病例率下降，为什么不能只看一个百分比：分母变化、报告延迟与不确定区间怎么分

一份项目简报把病例率从 12.4% 降到 9.8% 标成绿色，会议室里很容易随即出现一句话：风险已经下降。真正值得问的却不是两个百分点相差多少，而是这两个数是不是用同一种方法得到。同期若扩大检测范围、换了人口估计、改变病例定义，或者本月仍有机构没有完成上报，9.8% 与 12.4% 可能根本不在同一把尺上。

率是分子除以分母后的结果，不是独立存在的事实。它适合压缩信息，却也会把分子、分母和资料成熟度的变化藏在一个小数里。率值只有在分子、分母、时间窗和报告机制可比时才支持趋势判断，单个百分比不能独立证明风险已经下降。

先分清病例数、粗率和调整后的率

病例数回答观察到多少事件，病例率回答这些事件相对于多大的群体发生。某地本月报告 98 例、上月报告 124 例，病例数确实少了；但如果两个月的检测对象、病例定义或上报单位不同，这个差异还不能直接解释为传播或患病风险变化。

粗率通常把病例数除以同期人口或实际观察人数。经过年龄等因素调整的率，则试图让结构不同的群体更可比。两者都叫“率”，问题却不一样：粗率更贴近当期实际负担，调整率更适合比较结构不同的地区或年份。把调整率与粗率放在同一折线里，会制造一种数字连续、统计对象却已经更换的错觉。

核对时先把每个数字拆成四项：分子是什么、分母是什么、观察期从哪天到哪天、数字在什么日期冻结。简报若只给百分比而没有这四项，最稳妥的处理不是猜测原因，而是把趋势判断暂缓。

分母改变，会让同一批病例呈现不同趋势

WHO 的数据质量评估把人口资料单独作为一项检查，因为人口是率与覆盖比例的分母。两个来源对目标人口的估计若差异明显，即使服务次数或病例数完全一样，计算出来的覆盖率也会改变。CDC 的监测系统评估指南也要求分子与分母在年龄、居住地、时期等类别上可比，观察长期趋势时还要保持分母来源一致。

同一批病例除以常住人口与除以实际纳入报告的人口，会得到含义不同的两个率。前者可能描述整个地区的报告发病水平，后者更像被系统观察到的人群中的阳性比例。检测点从三家扩到八家后，实际纳入报告的人群会变化；人口普查更新后，常住人口估计也可能跳动。数字仍然可以正确计算，但不能继续沿用旧解释。

假设病例数从 100 例降到 90 例，同时分母从 1,000 人增到 1,500 人，率会从 10% 降到 6%。下降的四个百分点里既有分子减少，也有分母扩大。若只展示 10% 与 6%，读者无法知道哪一部分来自真实事件变化，哪一部分来自观察范围改变。当分母来源、覆盖人群或报告延迟改变时，即使真实事件没有同步变化，率值也会移动。

分母核对不只是看总人数。年龄分组、地区边界、纳入资格和是否排除未报告地区都要对应。CDC 的 NNDSS 年度表在计算特定人口的发病率时，会把相同的年龄、性别或族群限制用于分母，并排除当年未报告或该病不属于法定报告范围的地区。这个做法说明：分母要跟着分子的覆盖边界走，而不是从一张方便取得的人口表里随手拿一个总数。

报告延迟会把“还没到齐”伪装成下降

病例从发生到进入汇总表，需要经过当事人识别症状、就医、医生判断、实验室检测、结果回传和机构上报。CDC 把及时性定义为监测链各步骤之间的速度，也提醒不同健康事件应选择不同的时间起点。急性传染病可能关心发病到上报的间隔，慢性病则可能更适合从诊断日期计算。

完整性回答应报告的机构是否实际报告，及时性回答报告是否在预设期限前提交。这两个问题不能合并成一句“数据已更新”。某机构最后虽然补齐整月资料，却晚于简报截点；当时的汇总表在格式上完整，在事件数上仍可能偏低。反过来，机构都按时交表，也不代表每个病例字段没有缺失。

CDC 的 NNDSS 年度终结数据通常在日历年结束后约十个月形成，而且病例数仍可能因漏识别和漏报而偏低。十个月不是所有监测系统的统一等待期，它只说明同一系统也会区分即时资料与核实后的终结资料。看到本周率低于上周率时，应先问两期数据分别成熟到什么程度；用刚截止三天的本周数与已经补报三周的上周数相比，结果天然偏向“下降”。

可以把每次发布标成初报、修订或终结，并记录预计补报窗口。若历史数据会持续回填，趋势图还应保留不同下载日期的快照。这样才能识别某次下降后来是否被补报抹平，而不是让最新文件覆盖掉判断过程。

置信区间不是装饰，也不是偏差清除器

率值即使口径完全一致，仍会受到随机波动影响。事件越少，一两例的变化占比越大。CDC 的美国癌症统计技术说明指出，稀有癌症在某一年多几例或少几例，就可能明显改变率，因此置信区间会更宽，用来表达估计的不稳定程度。

两期点估计从 12.4% 变成 9.8%，不代表下降必然超出随机波动。需要同时看各自区间和适合该资料的比较方法。只凭两个区间是否重叠来判断差异，CDC 也明确不鼓励，因为这种做法比标准检验更容易漏掉差异。反过来，统计上显著的微小差异，也未必具有足以改变公共卫生决策的实际意义。

置信区间只表达估计的随机波动，不能自动吸收漏报、病例定义变化等系统性偏差。CDC 的技术说明明确指出，其区间不涵盖发生率中的系统性非随机偏差。若一个地区漏报较多，得到的区间可能很窄，但中心值依然偏离真实情况；窄区间只能说明在所用模型和资料之内估计较稳定，不能替资料来源担保。

因此，置信区间要放在可比性核查之后。先确认两期统计对象一致，再用区间判断随机不确定性；若分母或上报制度已变，先解决口径问题，比计算更复杂的小数更重要。

建一张同口径对照表，再谈趋势

一张实用的对照表至少有六列：发布期、分子定义、分母来源、覆盖地区或机构、资料冻结日、置信区间。每一列都能对应一种误判。分子定义改变会把新类型病例带入或移出；分母来源改变会重画比例基准；覆盖机构改变会影响代表性；冻结日不同会放大报告延迟；区间宽度则提示随机不确定性。

读到率值下降时，先核对分子定义、分母范围、时间窗、报告完整性和置信区间，再决定能否谈趋势。若其中一项不一致，结论可改写为“本期报告率较低，但口径或成熟度不同，暂不能判断群体风险是否下降”。这不是回避结论，而是把事实、推论和不确定性放在正确位置。

条件都一致时，也要说明比较范围。例如，两期都覆盖同样机构、沿用同一病例定义、采用同一人口来源，并在相同补报窗口后冻结；下降幅度又超过合理的随机波动，才有较充分依据说该监测群体在这段时间呈下降趋势。即便如此，群体率仍不能直接预测某个个人的健康结果。

结论应停在资料能够支持的位置

率值是观察系统对群体事件的压缩表达。它能帮助发现信号，却不会自动解释信号。真正可靠的顺序是先确认统计对象，再核对报告链与资料成熟度，最后处理随机不确定性。把顺序倒过来，用一个显眼百分比先下结论，再寻找理由补充，最容易把统计变化误写成现实变化。

这套判断只适用于已经说明群体、时期和监测制度的资料。它不能替代个案诊断，也不能证明未被系统观察的人群具有相同趋势。若简报缺少分子、分母、截止日或区间，就应要求补充元数据；在信息到齐前，最准确的结论不是“风险下降”，而是“当前资料不足以证明风险已经下降”。

用受控比较识别变化来自哪里

若资料允许，可以把分析拆成两次受控比较。第一次固定病例定义、地区边界和冻结时点，只替换分母来源，观察率值对人口估计有多敏感；第二次固定分母，分别比较初报与补报后的分子。这样不会直接给出真实风险，却能指出下降主要受哪一环影响。

例如，同一地区在同一月份记录 90 例，用旧人口估计 1,000 人计算为 9%，用更新后的 1,200 人计算为 7.5%。病例没有改变，趋势线却下降了 1.5 个百分点。再把分母固定为 1,200 人，初报 70 例是 5.8%，补报后 90 例变成 7.5%，又能看出截止时点造成的低估。两组对照共同提醒：计算正确不等于比较有效。

对照结果也要保留限制。人口估计可能仍有误差，补报完成也不等于漏识别已经消失，病例定义一致更不代表检测机会在各群体间相同。受控比较的价值是缩小解释范围，而不是把观察资料变成实验结论。

资料来源

• 世界卫生组织（WHO）：《Data quality review: Module 3 - Site assessment of data quality》，发布或更新于 2020-12-01
• 美国疾病控制与预防中心（CDC）：《Updated Guidelines for Evaluating Public Health Surveillance Systems》，发布或更新于 2001-07-27
• 美国疾病控制与预防中心（CDC）：《About Annual Tables》，发布或更新于 2026-01-12
• 美国疾病控制与预防中心（CDC）：《Confidence Intervals》，发布或更新于 2026-06-01