确定研究队列和匹配对照
识别所有符合条件的EOD患者,并选择人口统计学特征匹配的对照,以比较收入轨迹。
从KUH和OUH医院登记处筛选2010-2021年疑似神经退行性疾病的患者,手动重新评估12,490份病历,根据诊断标准验证诊断,最终纳入793例EOD患者,并按年龄、性别、地理区域匹配对照组。
Long-Term Income and Productivity Losses in Individuals With Early-Onset Dementia: Evidence From 15 Years Preceding the Diagnosis
回顾性队列研究,基于临床验证的病例和匹配对照,使用登记数据进行长期随访和统计分析,但缺乏干预性实验或机制验证。
早发性痴呆患者队列 匹配对照队列
EOD诊断标准:临床数据审查,约60%AD经CSF验证 匹配因素:年龄、性别、地理区域,1:10匹配 数据来源:芬兰国家登记处(Statistics Finland、Findata) 统计模型:广义估计方程,调整教育、合并症 生产力损失计算:人力资本法,雇主成本因子1.213
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
识别所有符合条件的EOD患者,并选择人口统计学特征匹配的对照,以比较收入轨迹。
从KUH和OUH医院登记处筛选2010-2021年疑似神经退行性疾病的患者,手动重新评估12,490份病历,根据诊断标准验证诊断,最终纳入793例EOD患者,并按年龄、性别、地理区域匹配对照组。
收集个体水平的收入和协变量数据,用于估计生产力损失。
从芬兰国家登记处获取教育、合并症和年度收入数据,收入按2022年通货膨胀调整。合并症分类为心血管疾病、糖尿病、恶性肿瘤和慢性肺病。教育水平按ISCED-11分类。
量化EOD患者与对照之间的收入差异,并评估其统计显著性。
使用人力资本法计算年度生产力损失,即个案与对照的工资差异乘以雇主成本因子。应用广义估计方程模型,考虑重复测量,并调整教育和合并症,分别对四个EOD亚组进行分析。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列 | 病例纳入标准、诊断标准、排除标准、匹配标准(年龄、性别、地理区域) 阅读提示:Methods: Study Population |
| 数据来源 | 收入数据年份(1987-2020)、合并症时间窗口(15年)、教育分类 阅读提示:Methods: Study Population and Estimation of Income and Productivity Losses |
| 统计分析 | 广义估计方程模型设定(相关结构、分布)、调整变量、雇主成本因子 阅读提示:Methods: Statistical Analysis |