医学流行病学答辩数据预处理教学课件.pptxVIP

一、前言演讲人

01前言02病例介绍：以某社区高血压流行病学调查为例03护理评估：像“医生查体”一样审视数据质量04护理诊断：定位数据问题的“病灶”05护理目标与措施：像“制定治疗方案”一样处理数据06并发症的观察及护理：预处理后要警惕“二次伤害”07健康教育：从“治已病”到“治未病”08总结：数据预处理是“带着镣铐的舞蹈”目录

医学流行病学答辩数据预处理教学课件

01前言

前言各位同仁、同学们：

站在讲台前，我想起去年参与某省慢性阻塞性肺疾病（COPD）流行病学调查项目时的场景——项目组花了3个月走村入户收集了2.3万份问卷和体检数据，可当我打开原始数据库的那一刻，额头直冒冷汗：血压值填成“120/800”的、吸烟年限标为“-5年”的、同一患者在不同问卷中身份证号对不上的……这些问题如果不解决，后续的统计建模、危险因素分析全是“空中楼阁”。

数据预处理，是流行病学研究的“第一块砖”。它不像问卷设计那样“抓人眼球”，也不像模型构建那样“技术感强”，但却是决定研究结果真实性、可靠性的关键环节。今天，我想以自己参与过的3个流行病学项目经验为线索，结合具体案例，和大家聊聊数据预处理的“里子”——那些藏在代码、表格背后的逻辑、细节与温度。

02病例介绍：以某社区高血压流行病学调查为例

病例介绍：以某社区高血压流行病学调查为例2022年，我所在的团队承接了某市“高血压患病现状及影响因素”社区调查项目。目标人群是18岁以上常住居民，样本量设计为1.5万例，数据来源包括：①结构化问卷（人口学特征、生活方式、疾病史）；②现场体检（血压、身高、体重、腰围）；③实验室检测（空腹血糖、血脂）。

原始数据的“乱象”当数据录入员将Excel文件传给我时，我做的第一件事不是开分析软件，而是打印了前100份问卷的“数据一致性核查表”——这是我从导师那里学来的“笨办法”，却最能发现问题。01完整性问题：约8%的问卷漏填了“每周运动时长”，12%的体检表缺失“腰围”（部分调查员解释“居民不愿意脱外衣测量”）；02准确性问题：血压值出现“250/180”（超出临床危急值）、BMI计算错误（某份数据身高1.65米、体重50公斤，BMI却标为28.7）；03一致性问题：同一居民在问卷中自述“不饮酒”，但体检表“酒精性肝病”一栏填了“是”；身份证号与年龄矛盾（如身份证显示1965年出生，但年龄填“40岁”）；04

原始数据的“乱象”格式混乱：“文化程度”有“小学”“小学毕业”“小学未毕业”三种写法；“吸烟情况”有“0”“无”“否”三种编码。

这些问题不是“小瑕疵”，而是会直接扭曲结果：比如漏填“运动时长”的人群可能本身运动习惯差，若直接删除会低估运动与高血压的关联；错误的血压值会拉高“高血压患病率”的统计结果；不一致的逻辑会让多因素分析出现“伪关联”。

03护理评估：像“医生查体”一样审视数据质量

护理评估：像“医生查体”一样审视数据质量数据预处理的第一步，是“评估数据质量”——这和医生给患者做体格检查类似，需要系统、细致地“望闻问切”。

完整性评估：看数据“缺不缺”我们用Excel的“计数”函数、SPSS的“缺失值分析”模块，统计每个变量的缺失率。例如，“每周运动时长”缺失率8%，但进一步发现：缺失集中在65岁以上老年组（缺失率15%），可能因老人记不清或不愿回答；“腰围”缺失率12%，主要来自农村女性（20%），与调查员描述的“测量不便”一致。

准确性评估：看数据“对不对”值域检查：数值型变量设定合理范围（如血压收缩压50-200mmHg，年龄0-120岁），超出范围的标记为异常值；01逻辑检查：分类变量的内部一致性（如“吸烟”=“是”则“吸烟年限”应≥1年）；计算变量的准确性（如BMI=体重/身高2，手动复核100例计算错误）；02交叉验证：调取10%的原始问卷与录入数据比对，发现“文化程度”录入错误率3%（如“初中”误录为“高中”），“饮酒频率”错误率5%（“偶尔”误录为“每天”）。03

一致性评估：看数据“通不通”建立“变量关系字典”：比如“高血压病史”=“是”，则“目前是否服药”应非空；“糖尿病病史”=“是”，则“空腹血糖”应≥7.0mmol/L（或注明“未检测”）。通过逻辑函数筛选出矛盾数据，例如127例“自述高血压但未服药且血压正常”，需要联系调查员复核（最终确认89例为“近期停药”，38例为“问卷填写错误”）。

04护理诊断：定位数据问题的“病灶”

护理诊断：定位数据问题的“病灶”经过评估，我们给这批数据下了“诊断”——就像医生给患者下诊断书一样，需要明确问题类型、严重程度和影响范围。

轻度问题（可直接修正）1格式不一致：如“文化程度”统一为“小学及以下”“初中”“高中/中专”“大专及以上”；2编码错误：将“吸烟情况”的“0”“无”“否”统一编