数据整合与糖尿病识别
利用全国登记册数据准确识别糖尿病患者及其类型和发病日期
整合国家糖尿病登记册(DMreg)中的医院、处方、临床和实验室数据,应用算法定义糖尿病诊断日期和类型,并排除妊娠期糖尿病等
Prevalence, incidence, mortality, and years of life lost to diabetes from 1996 to 2024 in Denmark
全国登记册队列研究,覆盖全丹麦人口,整合多重数据源,使用年龄-时期-队列模型和多状态模型,进行患病率、发病率、死亡率、SMR和YLL分析。
丹麦全国人群 1型糖尿病(T1D)患者队列 2型糖尿病(T2D)患者队列
糖尿病识别算法:包含医院、处方、临床、实验室数据,且HbA1c≥48 mmol/mol作为诊断标准之一 糖尿病类型分类:依据最新DADD记录、NPR诊断代码、胰岛素购买年龄等,且30岁以下胰岛素治疗者归为T1D 数据覆盖期间:1996年1月1日至2025年1月1日,且仅1996年后诊断视为新发 分析方法:年龄-时期-队列模型,自然样条拟合年龄和时间效应 统计指标:患病率、发病率、死亡率、SMR、YLL,且按性别和糖尿病类型分层
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。
利用全国登记册数据准确识别糖尿病患者及其类型和发病日期
整合国家糖尿病登记册(DMreg)中的医院、处方、临床和实验室数据,应用算法定义糖尿病诊断日期和类型,并排除妊娠期糖尿病等
估计每年1月1日糖尿病患病率及其趋势
使用二项模型与自然样条拟合年龄和日历时间效应,估计年龄特异性患病率,并按性别和糖尿病类型分层
估计T1D和T2D的发病率及其随时间的变化
使用泊松回归模型,包含年龄、日历时间和出生日期的自然样条,分析从无糖尿病到诊断的随访时间
估计糖尿病患者的死亡风险及其与无糖尿病者的相对差异
使用泊松回归分析死亡率,估计SMR,比较T1D和T2D的死亡率比
估计糖尿病导致的预期寿命损失
使用多状态模型(无糖尿病、T1D、T2D、死亡)估计无糖尿病者的预期剩余寿命,并与糖尿病患者的预期寿命比较得到YLL
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 |
|---|---|
| 糖尿病识别算法 | 数据来源(NPR, DNPR, DADD, NHSR, 实验室)、诊断标准(HbA1c≥48 mmol/mol、处方购买次数等)、排除标准(妊娠糖尿病、PCOS等) 阅读提示:Methods: Diabetes data and Diabetes classification and date of diagnosis |
| 研究人群定义 | 纳入人群为丹麦全体居民,随访起点为1996年1月1日、出生或移民日期,终点为2025年1月1日、死亡或移民日期 阅读提示:Methods: Population data and Follow-up intervals |
| 患病率分析 | 模型设定(二项模型、log链接、自然样条)、分层(性别、糖尿病类型)、时间点(每年1月1日) 阅读提示:Methods: Statistics - Prevalence |
| 发病率分析 | 模型设定(泊松回归、自然样条效应)、随访状态转换定义 阅读提示:Methods: Statistics - Incidence |
| 死亡率分析 | SMR计算基于无糖尿病者的预期死亡数、限制在1996年1月1日无糖尿病人群 阅读提示:Methods: Statistics - Mortality |
| YLL分析 | 多状态模型的状态定义和转移概率、预期剩余寿命的计算 阅读提示:Methods: Statistics - Years of life lost |