糖尿病并发症研究数据的偏倚控制策略

糖尿病并发症研究数据的偏倚控制策略演讲人01糖尿病并发症研究数据的偏倚控制策略糖尿病并发症研究数据的偏倚控制策略引言：糖尿病并发症研究的挑战与数据质量的基石糖尿病作为全球慢性非传染性疾病的“重灾区”，其并发症（如糖尿病视网膜病变、糖尿病肾病、糖尿病神经病变、心血管疾病等）是导致患者致残、致死和生活质量下降的核心原因。据国际糖尿病联盟（IDF）2021年数据，全球约5.37亿成人糖尿病患者中，约20%-40%已至少出现一种并发症，而并发症相关的医疗支出占糖尿病总医疗支出的80%以上。在此背景下，高质量的临床研究数据是揭示并发症发病机制、评估干预措施效果、制定临床指南和公共卫生政策的核心依据。然而，糖尿病并发症研究具有复杂性、长期性和异质性特点，从研究设计到数据解读的全链条中，偏倚（bias）的潜在风险无处不在——若未能有效控制偏倚，研究结论可能被系统性地高估或低估，甚至误导临床实践。糖尿病并发症研究数据的偏倚控制策略作为一名长期从事糖尿病临床与转化研究的学者，我曾在多项多中心研究中深刻体会到：偏倚的控制并非单一环节的“修补”，而是需要贯穿研究全生命周期的系统工程。本文将从研究设计、数据收集、数据分析到结果解读四个阶段，系统梳理糖尿病并发症研究数据的偏倚类型、来源及控制策略，旨在为研究者提供一套可操作、严谨的偏倚控制框架，确保研究结果的真实性、可靠性和可推广性。一、研究设计阶段的偏倚控制：从源头筑牢数据质量的“第一道防线”研究设计是控制偏倚的“黄金窗口”，一旦设计存在缺陷，后续阶段往往难以完全弥补。糖尿病并发症研究的设计阶段需重点防范三类偏倚：选择偏倚（selectionbias）、信息偏倚（informationbias）和混杂偏倚（confoundingbias），其核心在于通过科学的设计原则，确保研究对象的代表性、测量准确性和因果推断的合理性。02选择偏倚的控制：确保样本的代表性同质性选择偏倚的控制：确保样本的代表性同质性选择偏倚源于研究样本与目标人群的系统差异，或组间样本选择标准不一致，导致研究结果无法外推。在糖尿病并发症研究中，常见的选择偏倚包括“入院偏倚”（如医院-based研究纳入重症患者，轻症患者未被纳入）、“时间窗偏倚”（如仅纳入特定时间段就诊的患者，忽略病程差异）、“志愿者偏倚”（如研究依从性高的患者更易参与）等。控制策略需围绕“明确目标人群、标准化纳入排除、随机化与匹配”三个核心展开。明确目标人群与纳入排除标准，减少选择偏差目标人群的定义需与研究目的严格匹配：若研究旨在评估“2型糖尿病（T2DM）患者新发视网膜病变的危险因素”，目标人群应为“新诊断T2DM且无视网膜病变的患者”，而非已存在并发症的长期患者。纳入排除标准需基于循证证据和临床实际，避免过度排除或纳入混杂因素。例如，在研究糖尿病肾病时，需排除非糖尿病肾病（如IgA肾病、高血压肾病）患者，可通过“尿微量白蛋白/肌酐比值（UACR）≥30mg/g+估算肾小球滤过率（eGFR）<60mL/min/1.73m²+糖尿病病程≥5年”的复合标准降低误判风险。采用随机化设计，平衡已知与未知混杂因素随机对照试验（RCT）是控制选择偏倚的“金标准”。通过随机分配（如区组随机、分层随机），将患者均衡分配至干预组和对照组，确保组间在基线特征（如年龄、病程、血糖控制水平、并发症基础）上具有可比性。例如，在评估“SGLT-2抑制剂对糖尿病肾病进展的影响”时，可按“基线eGFR（≥60vs.<60mL/min/1.73m²）和UACR（300-500vs.>500mg/g）”进行分层随机，避免肾功能不均衡对结果的干扰。若研究为观察性研究，可采用“倾向性评分匹配（PSM）”，通过统计方法使处理组与对照组在混杂因素上的分布趋于一致，模拟随机化的效果。多中心协作与连续性纳入，提升样本代表性单中心研究易受地域、医疗水平和人群特征的限制，导致选择偏倚。多中心研究通过纳入不同地区、等级医院的样本，可增强结果的普适性。例如，中国“2型糖尿病并发症前瞻性研究（CDS）”纳入全国11个省份的15家中心，覆盖城乡、不同经济水平人群，显著降低了地域选择偏倚。此外，采用“连续性纳入”（如纳入某时间段内所有符合标准的门诊/住院患者）而非“选择性纳入（如仅纳入“理想”患者），可减少研究者的主观选择偏差。03信息偏倚的控制：确保测量数据的准确性与一致性信息偏倚的控制：确保测量数据的准确性与一致性信息偏倚源于研究过程中对变量测量、数据收集的不准确或不一致，包括回忆偏倚（回忆错误）、调查者偏倚（研究者主观判断差异）、测量偏倚（仪器误差）等。糖尿病并发症研究涉及多种客观指标（如HbA1c、UACR、眼底照相）和主观指标（如神经症状问卷），需通过标准化工具、盲法设计和质控流程控制信息偏倚。标准化测量工具与校准，减少测量误差客观指标的测量需使用标准化仪器和操作流程，并定期校准。例如，HbA1c检测应采用国际糖化血红蛋白标准化计划（NGSP）认证的方法，确保不同实验室结果可比；眼底照相需遵循ETDRS标准，由经验丰富的眼科医师采用“双盲法”判读分级（如糖尿病视网膜病变严重程度评分，DRSS）。主观指标（如糖尿病足患者的“间歇性跛行”症状）需采用经过验证的问卷（如圣路易斯糖尿病足问卷，SLDFQ），并对调查员进行统一培训，确保提问方式和判断标准一致。采用盲法设计，避免主观偏见干扰盲法是控制信息偏倚的关键。在干预性研究中，应采用“双盲设计”（研究者与患者均不知分组情况），避免研究者因知晓分组而主观调整治疗方案或终点判定；在观察性研究中，可采用“结局评估者盲法”（如由不知情的医师判读并发症结局），减少主观判断对结果的影响。例如，在评估“生活方式干预对糖尿病周围神经病变的影响”时，神经传导速度的测定应由不知分组的技师完成，数据录入由独立人员操作，避免研究者对干预组的“过度关注”。电子化数据采集与实时监控，降低人为错误传统纸质数据录入易出现抄写错误、遗漏或逻辑矛盾，可通过电子化数据采集系统（EDC）实时监控数据质量。例如，在研究中设置“逻辑校验规则”（如HbA1c正常值为4%-6%，若录入<3%或>15%系统自动提示错误）、“范围核查”（如eGFR<15mL/min/1.73m²需填写原因），并设置数据管理员定期核查异常值，及时发现并纠正问题。04混杂偏倚的控制：分离“真实效应”与“混杂影响”混杂偏倚的控制：分离“真实效应”与“混杂影响”混杂偏倚是指某个既与暴露因素有关，又与结局有关的第三方因素（如年龄、病程、血压），导致暴露与结局的关联被歪曲。糖尿病并发症研究中，混杂因素众多且相互交织（如血糖、血压、血脂、肥胖、吸烟等），需通过研究设计和统计方法共同控制。随机化与分层分析：平衡已知混杂因素RCT通过随机分配可平衡已知和未知混杂因素，但若样本量较小，某些混杂因素（如年龄）仍可能分布不均。此时可采用“分层随机”（stratifiedrandomization），按关键混杂因素（如年龄<65岁vs.≥65岁）分层后再随机，确保组间均衡。在观察性研究中，若未进行随机化，可采用“分层分析”（stratifiedanalysis），按混杂因素水平分层后计算效应值，再合并分析（如Mantel-Haenszel法）。例如，研究“吸烟与糖尿病视网膜病变的关系”时，可按“HbA1c水平（<7%vs.≥7%）”分层，分析吸烟在不同血糖控制水平下的效应。多因素回归模型：调整混杂因素的独立影响多因素回归模型是控制混杂的常用统计方法，通过将混杂因素作为协变量纳入模型，估计暴露因素对结局的独立效应。例如，在研究“体重指数（BMI）与糖尿病肾病进展的关系”时，可构建Cox比例风险模型，校正年龄、糖尿病病程、HbA1c、血压、血脂等混杂因素，得到BMI的校正后风险比（HR）。需注意模型中变量的选择需基于专业知识和文献支持，避免“过度校正”（将中间变量误认为混杂因素，如HbA1c是糖尿病肾病的危险因素，也可能是BMI的中间变量，若同时纳入模型可能低估BMI的效应）。工具变量法与敏感性分析：应对未知或未测量的混杂当存在未测量的混杂因素（如患者的依从性、遗传背景）时，传统回归模型难以控制偏倚。此时可采用“工具变量法（IV）”，选择与暴露相关、与结局无关（仅通过暴露影响结局）、与未测量混杂无关的变量作为工具变量。例如，研究“社会经济地位（SES）与糖尿病足截肢的关系”时，SES可能受未测量的“健康素养”混杂，可选用“教育年限”作为工具变量（教育年限影响SES，但不直接影响截肢）。此外，需进行“敏感性分析”（sensitivityanalysis），评估未测量混杂对结果的影响程度。例如，通过“E-value”计算“需要多强的混杂因素才能使结论无效”，若E值较大（如>2），说明结果较稳健。工具变量法与敏感性分析：应对未知或未测量的混杂数据收集阶段的偏倚控制：从过程保障数据质量的“生命线”研究设计阶段的偏倚控制框架需通过严格的数据收集过程落地。糖尿病并发症研究多为长期随访（如5-10年），涉及多中心、多时间点的数据采集，任何环节的疏漏都可能引入偏倚。本阶段需重点关注“数据完整性、测量一致性、随访依从性”三大核心，通过标准化流程、质控体系和激励机制，确保数据真实、可靠。05制定标准化操作规程（SOP）：统一数据收集的“标尺”制定标准化操作规程（SOP）：统一数据收集的“标尺”标准化操作规程（StandardOperatingProcedure,SOP）是数据收集阶段的“宪法”，需明确每个研究环节的责任主体、操作步骤、质控标准和应急预案。SOP的制定需基于国际规范（如ICH-GCP）和糖尿病并发症研究特点，覆盖“人员培训、测量方法、数据记录、不良事件处理”等全流程。人员培训与考核：确保执行者“同质化”数据收集人员（包括研究者、护士、技师、数据管理员）的能力和认知差异是信息偏倚的重要来源。需制定详细的培训计划，内容包括：研究方案解读、SOP操作演示、病例讨论、考核评估（如理论考试+实操考核）。例如，在“糖尿病周围神经病变”研究中，需对神经传导速度（NCV）检测技师进行培训，要求其掌握“刺激电极位置、记录电极参数、波形测量方法”，并通过“标准化病例测试”（如正常神经、轻度病变、中度病变各5例）考核，只有考核合格者方可参与研究。测量方法的标准化：减少操作差异针对不同类型的并发症指标，需制定具体的SOP。例如：-眼底照相：要求患者散瞳后，采用免散瞳眼底照相机拍摄以黄斑为中心的眼底像，每个眼拍摄2张（后极部和周边部），图像存储为DICOM格式，由中心实验室统一判读；-尿微量白蛋白检测：要求患者留取晨尿，采用免疫比浊法检测，UACR=尿白蛋白（mg）/尿肌酐（g），连续2次检测≥30mg/g（间隔3个月）判定为阳性；-神经症状评估：采用“神经症状问卷（NSQ）”，包括“麻木、疼痛、感觉异常”等10个问题，每个问题按“无（0分）、轻度（1分）、中度（2分）、重度（3分）”评分，总分≥10分判定为神经症状阳性。数据记录的规范性与完整性：避免信息遗漏数据记录需使用统一设计的电子化病例报告表（eCRF），设置“必填项”（如患者ID、基线HbA1c）、“逻辑校验项”（如HbA1c与空腹血糖的一致性）、“单位统一项”（如血压单位统一为mmHg）。对于缺失数据，需在SOP中明确“允许缺失的场景”（如患者因故无法完成眼底照相）和“填补方法”（如通过电话随访补充主观指标，但需记录缺失原因）。06建立多级质控体系：实时监控数据质量建立多级质控体系：实时监控数据质量数据收集阶段的质控需贯穿“事前-事中-事后”全流程，通过“研究者自查-中心监查-第三方稽查”三级体系，及时发现并纠正偏倚。事前质控：确保设备和试剂合规在研究开始前，需对所用仪器设备（如血糖仪、眼底照相机、生化分析仪）进行校准和验证，确保其精度符合要求；对检测试剂（如HbA1c试剂盒）进行批内和批间差检测，确保结果稳定。例如，HbA1c检测的批内CV需<2%，批间CV<3%，否则需更换试剂或重新检测。事中质控：实时核查数据一致性在数据收集过程中，中心监查员（CRA）需定期（如每月）赴研究中心进行现场核查，内容包括：-源数据核对：将eCRF数据与原始病历（如化验单、影像报告）比对，确保数据一致；-操作过程核查：观察研究者是否按SOP执行（如眼底照相的拍摄角度、NCV检测的电极位置）；-异常值核查：对偏离临床常规的数据（如HbA1c>15%、eGFR<10mL/min/1.73m²）进行溯源，确认是否为录入错误或真实病例。例如，在某SGLT-2抑制剂研究中，监查员发现某中心患者的“尿糖”数据均为“4+”，经核查发现该中心未使用尿糖试纸，而是凭经验录入，遂对该中心所有患者重新检测尿糖，纠正了数据错误。事后质控：确保数据可追溯与可验证研究结束后，需进行“第三方稽查”（由独立于研究团队的机构执行），对随机抽取的10%-20%病例进行全流程核查，包括伦理审批、知情同意、数据记录、不良事件处理等。同时，需建立“数据可追溯机制”，如原始病历的扫描件存储、检测报告的编号管理，确保任何数据问题均可追溯至具体环节和责任人。07提高随访依从性：减少失访偏倚提高随访依从性：减少失访偏倚糖尿病并发症研究多为长期随访（如5年、10年），失访是选择偏倚的重要来源——若失访人群与随访人群在基线特征或结局上存在差异（如病情严重者更易失访），将导致研究结果高估干预效果。控制失访偏倚需从“预防-监测-补救”三方面入手。预防失访：建立“以患者为中心”的随访体系-多渠道联系方式：收集患者手机、微信、家庭住址、紧急联系人等多种联系方式，定期（如每6个月）更新联系方式；-个性化随访计划：根据患者情况制定随访时间表（如血糖控制稳定者每6个月随访1次，控制不佳者每3个月1次），通过短信、电话提前提醒；-激励机制：提供免费并发症筛查（如每年1次眼底检查、尿微量白蛋白检测）、健康咨询（如糖尿病教育课程）、小礼品（如血糖仪、试纸）等，提高患者参与意愿。监测失访：及时发现失访风险建立“失访预警系统”，对超过随访时间点1个月未联系的患者标记为“高风险失访”，由研究护士主动联系，了解失访原因（如地址变更、拒绝参与、死亡），并记录在案。例如，在某研究中，通过失访预警系统发现农村患者因“农忙”失访较多，遂调整为“农闲时节集中随访”，将失访率从15%降至8%。补救失访：采用意向性分析（ITT）与敏感性分析对于已失访的患者，需在统计分析时采用“意向性分析（Intention-to-Treat,ITT）”，即按随机分组纳入所有患者，无论是否完成随访或接受干预，避免“选择性排除”导致的偏倚。同时，需进行“敏感性分析”，评估不同假设下失访对结果的影响。例如，假设所有失访患者均发生“糖尿病肾病进展”（最坏情况），或均未发生（最好情况），观察结论是否改变；若结论不变，说明结果较稳健。补救失访：采用意向性分析（ITT）与敏感性分析数据分析阶段的偏倚控制：从统计推断保障结果“客观性”数据收集完成后，需通过科学的统计分析方法，将原始数据转化为具有临床意义的结论。此阶段的偏倚主要源于“统计方法误用、缺失数据处理不当、亚组分析滥用”等，需结合专业知识和统计原则，确保结果的真实性和可靠性。08统计方法的选择：匹配研究设计与数据类型统计方法的选择：匹配研究设计与数据类型统计方法的选择需基于“研究设计（RCT/观察性研究）、数据类型（分类/连续）、结局类型（二分类/生存/连续）”综合判断，避免“为得出阳性结果而选择性使用方法”。RCT与观察性研究的统计方法差异-RCT：由于随机分配已平衡混杂因素，主要采用“组间比较”（如t检验、χ2检验）和“效应值计算”（如RR、OR、HR），无需过度校正混杂。若为生存结局（如糖尿病肾病进展），可采用Kaplan-Meier曲线和Log-rank检验，多因素分析采用Cox比例风险模型；-观察性研究：需重点控制混杂，根据数据类型选择相应模型：-分类结局（如“是否发生糖尿病视网膜病变”）：采用Logistic回归，校正混杂因素；-连续结局（如“UACR变化值”）：采用线性回归，若数据偏态可进行对数转换；-生存结局（如“从糖尿病肾病到终末期肾病的时间”）：采用Cox回归，需检验“比例风险假设”（如Schoenfeld残差检验），若不满足可采用“时间依协变量模型”或“竞争风险模型”（如死亡作为竞争终点）。交互作用与效应修饰的识别糖尿病并发症研究中，干预效应或暴露效应可能在不同人群（如年龄、性别、并发症基线水平）中存在差异，即“交互作用”。需通过“亚组分析”或“交互项检验”识别效应修饰因素。例如，研究“二甲双胍对心血管事件的影响”时，可检验“年龄（<65岁vs.≥65岁）与二甲双胍的交互作用”，若交互项P<0.05，说明二甲双胍的效应在不同年龄组中不同，需分别报告。避免多重比较带来的I类错误在多项指标分析或亚组分析中，若反复进行假设检验，会增加“假阳性”（I类错误）的风险。需采用“多重比较校正方法”，如Bonferroni校正（调整α水平=0.05/比较次数）、FalseDiscoveryRate（FDR）校正，或预先明确“主要结局”和“次要结局”（主要结局的P<0.05视为阳性，次要结局需更严格的P值）。09缺失数据的处理：避免“选择性填补”导致的偏倚缺失数据的处理：避免“选择性填补”导致的偏倚缺失数据是糖尿病并发症研究中的常见问题（如失访、检测失败），若处理不当，会导致结果偏倚。根据“缺失机制”（MissingMechanism），缺失数据可分为三类：完全随机缺失（MCAR，缺失与数据无关）、随机缺失（MAR，缺失与观测数据有关，但与缺失值本身无关）、非随机缺失（MNAR，缺失与缺失值本身有关）。处理方法需基于缺失机制和数据类型选择。缺失机制判断可通过“描述性分析”初步判断：若缺失组与未缺失组在基线特征上无差异（如年龄、病程、血糖水平），可能为MCAR；若存在差异，但差异可由观测数据解释（如失访者多为高龄，而高龄与结局有关），可能为MAR；若缺失与结局直接相关（如病情严重者因不愿检测而缺失数据），可能为MNAR。缺失数据处理方法-删除法：仅适用于MCAR且缺失率低（<5%），如“完全案例分析（CCA）”，删除有缺失数据的病例。但若缺失率高，会导致样本量不足和选择偏倚；-填补法：适用于MAR，常用方法包括：-多重插补（MultipleImputation,MI）：通过chainedequations模型，基于观测数据生成多个（通常5-10个）填补数据集，分别分析后合并结果，考虑了填补的不确定性，是目前推荐的方法；-均值/中位数填补：简单但易低估方差，仅适用于MCAR且缺失率极低的情况；-敏感性分析：针对MNAR，可通过“极端值填补”（如将缺失的UACR视为最大值或最小值）或“模式混合模型（MMRM）”，评估不同填补策略下结论的稳定性。缺失数据的报告规范需在研究论文中详细报告“缺失率、缺失机制判断依据、处理方法及敏感性分析结果”，确保结果透明。例如，“本研究共纳入1000例患者，随访5年，失访率为12%（120例），通过多重插补填补缺失数据，敏感性分析显示若将失访者视为未发生事件，结论不变。”10亚组分析与敏感性分析：确保结论的稳健性亚组分析与敏感性分析：确保结论的稳健性亚组分析与敏感性分析是评估结果稳健性的重要工具，可避免因“单一分析策略”导致的结论偏倚。亚组分析：避免“过度解读”亚组分析旨在探索干预效应或暴露效应在不同人群中的差异，但需注意：-预先设定亚组：基于专业知识和文献，在研究设计阶段明确亚组（如“年龄、性别、基线并发症严重程度”），避免“事后亚组分析”（post-hocsubgroupanalysis）导致的假阳性；-报告亚组检验的P值：包括“亚组间交互作用P值”和“亚组内P值”，避免仅报告阳性亚组而忽略阴性亚组。例如，研究“DPP-4抑制剂对神经病变的影响”时，亚组分析显示“在病程<5年的患者中有效（P=0.02），在病程≥5年的患者中无效（P=0.12）”，需同时报告交互作用P=0.05，说明病程可能是效应修饰因素。敏感性分析：评估“极端情况”下的结论敏感性分析通过改变“分析策略、样本范围、数据处理方法”，评估结论是否稳定。例如：-改变缺失数据处理方法：比较“多重插补”与“完全删除”的结果；-排除极端值：如排除HbA1c>15%的“极端高血糖”患者，观察结论是否变化；-调整不同的混杂因素模型：如“仅校正年龄、性别”与“校正年龄、性别、病程、血压、血脂”的结果对比。若不同策略下结论一致，说明结果较稳健；若结论变化较大，需谨慎解读，并讨论可能的偏倚来源。四、研究报告与结果解读阶段的偏倚控制：从透明性保障结论“可信度”研究数据的最终价值通过研究报告和结果解读呈现。此阶段的偏倚主要源于“选择性报告、过度解读、利益冲突”等，需遵循“透明、客观、严谨”的原则，确保读者能全面评估研究的真实性和临床意义。11遵循报告规范：提升研究的“透明度”遵循报告规范：提升研究的“透明度”国际通用的研究报告规范（如CONSORTforRCT、STROBEforobservationalstudy、TRIBEfordiabetescomplications）是控制报告偏倚的重要工具，要求研究者详细报告“研究设计、方法、结果、局限性”，避免“选择性报告阳性结果”。主要结局与次要结局的明确界定需在研究设计阶段明确“主要结局”（primaryoutcome）和“次要结局”（secondaryoutcome），主要结局是研究核心目的的直接体现（如“糖尿病肾病进展定义为eGFR下降≥40%或终末期肾病”），次要结局是对主要结局的补充（如“UACR翻倍、死亡”）。结果报告时，需同时报告主要结局和次要结局的效应值、置信区间（CI）和P值，避免仅报告次要结局的阳性结果。例如，“主要结局（糖尿病肾病进展）在干预组与对照组间无差异（HR=1.10,95%CI:0.85-1.42,P=0.48），但次要结局UACR翻倍率在干预组较低（RR=0.75,95%CI:0.62-0.91,P=0.005）”，需如实报告，避免夸大次要结局的意义。报告研究的局限性任何研究均存在局限性，需在讨论部分客观分析，如“本研究为观察性研究，无法完全排除残余混杂”“失访率较高（15%），可能引入选择偏倚”“样本量较小，亚组分析效能不足”等。局限性报告不仅不会降低研究的价值，反而体现了研究者的严谨性，帮助读者正确解读结论。利益冲突声明研究资助、作者与医药企业的利益关系可能影响结果解读，需在论文中声明“作者是否有经济利益（如专利、咨询费）、学术利益（如论文发表、课题申报）或其他利益冲突”。例如，“本研究由某药企资助，但数据收集、分析和论文撰写由研究团队独立完成，资助方未参与结果解读”，以增强结论的可信度。（二）正确解读统计结果：避免“统计显著性”与“临床意义”的混淆统计显著性（P<0.05）仅反映“结果由随机误差导致的概率较低”，不代表“临床意义重大”。解读结果时需结合“效应大小、置信区间、临床背景”综合判断。关注效应大小而非仅P值例如，研究“某降糖药对糖尿病视网膜病变的预防效果”，结果显示RR=0.90,95%CI:0.82-0.99,P=0.03。虽然P<0.05具有统计显著性，但RR=0.90（即风险降低10%），临床意义可能有限；若RR=0.60,95%CI:0.45-0.80,P=0.001，则说明风险降低40%，临床意义更大。置信区间的解读意义置信区间反映了效应值的“精确度”：区间越窄，估计越精确；区间跨越“无效值”（如RR=1的OR=1），说明结果不显著。例如，“RR=0.85,95%CI:0.70-1.03”虽P>0.05，但提示“可能的保护效应，需更大样本量验证”；“RR=1.20,95%CI:1.05-1