研究队列构建与数据链接
建立全国性AML患者队列并获取治疗信息
从NCRD识别2015-2022年25-80岁新发AML患者，排除急性早幼粒细胞白血病和继发性AML，通过SACT、HES和RTDS数据库链接获取治疗信息
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
2015-2022年英格兰急性髓系白血病（AML）治疗的社会经济不平等：一项基于人群的研究
Socioeconomic inequality in treatment of acute myeloid leukaemia (AML) in England, 2015-2022: A population-based study
实验完整度
中基于全国癌症登记队列10495例患者，采用多变量GEE和混合效应probit回归分析治疗不平等，使用多数据库链接获取治疗信息，但未开展干预性实验验证
主要模型
英格兰国家癌症登记处（NCRD）2015-2022年新发AML患者队列（N=10495） 接受初始治疗的125个NHS信托机构
重点核对
患者人群：25-80岁新发AML患者，排除急性早幼粒细胞白血病和继发性AML，N=10495，中位年龄67岁 贫困分组：基于2019年多重剥夺指数收入域，按五分位数Q1（最不贫困）至Q5（最贫困）分组 主要结局：ICT接受情况，定义为至少一个周期强化诱导化疗或异基因HSCT方案 治疗信息来源：通过SACT、HES和RTDS数据库链接获取，搜索窗口为诊断前2个月至诊断后1年 统计模型：GEE模型（可交换相关结构，稳健方差估计）和混合效应probit回归，调整年龄、性别和合并症，年龄使用限制性立方样条（结点60、65、70岁）
摘要
急性髓系白血病（AML）生存中的社会经济不平等可能由强化化疗（ICT）可及性差异驱动。我们旨在量化英格兰AML患者接受ICT的社会经济不平等并识别其主要驱动因素。我们通过英格兰国家癌症登记处（2015-2022年）识别了10495例新发AML患者，并结合其地区贫困状态（作为社会经济不平等的衡量指标）以及基于链接数据库的治疗信息进行评估。我们采用多变量校正的广义回归和混合效应probit回归分析ICT接受率与贫困程度的关联。总体而言，5190例患者（49%）接受了ICT。最贫困地区的患者接受ICT的可能性比最不贫困地区患者低6.1%。患病率差异在125个卫生服务单元行政集群间存在变化。如果所有患者都能获得与最不贫困患者相似的ICT可及性，将有多247例患者接受ICT。在贫困效应中，估计94%可归因于行政集群间的变异性。尽管有全民医疗覆盖，英格兰AML治疗中仍存在社会经济不平等。这种不平等可能由集群层面的差异驱动，如机构文化和资源容量。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在全民医疗覆盖的英格兰，AML患者接受强化化疗（ICT）是否存在社会经济不平等，以及该不平等的主要驱动因素是什么
- 核心机制
- 贫困相关治疗不平等主要由NHS信托机构间的服务变异性驱动，包括机构文化、人力资源能力和资源可用性等集群层面因素，而非贫困本身直接导致
- 主要证据
- 10495例新发AML患者队列分析显示，调整年龄、性别和合并症后，最贫困患者（Q5）接受ICT的可能性比最不贫困患者（Q1）低6.1%（95% CI：-8.8%至-3.4%）；调整信托间变异后贫困效应减弱，94%的贫困效应可归因于行政集群间变异性
- 研究意义
- 揭示了全民医疗覆盖体系下AML治疗中社会经济不平等的持续存在，提示需要关注NHS信托层面的服务差异，为进一步研究机构决策过程和服务能力以设计更公平的服务提供依据
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
贫困状态评估与分组
基于地区贫困指数对患者进行社会经济分层
使用2019年多重剥夺指数收入域，将患者按居住地贫困程度分为五分位数Q1（最不贫困）至Q5（最贫困）
ICT接受率的多变量回归分析
量化贫困与ICT接受之间的关联并调整混杂因素
使用GEE模型估计平均和年龄特异性ICT接受率，使用混合效应probit回归估计信托特异性ICT接受率，调整年龄、性别和合并症
信托层面变异性与反事实预测分析
评估NHS信托间变异对贫困相关治疗不平等的贡献
分析不同信托类型（强化vs非强化）和规模（患者量）下Q1与Q5的ICT接受率差异，并通过反事实模型预测消除贫困差异后的ICT接受人数
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析与统计 | STATA 18.0版 | StataCorp | -- |
关键环节
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 |
|---|---|
| 研究队列构建 | 纳入标准（25-80岁、新发AML、2015-2022年诊断）、排除标准（急性早幼粒细胞白血病、继发性AML）、AML识别所用ICD-O-3形态学编码、继发性AML排除所用ICD-10和OPCS-4编码 阅读提示：Methods中Study population小节，Table S1-S3 |
| 贫困状态评估 | 贫困指标（2019年多重剥夺指数收入域）、五分位数分组方式、基于诊断时家庭住址链接、区域划分标准（32844个小区域，平均1500居民或650户） 阅读提示：Methods中Deprivation小节 |
| ICT结局定义与治疗信息获取 | ICT定义（至少一个周期强化诱导化疗或异基因HSCT方案）、非ICT定义（其他治疗、姑息治疗、无关化疗、未知方案、放疗或无记录）、数据库链接层级顺序（SACT→HES→RTDS）、治疗搜索窗口（诊断前2个月至诊断后1年）、治疗强度判定及复核流程 阅读提示：Methods中Outcome小节，Figure 1，Figure S1，Figure S2，Tables S4-S6，Appendix S1 |
| 统计模型与混杂调整 | GEE模型相关结构（可交换）和方差估计（稳健）、probit链接函数、年龄处理方式（连续变量、限制性立方样条、结点60/65/70岁）、合并症分类（0/1/2+）、交互作用检验项（贫困×年龄、贫困×日历年份、贫困×城市化）、联合Wald χ2检验 阅读提示：Methods中Statistical analysis小节，Table 2，Figure S3 |
| 信托层面变异分析 | 信托分类标准（强化vs非强化）、信托规模分类（基于患者量）、反事实模型设定、分析人群（N=9845有初始治疗信托信息者） 阅读提示：Methods中Outcome小节关于信托分类的说明，Results中ICT, deprivation and trusts小节，Table 3，Figure 2 |