预防医学专业硕士研究生核心课程

预防医学专业硕士研究生核心课程《高级流行病学》教学设计（一）一、教学基本信息【课题名称】队列研究数据的统计分析策略与结果评价（一）【授课对象】公共卫生与预防医学专业硕士研究生一年级【课程性质】专业核心课/学位必修课【授课时长】3学时（每学时45分钟，含课间休息）【教学主题】本课是“队列研究结果的分析与评价”系列课程的开篇之作，核心聚焦于队列研究数据分析的逻辑起点与核心效应估计。课程内容涵盖队列研究资料的整理原则、人年计算、粗效应测量（相对危险度RR、归因危险度AR、归因危险度百分比AR%、人群归因危险度PAR）以及简单分层的MantelHaenszel分析法。本课强调从数据特征出发，引导学生理解不同效应指标在公共卫生与临床实践中的不同含义，构建严谨的数据分析思维框架。【教材分析】结合使用人民卫生出版社《流行病学》（第9版，詹思延主编）作为理论基础，同时引入《ModernEpidemiology》（第4版，Rothman著）中的因果思维观点，辅以近年来发表在《NewEnglandJournalofMedicine》（NEJM）、《TheLancet》等高影响力期刊的队列研究论文作为案例拆解对象，实现教材知识向科研实战能力的转化。【设计理念】遵循“以学生为中心”的研究生教学改革理念，摒弃单一的“灌输式”教学，采用“问题导向学习（PBL）”与“案例驱动教学（CDM）”相结合的混合模式。课堂设计的逻辑线为：从“临床/公共卫生问题”出发>提出“科学假设”>识别“数据结构”>选择“统计策略”>计算“效应指标”>解读“结果意义”>评价“证据等级”。通过本课的学习，学生不仅应掌握计算公式，更应具备“看数字，懂含义”的批判性思维能力。二、教学目标本课程教学目标严格按照布鲁姆教育目标分类学（修订版）进行设定，覆盖认知领域的六个层次，旨在培养具有高阶思维能力的流行病学专业人才。（一）知识与记忆（RememberingUnderstanding）1.【基础】准确复述队列研究数据分析的基本步骤和数据整理格式（如计数资料、随访时间资料的录入要求）。2.【基础】解释“人时（Persontime）”的概念，并能说明在动态人群中计算发病率的必要性9。3.【基础】列出并比较队列研究中主要的效应测量指标：累积发病率、发病密度、相对危险度（RR）、率比（RateRatio）、归因危险度（AR）、归因危险度百分比（AR%）以及人群归因危险度（PAR）。（二）应用与分析（ApplyingAnalyzing）4.【重要】【高频考点】能够根据原始研究数据（2×2表格及随访时间），独立、准确地计算RR值及其95%置信区间。5.【重要】能够利用分层分析（MantelHaenszel法）识别和控制简单的混杂因素，并能够区分“粗RR”与“调整后RR”的差异及意义57。6.【难点】深入分析RR与OR在队列研究中的适用场景，能够辨析在队列研究中为何可以直接计算RR而不必依赖“罕见病假设”910。（三）评价与创造（EvaluatingCreating）7.【热点】能够批判性地阅读一篇已发表的队列研究文献结果部分，识别其在数据分析中可能存在的偏倚风险（特别是信息偏倚和混杂偏倚）。8.【非常重要】通过小组协作，针对具体的模拟数据集，设计合理的统计分析计划，并完成基本的效应估计与结果解读。三、教学重难点（一）教学重点1.人年计算的理解与应用：彻底厘清为什么在随访时间不等的队列中必须使用人年数据。2.RR的含义与解释：作为队列研究的核心效应指标，必须熟练掌握其计算、置信区间估计以及结果的流行病学意义（保护因素、危险因素、无关联）。3.AR与PAR的公共卫生意义：区分RR（病因学意义）与AR（公共卫生学意义）的本质区别。（二）教学难点1.【难点】MantelHaenszel分层分析的逻辑：学生往往能代入公式计算，但难以理解为什么通过加权合并各层数据就能“去除”混杂的影响。2.【难点】效应measure修正与关联measure修正的区别：在Cox回归或分层分析中，调整后的RR与未调整的RR究竟在数学上发生了什么变化。3.【难点】对结果的真实性与精确性的权衡：通过置信区间理解统计学稳定性，避免在样本量不足的情况下过度解读阳性结果。四、教学实施过程（核心环节）【第一学时】数据的结构与粗效应测量【导入】——从一个临床疑问开始（5分钟）【教师活动】在多媒体课件上展示一个简化版的临床问题：“我们需要评估‘高强度他汀治疗’是否会增加老年患者‘新发糖尿病’的风险。由于随机对照试验因伦理限制难以开展，我们计划设计一项大规模前瞻性队列研究。现在，我们完成了2年的随访，手头有一份模拟的原始数据（展示简化版Excel表格：患者ID、年龄、性别、是否高强度治疗、是否新发糖尿病、随访时间（月））。请大家思考，面对这份数据，你的第一步分析应该做什么？”【学生活动】思考并尝试回答。可能会有学生说“直接看两组发病人数”，也会有学生说“要算发病率”。【设计意图】通过真实的临床问题切入，迅速将学生带入“研究者”角色，激发求解动机。引出本课的核心矛盾：原始数据≠研究结果，需要通过规范的分析流程进行转化。（一）数据资料的整理与分类（10分钟）【教师讲授】1.队列研究的数据来源：基线数据（暴露水平、人口学特征、潜在混杂因素）与随访数据（结局事件发生时间、发生情况、失访时间）。2.【基础】两种基本的数据分析格式：1.3.（1）计数资料格式（CumulativeIncidenceData）：适用于随访时间短、失访少、人群固定的队列。可直接整理成经典的四格表（2×2Table）9。发病（病例）未发病（非病例）合计暴露组aba+b=N1非暴露组cdc+d=N0合计a+c=M1b+d=M0T2.4.（2）发病密度格式（IncidenceDensityData）：适用于随访时间长、研究对象进入队列时间不一、存在失访或竞争风险的动态队列。数据需整理为人时数据（Persontime）。5.【重要】人年（Personyear）的计算原理与实践：1.6.讲解：人年是将观察人数与观察时间结合起来的一个复合单位。1个人被观察1年为1人年，1个人被观察2年为2人年，2个人被观察半年也是1人年。2.7.方法：精确计算需借助统计软件（如Stata、R、SAS），手工估算可用“平均法”或“寿命表法”。本课程以理解原理为主，不过度纠缠手工计算细节。3.8.意义：只有利用人年计算出的发病率（发病密度），才能真实反映具有不同随访时间的队列的疾病发生风险。（二）效应测量指标的构建与计算（25分钟）【核心讲授与板书推导】1.发病指标的测量：1.2.累积发病率（CumulativeIncidence,CI）：CI=观察期内发病人数/观察开始时总人数。反映了一组人群在特定时期内发生疾病的平均概率。2.3.发病密度（IncidenceDensity,ID）：ID=观察期内发病人数/观察总人时数。反映的是瞬时发病率，不假定随访期内所有人的观察时间一致。4.【高频考点】效应估计——相对危险度（RelativeRisk,RR）：1.5.定义：RR是暴露组发病率（Ie）与非暴露组发病率（I0）之比。2.6.公式：1.3.7.对于累积发病率资料：RR=CIeCI0=a/(a+b)c/(c+d)RR=\frac{CI_e}{CI_0}=\frac{a/(a+b)}{c/(c+d)}RR=CI0​CIe​​=c/(c+d)a/(a+b)​2.4.8.对于发病密度资料：RR=IDeID0=a/人年ec/人年0RR=\frac{ID_e}{ID_0}=\frac{a/\{人年}_e}{c/\{人年}_0}RR=ID0​IDe​​=c/人年0​a/人年e​​5.9.意义解读（结合流行病学语言）：1.6.10.RR=1.0，表示暴露与疾病无统计学关联。2.7.11.RR>1.0，表示暴露是疾病的危险因素（或风险因素），暴露组的发病风险是非暴露组的RR倍。3.8.12.RR<1.0，表示暴露是疾病的保护因素，暴露组的发病风险是非暴露组的RR倍（例如RR=0.5，说