synth命令，以2018-2020年的5类基线指标为“预测变量”，以“2021年项目实施后的规范管理率”为“结果变量”，为B、C、E三个候选乡镇分配权重。最终得到的权重是：B镇0.6，C镇0.3，E镇0.1——这意味着“合成A镇”由60%的B镇、30%