医学流行病学答辩双重差分教学课件.pptxVIP

一、前言演讲人

04/护理诊断（流行病学问题诊断）03/护理评估（此处“护理”为广义流行病学评估，非临床护理）02/病例介绍01/前言06/并发症的观察及护理（模型潜在问题与解决）05/护理目标与措施（模型构建与结果解读）08/总结07/健康教育（DID教学的经验分享）目录

医学流行病学答辩双重差分教学课件

01前言

前言站在讲台上，看着台下学生们笔记本上密密麻麻的笔记，我总想起自己第一次接触“双重差分法（Difference-in-Differences,DID）”时的迷茫——那是2018年在省疾控参与控烟政策效果评估项目，面对混杂了时间趋势、地域差异的海量数据，传统统计方法像钝刀割肉，总也切不开“政策真实效应”的那层膜。直到导师指着SPSS输出的DID模型结果说：“看，这两行差分的差值，就是政策带来的净效应。”那一刻，我突然懂了流行病学因果推断的魅力——它不是简单的数字游戏，而是用严谨的设计，为公共卫生决策“剥茧抽丝”。

如今，作为流行病学教研室的带教老师，我愈发觉得：DID不仅是一种统计方法，更是培养“因果思维”的钥匙。医学流行病学的核心是回答“为什么”——为什么某干预有效？为什么某疾病在特定人群中高发？

前言而DID通过“干预组vs对照组”“干预前vs干预后”的双重比较，恰好能控制时间趋势和个体差异这两大干扰源，让因果推断更可信。今天，我想以去年带学生完成的“某市社区高血压管理项目效果评估”为例，和大家分享DID在教学中的应用逻辑，也算是把当年导师点醒我的那束光，再传递给更多年轻的流行病学人。

02病例介绍

病例介绍2022年3月，某市卫健委启动“高血压规范管理社区试点项目”，选取经济水平相近的A区（干预组）和B区（对照组），计划通过“家庭医生签约+动态血压监测+饮食运动指导”三重干预，降低65岁以上高血压患者的血压控制率（目标值：1年内从58%提升至70%）。作为项目评估组成员，我们团队负责效果评价，而我的任务是带8名硕士研究生用DID模型分析数据。

项目基线数据（2022年1月）显示：A区和B区各纳入1200例患者，平均年龄68.3±5.2岁，高血压病程中位数8年，基线收缩压（SBP）152.4±12.7mmHg，舒张压（DBP）92.1±8.3mmHg，两组在年龄、病程、合并症（糖尿病、冠心病）比例上无统计学差异（P0.05）。干预实施后，我们分别在2022年12月（干预后1年）收集两组患者的血压数据，其中A区失访42例（失访率3.5%），B区失访38例（3.2%），均通过意向性分析（ITT）补全数据。

病例介绍记得第一次开数据会，学生小周举着基线趋势图问：“老师，B区基线前3年（2019-2021）的SBP每年下降1.2mmHg，A区同期下降1.1mmHg，这是不是说明两组的时间趋势基本平行？”这个问题问在点子上——DID的核心假设就是“平行趋势”，即干预前两组结果变量的变化趋势一致，这样干预后的差异才能归因于干预措施。而这张趋势图，正是我们后续分析的基石。

03护理评估（此处“护理”为广义流行病学评估，非临床护理）

护理评估（此处“护理”为广义流行病学评估，非临床护理）拿到数据后，我们团队做了三步评估：

第一步：数据质量核查。这是所有分析的前提。我们逐一核对电子健康档案与随访记录，发现A区有12例患者在干预期间转去三甲医院住院，被错误标记为“规范管理”；B区有8例患者因搬家未更新联系方式，导致血压数据缺失。针对这些问题，我们与社区卫生服务中心沟通，修正了“规范管理”的定义（需同时满足签约、3次以上随访、血压达标），并用多重插补法填补缺失值，确保数据的准确性。

第二步：平行趋势检验。为验证干预前两组血压变化趋势是否一致，我们提取了2019-2021年的年度SBP数据，以“年份”为时间变量，“组别”为虚拟变量（A区=1，B区=0），构建线性回归模型：SBP=β0+β1×年份+β2×组别+β3×年份×组别。

护理评估（此处“护理”为广义流行病学评估，非临床护理）结果显示，交互项β3=0.08（P=0.76），说明两组在干预前的SBP变化趋势无显著差异，满足平行趋势假设。小吴在汇报时紧张得声音发颤：“老师，要是平行趋势不满足怎么办？”我拍了拍他的肩：“那就得找原因——是两组基线特征差异大，还是存在其他干扰事件？这时候可能需要调整模型，或者换用倾向得分匹配DID（PSM-DID）。”

第三步：混杂因素识别。流行病学研究中，“混杂”是最狡猾的敌人。我们列出了可能影响血压控制的变量：年龄、性别、文化程度（影响健康知识接受度）、家庭收入（影响医疗支付能力）、是否独居（影响家庭支持）。通过协方差分析（ANCOVA）发现，干预后A区的SBP下降14.2mmHg，B区下降8.5mmHg，但调整年龄和家庭收入后，A区的净效应（即双