免费医学论文-来自第一个在线医疗保健分析平台 - 利文斯通的真实世界证据。验证其描述性流行病学模块。

抽象

发病率和患病率是决定疾病数量的关键流行病学决定因素。我们将有史以来第一个在线、基本上是实时的医疗保健分析平台 Livingstone 自动得出的发病率和患病率估计值与可比同行评审研究的结果进行了比较，以验证描述性流行病学模块。利文斯通常规NHS数据的来源是临床实践研究数据链（CPRD）。在应用一般检索策略寻找任何疾病或病症后，首先检索了76项相关研究，其中10项符合预先指定的纳入和排除标准。这些研究中报告的结果与利文斯通自动产生的估计值进行了比较。已发表的报告描述了14种疾病或病症的流行病学要素。Lin的一致性相关系数（CCC）用于评估利文斯通的发现与已发表研究中详述的研究结果之间的一致性。每项研究与利文斯通报告的最后一年发病率值的一致性为0.96（95%CI：0.89-0.98），而对于所有年度发病率值，一致性为0.93（0.91-0.94）。对于患病率，每项研究与利文斯通报告的最终年度患病率的一致性为1.00（0.99-1.00），对于所有报告的年度患病率值，一致性为0.93（0.90-0.95）。利文斯通与最新发表的研究结果之间的一致性对于患病率和发病率几乎是完美的。现在首次可以从常规健康记录中近乎实时地自动生成可靠的描述性流行病学。利文斯通提供了第一个从真实世界数据中快速生成所有临床事件的标准化描述性流行病学的机制。

作者摘要

对来自患者护理的大型数据集的分析现在很常见。不过，这些研究很复杂。他们通常需要一支具有一系列高级技能的团队。英国NHS数据尤其如此。由于这些不同的障碍，到目前为止，这些类型的医疗保健研究的自动化从未发生过。在这里，我们报告了第一个执行此操作的自动分析平台，称为Livingstone。利文斯通可以很快地进行某些类型的健康相关研究，通常需要 12 到 24 个月才能完成。在这里，我们报告了我们如何检查利文斯通生成的输出数字与同行评审科学研究中发表的相应数字。利文斯通的表现非常好。

数字

Table 3表1表2图1Table 3表1表2图1

引文： Heywood BR， Morgan CL， Berni TR， Summers DR， Jones BI， Jenkins-Jones S， et al. （2023） 来自第一个在线医疗保健分析平台 - 利文斯通的真实世界证据。验证其描述性流行病学模块。公共科学图书馆数字健康 2（7）： e0000310. https://doi.org/10.1371/journal.pdig.0000310

编辑 器： 刘楠，杜克-新加坡国立大学医学院，新加坡

收到： 16月 2023， 26;接受： 2023月 25， 2023;发表： <>月 <>， <>

版权： ? 2023 海伍德等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

数据可用性： 基础数据可从英国医疗保健产品监管局 （https://cprd.com/） 获得。

资金： 作者没有为这项工作获得具体资金。

竞争利益： 提交人声明不存在相互竞争的利益。

介绍

描述任何疾病、病症或临床干预的描述性流行病学的两个最常用的指标是它们的发病率和患病率。Rassen及其同事解释了推导慢性病这些参数所涉及的许多技术挑战中的一些[1]。从技术上讲，终身状况是最容易描述的，因为一旦一个人被诊断出患有某种疾病，他们就会留在流行病例的池中，只有他们第一次记录的事件是事件。更难表征的是没有终生病程的急性或慢性疾病的发病率和患病率。例如，在确定急性咳嗽的流行病学时，尚不明显地发现相隔12周记录的2例咳嗽诊断是两种不同的事件事件还是代表慢性咳嗽[<>]。这可能导致研究人员使用不同病例定义的不同估计。在自动化分析系统中考虑这些因素以产生可靠、可复制的描述性流行病学需要标准化的方法来引出和捕获用户需求，以及算法决策规则。

确定疾病流行病学的最常见方法是分析常规健康记录，现在通常称为真实世界数据（RWD）。这些记录可以来自各种医疗保健提供者或用户来源，但最广泛使用的是全科诊所或住院和门诊就诊。理想情况下，这些应该是记录链接的。

目前，英国初级保健使用三种主要的临床计算机系统来管理患者记录：Vision，Egton医疗信息系统（EMIS）和SystmOne。这些系统以不同的方式记录临床活动，并使用不同的数据模型。对来自多个这些系统的数据进行集体分析需要非常小心。提供可靠和有用的流行病学产出的另一个制约因素是研究的技能、经验、时间和财务成本。剑桥大学的流行病学家最近表示，使用来自临床实践研究数据链（CPRD）等来源的常规NHS数据进行此类研究可能需要近200万英镑，并且需要长达两年的时间[000]。

除了分析复杂性和数据质量问题之外，为此目的开发自动化分析平台的计算挑战是多方面的。例如，从数据源开始到最后一个数据收集点，可以随时确定发生率。患者的病史通常会迅速变化，但自动化要求这些复杂的计算必须在数据源持续时间内与选定的时间点同时计算，一旦目标研究组、感兴趣的时间点和其他研究特征等因素已被用户定义。

据我们所知，尚未设计出可以从常规医疗保健数据中确定这些描述性流行病学指标的自动化系统;对于所有疾病或其他临床事件，对于表型亚组，在较长的观察期内，并且近乎实时;这意味着处理可能需要几分钟时间。主要是由于云计算的发展，现在才有可能在这些大型复杂的数据集上进行这些复杂的计算。本研究的目的是通过将利文斯通（第一个此类分析平台）的流行病学结果与类似的同行评审结果进行比较来验证其流行病学输出。

方法

分析平台

Livingstone 是一个基于云的分析平台，可近乎实时地分析复杂的医疗保健数据 [4]。利文斯通为技术和非技术用户提供分析工具，能够快速生成复杂的健康情报。Livingstone允许用户通过可浏览的临床词典创建代码列表或上传现有的代码列表。然后，可以使用此类列表来定义和选择研究队列，如有必要，可以根据对各种患者特征的详细实时探索进一步完善研究队列。然后由利文斯通分析最终的研究队列以产生流行病学结果。还提供相应的成本模块，用于计算全科联系人、处方药和设备、门诊就诊和住院患者的资源使用和财务成本。其他模块正在开发或计划中。

利文斯通不可或缺的流行病学模块的目的是将科学研究压缩到几分钟，否则需要经验丰富的调查人员团队12到18个月才能完成。这是通过消除对基本研究人员输入的需求来完成的，例如：数据清理、数据操作、代码开发、代码检查和输出验证。

数据源

对于这些分析，利文斯通使用了CPRD的初级保健数据。CPRD的数据集GOLD（视力）和Aurum（EMIS）包含来自英国一般实践的纵向假名数据[5，6]。本研究使用了 CPRD-Aurum 截至 2021 年 2021 月的数据和 CPRD-GOLD 截至 72 年 2 月的数据。来自大约500，<>个一般诊所的<>多万人的数据可用。Vision和EMIS是英国最常用的两个系统，用于管理患者的临床记录。

道德认可

CPRD数据是根据英国药品和保健产品监管局的许可获得的。这项研究已获得CPRD研究数据治理批准（22_002001）。RDG批准这项研究是为了验证标准化算法，以估计临床实践研究数据链中选定疾病的患病率和发病率。该算法是Livingstone平台的基础 - 第一个可以生成自动发病率和患病率值的分析平台。

已公布流行病学数据的选择

检索了美国国立卫生研究院的PubMed生物医学文献档案，以确定包含发病率和患病率统计数据的相关研究。使用了以下搜索策略，要求满足所有条件：

主要结局是基于标题关键字的患病率或发病率

数据来源是英国四个主要初级保健数据库中的一个或多个：健康改善网络（THIN）[7]，全科医学研究数据库（GPRD;CPRD的前身）[8]，CPRD [8]或QResearch [9]

出版日期在 1 之后圣2016年<>月

经审查，论文包括相关的流行病学统计数据。

调查结果按单个日历年提交，而不是多年时间框架。

然后，在利文斯通将符合我们标准的疾病作为个体疾病队列进行分析。

利文斯通的案例选择

每个疾病队列的分析都是使用GOLD和Aurum的组合数据集进行的。这些数据包括男性和女性患者，他们的研究质量符合CPRD的定义，并且至少有一天的注册随访。CPRD GOLD的病例必须至少进行一天的符合标准（UTS）随访，CPRD质量指标（未应用于CPRD Aurum），考虑了实践的死亡记录和数据连续性。这排除了21%的病例。为避免重复，来自CPRD GOLD的病例，其全科医生实践随后迁移到CPRD Aurum的病例被排除在合并数据之外，Aurum的29个实践中登记的病例被标记为重复。

大多数选定的论文都附有定义他们报告的疾病的临床代码列表。因此，在可能的情况下，使用直接映射到所讨论疾病的已发布代码的代码，从合并的CPRD数据中选择患者。如果公布的代码不完全适用于CPRD数据，则使用我们自己的算法将这些代码映射到最近的适用代码，并且在论文没有附带代码列表的情况下，我们编制了自己的代码列表。

最长观察周期为1圣2004年31月至<>日圣2020 年 <> 月。对于每个患者，CPRD随访的开始被设定为他们的实践注册日期，或者在CPRD GOLD中，作为他们的注册日期或他们实践的UTS日期的后者。CPRD数据随访的结束被定义为患者最早从诊所转出的时间（如果适用）、死亡日期（如果适用）或诊所的最终数据收集日期。就诊日期被定义为患者首次指示相关疾病的临床记录的日期。

发病人群和流行人群

对于慢性病，计算点患病率。如果疾病队列中的患者的CPRD随访期和他们对所选疾病的暴露与中点重叠（30千六月）的任何日历年。患病率分析的分母人群包括合并数据集中所有研究质量可接受的患者，其CPRD随访与日历年的中点重叠。

对于急性疾病，计算经期患病率。如果主要队列中的患者的CPRD随访期和他们对病情的暴露与观察期内任何日历年的任何部分重叠，则有资格纳入期间患病率分析。患病率分析期间的分母人群包括合并数据集中所有研究质量可接受的患者，其CPRD随访与日历年的中点重叠。

如果疾病队列中的患者在CPRD随访期内有就诊日期，并且该事件记录发生在其注册日期后90天或更长时间，则有资格纳入发病率分析。对于终身疾病，患者被认为在CPRD随访结束之前一直处于该病症中。对于所有其他疾病，患者被认为在该疾病的用户定义的预期持续时间内暴露于该疾病，如果在前一时期内没有与用户定义的疾病持续时间相称的该疾病的其他记录，则该疾病记录被视为事件。发病率分析的分母包括合并数据集中至少注册90天的所有研究质量患者的总注册期。

统计方法

使用每个日历年的事件病例作为分子，并以所有注册的合格患者每年累计观察的人次作为分母计算观察期内的发病率。对于每年，人-时间计算为最晚的 1 之间的差值圣90月，患者开始CPRD随访，登记日期加31天，最早发病的特异性疾病事件，<>圣12月，患者结束CPRD随访。给出了英国整体的发病率。

根据所讨论的疾病是急性的、非终生的还是慢性的，计算周期和点患病率值。点患病率在年中点（30千6月）在观察期内酌情。对于点患病率，在每个年中点暴露于疾病的患者形成分子。对于经期患病率，年内暴露于急性疾病的患者组成分子。每年年中符合条件的CPRD人口构成分母。介绍了英国总体人群的患病率。

在计算发病率和患病率之前，定义了疾病慢性性和预期持续时间的设置，以及用于选择疾病队列成员的临床代码列表。一旦平台根据每种疾病得出发病率和患病率结果，我们将这些值与已发表的结果进行比较。

Lin的一致性相关系数（CCC）是在利文斯通产生的值和相应的出版物之间计算的。这是使用R统计软件DescTools包中的CCC命令进行的。Lin's CCC在仅根据10个观测值计算时是稳健的[10]。对林的CCC有不同的解释，但最有力的建议是：<0.90，差;0.90 至 0.95，中等;0.95 至 0.99，实质性;≥0.99：近乎完美[11]。

结果

从PubMed档案的初始检索中，检索到76项研究（S1表），其中10项符合我们预先指定的标准，并与Livingstone的估计值进行了比较。这些比较研究详见表1。S2表总结了研究被淘汰的原因。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 1. 选定的比较研究列表。

https://doi.org/10.1371/journal.pdig.0000310.t001

已发表研究的发病率数据

10项已发表的对照研究共同报告了14种疾病的发病率估计值。这些研究的最新年发病率值以及利文斯通产生的估计值显示在表2中。发病率根据分子的大小用分母表示。利文斯通对这14种疾病的发病率值从每0万人年73.1例到每000人年000.7例不等。对于比较研究，范围为每14，1人年000.1至每30，100人年000.6人。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 2. 来自已发表研究和利文斯通的最新年发病率和患病率值。

https://doi.org/10.1371/journal.pdig.0000310.t002

发病率一致性

对照研究报告的最新年发病率值与利文斯通产生的最新年发病率值之间的一致性为 0.96（95% CI：0.89–0.98;图1A）。比较器研究报告的所有年发病率值与利文斯通的等效值之间的一致性如图1B所示。所有报告值的总体一致性为0.93（0.91-0.94）。两项研究公布了性别特异性发病率。按性别划分的总体一致性为0.93（0.88-0.96）。对于个别疾病，发病率值之间的一致性范围从糖尿病视网膜病变的0.95（0.86-0.98）到系统性硬化症的-0.04（-0.58-0.52）（表3）。Lennox-Gastaut综合征的研究没有报告发病率值。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图1. 最近一年和所有可用年份的发病率和患病率值的相关性。

https://doi.org/10.1371/journal.pdig.0000310.g001

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 3. 特定病症发病率和患病率一致性。

https://doi.org/10.1371/journal.pdig.0000310.t003

已发表研究的患病率数据

10项对照研究报告了12种疾病的患病率估计值。

表2显示了这些研究的最新年度患病率以及利文斯通提供的估计值。利文斯通产生的患病率估计范围从每0，167人年10.000例到每10人年61.100例不等。对于已发表的研究，范围为每0，289人年10.000例至每10人年77.100例。

流行率一致性

每项比较研究中报告的最终年度患病率值与利文斯通产生的值之间的一致性为1.00（0.99-1.00;图 1C）。两项研究还公布了性别特异性患病率，其相关性为0.95（0.90-0.98）。对于每项研究报告的所有年度患病率值，一致性为0.93（0.90-0.95;图 1D）。很明显，糖尿病视网膜病变的估计值相关性差。删除这些值后，一致性为 0.99 （0.99–1：00）。对于每种疾病，一致性范围从吉兰 - 巴雷综合征的1.00（0.99-1.00）到糖尿病视网膜病变的-0.06（-0.13-0.00）（表3）。系统性硬化症和Lennox-Gastaut综合征的研究报告每个值只有一个值，因此无法确定一致性。没有报告患病率的NVAF值，因此没有计算一致性。

讨论

这项研究将来自已发表研究的一系列疾病的发病率和患病率估计值与基于云的在线分析平台Livingstone自动生成的疾病进行了比较。对于最近几年的估计值比较，患病率的一致性接近完美（1.00），发病率的一致性很大（0.96）。

虽然这两组估计值都来自常规NHS数据，但它们不一定使用相同的数据源，因此我们预计不会精确地复制已发表的估计值。利文斯通得出的估计值基于CPRD Aurum（EMIS）和GOLD（视力）数据集的组合，但只有两项比较研究使用相同的组合数据[12，13]。其余研究单独使用CPRD GOLD或THIN，两种来源均来自使用Vision软件的初级保健实践。与那些结合使用CPRD Aurum和GOLD的研究相比，我们的估计来自后来的版本，并且具有更大的数据源版本。此外，计算方法也存在一些差异。对于慢性病，利文斯通计算了点患病率，而两项比较研究[14，15]计算了经期患病率，这将产生系统性的更高估计值。两项研究还将他们的年度估计值标准化为最近一年，在这里，人们再次期望与利文斯通自动得出的估计值有所不同[12，14]。

从S2和S3表中可以看出，大多数研究的疾病报告发病率和患病率随着时间的推移而增加。所报告的疾病患病率和发病率的长期变化可能是由于真正的增加，也可能是由于病例确定的差异。此外，当估计值来自常规数据源时，观察到的增加可能是电子医疗保健系统诊断记录增加的人工制品。这在CPRD中已有发现[15]。计算机化系统允许用户以自由文本和/或通过输入临床代码输入诊断，因此随着时间的推移，这些替代数据输入方法的使用比例的变化将影响仅从临床代码得出的明显患病率估计。同样，来自二级保健的包含诊断信息的信件可以扫描到患者记录中，或者实践可以从中提取数据并将临床代码输入电子记录。2003年引入的质量和结局框架（QOF）鼓励了电子记录临床编码记录的增加[16]。

因此，在确定有效性时，重要的是我们只应比较直接可比年份的估计数。最近几年的患病率估计值一致为1.00，从表3可以看出，各个估计值大致相当。然而，在比较个别疾病随时间推移的患病率值时，一致性较低。对于糖尿病视网膜病变，2004年至2014年的值一致性较差（-0.06）。Mathur及其同事报告说，25年的患病率为83.10/000，2004人，22年为01.2014人[14]，但利文斯通的起始值较低，但分别从每7，25人20.03上升到10.000。在此期间，人们更加意识到需要对糖尿病视网膜病变进行系统筛查，并于2005年推出了国家筛查计划[17]。据报道，由于对糖尿病的认识提高等因素，记录在案的糖尿病患病率也从2003年开始急剧上升[18，19]。因此，我们质疑已发表研究中提供的数据的可靠性。

如上所述，两项对照研究的估计值将年龄和性别标准化为指数年。这包括Carey及其同事研究的六种神经肌肉疾病[12]，这解释了与利文斯通在每年对这些个体疾病的一致性较差，而指数年（2019年）得出的估计值高度一致。由于研究期间某些条件的估计相对一致，潜在的双变量分布是重尾的，在这种情况下，Lin的CCC不太稳健。这可以在系统性硬化症中观察到，尽管年度估计大致相似，但其一致性为-0.04。2004年报告的最大差异是，在已发表的来源中，每1万人中有79.100人，而利文斯通为每000万人中有2.17人。

最近一年的发病率一致性较低（CCC = 0.96），部分原因是发病率的计算具有更大的变异性范围。例如，有必要选择足够的清洗期，以最大限度地增加可以可靠地指定为此类事件的真实事件案例的数量。同样，定义急性疾病病例比定义慢性疾病病例更困难。在这项研究中，根据我们的选择标准，只检索了一种急性疾病莱姆病。然而，Tulloch及其同事[20]只考虑了第一次事件，因此实际上他们的计算方法与慢性病相同，因为具有多个离散事件的患者只包括一次。因此，两组估计数之间的一致性很差（CCC = 0.36）。此外，Tulloch及其同事的研究是使用THIN[7]的数据进行的，因此临床代码列表的差异也可能促成了这些差异。这些例子有助于解释为什么预期研究结果的一致性之间存在一些差异。更重要的是。不过，它提供了一个重要的例证，说明使用标准化、可复制和经过验证的流行病学方法的动机。直到现在，这还是不可能的。

英国卫生系统的性质意味着我们拥有详细的纵向医疗保健数据，这些数据适用于非选择性的、大部分人口，这些数据很容易进行分析。虽然不完全独特，但这是不寻常的。例如，美国的保险索赔数据或医疗保险记录并非如此。这些替代医疗保健系统产生的数据来自选择性人群，这意味着这些流行病学指标需要进一步建模以估计总体人口价值。关于确定可靠的描述性流行病学，利文斯通应该在数据全面、存在适当分母或经过深思熟虑的统计工作估计的大多数情况下工作。然而，在某些情况下，情况并非如此，然后可以使用利文斯通来生成即时策划数据，以快速执行这些统计建模练习。关于其他健康通用数据模型，如OMOP，利文斯通经过优化，可以使用来自多个记录系统的详细、链接的NHS数据。使用 OMOP 会丢失许多重要的数据粒度，因此我们避免使用此过程。但是，可以轻松应用过滤器，并且平台将正常运行。

存在其他加快医疗保健数据分析的平台，例如Aetion Evidence Platform [21]，Panalgo的即时健康数据分析[22]和伯明翰大学研究人员的Dexter[23]。这些替代平台与利文斯通明显不同，因为它们通过更快地产生用于进一步分析的精选数据来加快健康研究。利文斯通只需几分钟即可生成完整的分析。Dexter小组于2021年24月报道了类似的研究方案[2022]，并于25年<>月首次发表[<>]。

使用NHS数据进行这种性质的流行病学研究存在技术挑战。自动化分析系统必须有效、可靠、快速、可重复、可扩展且理想情况下用户友好，以便该平台可以被尽可能多的受众使用。这种系统的潜在效用以大流行为例。COVID-19显示了快速健康情报在公共卫生保护方面的效用。如果它可用，我们的自动化分析平台可能在监测英国流行病的进展方面具有相当大的价值，更重要的是，在评估和监测减少获得医疗保健的机会对所有其他疾病的影响方面。英格兰最新的癌症登记统计数据是2019年的，因此无法深入了解大流行的严重问题。

总之，我们首次开发了一种自动化系统，可以快速可靠地确定任何疾病或病症的描述性流行病学，以及任何手术程序、药物暴露或选定表型的描述性流行病学。我们现在首次拥有一种机制，可以从常规医疗保健数据中快速生成标准化的描述性流行病学。

支持信息

总结候选研究被淘汰的原因。

显示 1/3： pdig.0000310.s001.docx

跳到无花果共享导航

抱歉，我们无法预览此文件

1 / 3

下载

无花果分享

S1 表。 总结候选研究被淘汰的原因。

https://doi.org/10.1371/journal.pdig.0000310.s001

（文档）

S2 表。 已发表研究和利文斯通的年发病率值。

https://doi.org/10.1371/journal.pdig.0000310.s002

（文档）

S3 表。 已发表研究和利文斯通的年患病率值。

https://doi.org/10.1371/journal.pdig.0000310.s003

（文档）

引用

1.Rassen JA，Bartels DB，Schneeweiss S，Patrick AR，Murk W.在索赔和电子健康记录数据库中测量慢性病的患病率和发病率。临床流行病学 2019;11：1–15 pmid：30588119

查看文章PubMed/NCBI谷歌学术搜索

2.Holden SE， Morice A， Birring SS， Jenkins-Jones S， Langerman H， Weaver J， et al.初级保健中的咳嗽表现和慢性咳嗽的识别：是否需要诊断清晰？Curr Med Res Opin 2019;36：139–150 pmid：31558053

查看文章PubMed/NCBI谷歌学术搜索

3.剑桥大学。常见问题 - 初级保健病房。[引自1年2022月<>日]。可用： https://www.phpc.cam.ac.uk/pcu/research/research-groups/crmh/cprd_cam/frequently-asked-questions/

查看文章谷歌学术搜索

4.利文斯通。可用： https://www.humandatasciences.com/

5.临床实践研究数据链。用于公共卫生研究的初级保健数据。[引自1年2022月<>日]。可用： https://cprd.com/primary-care-data-public-health-research

查看文章谷歌学术搜索

6.沃尔夫 A， 戴德曼 D， 坎贝尔 J， 布斯 H， 伦恩 D， 查普曼 J， 等.数据资源配置文件：临床实践研究数据链（CPRD）Aurum。国际流行病学杂志 2019;48： 1740–1740g pmid：30859197

查看文章PubMed/NCBI谷歌学术搜索

7.薄。医疗保健数据研究。[引自1年2022月<>日]。可用： https://www.the-health-improvement-network.com/

查看文章谷歌学术搜索

8.中国人民与民主主义人民民主主义人民共和国。临床实践研究数据链。[引自1年2022月<>日]。可用： https://cprd.com/

查看文章谷歌学术搜索

9.QResearch.主页 - QResearch。[引自1年2022月<>日]。可用： https://www.qresearch.org/

查看文章谷歌学术搜索

10.国家电影网。PASS 样本量软件 812–1 林氏一致性相关系数。可用： https://www.ncss.com/software/pass/correlation-in-pass/

查看文章谷歌学术搜索

11.麦克布莱德·林氏一致性相关性的一致性标准提案。2005年NIWA客户代表;45:307–310.

查看文章谷歌学术搜索

12.凯里 IM， 班霍夫 E， 尼尔马拉南坦 N， 哈里斯 T， 德怀尔德 S， 乔杜里 UAR， 等.2000 年至 2019 年间英国神经肌肉疾病的患病率和发病率：一项使用初级保健数据的回顾性研究。公共科学图书馆一号 2021;16：e0261983 pmid：34972157

查看文章PubMed/NCBI谷歌学术搜索

13.Ajabnoor AM， Zghebi SS， Parisi R， Ashcroft DM， Rutter MK， Doran T， et al.2009 年至 2019 年英格兰非瓣膜性心房颤动和口服抗凝剂处方的发病率：一项队列研究。公共科学图书馆医学 2022;19：e1004003 pmid：35671329

查看文章PubMed/NCBI谷歌学术搜索

14.Mathur R， Bhaskaran K， Edwards E， Lee H， Chaturvedi N， Smeeth L， et al.英国糖尿病视网膜病变 10 年发病率和患病率的人口趋势：2004-2014 年临床实践研究数据链中的队列研究。BMJ Open 2017;7：e014444 pmid：28246144

查看文章PubMed/NCBI谷歌学术搜索

15.Braithwaite T， Subramanian A， Petzold A， Galloway J， Adderley NJ， Mollan SP， et al.英国视神经炎发病率和患病率的趋势以及与全身性和神经系统疾病的相关性。JAMA 神经 2020;77：1514–1523 pmid：33017023

查看文章PubMed/NCBI谷歌学术搜索

16.NHS数字。NHS成果框架（NHS QOF）。[引用日期2年2022月<>日]。可用： https://digital.nhs.uk/data-and-information/publications/statistical/nhs-outcomes-framework

查看文章谷歌学术搜索

17.斯坎伦·2003-2016年英国国家糖尿病视网膜病变筛查计划。Diabtol学报 2017;54：515–525 pmid：28224275

查看文章PubMed/NCBI谷歌学术搜索

18.霍尔顿 SE， 詹金斯-琼斯 S， 摩根 CL， 彼得斯 JR， 施恩塔纳 G， 柯里 CJ.2 年至 1991 年英国 2013 型糖尿病患者的患病率、血糖控制和相对生存率。糖尿病医学 2017;34：770–780 pmid：28173634

查看文章PubMed/NCBI谷歌学术搜索

19.Swain S， Sarmanova A， Mallen C， Kuo CF， Coupland C， Doherty M， et al.英国骨关节炎的发病率和患病率趋势：临床实践研究数据链（CPRD）的结果。骨关节炎软骨 2020;28：792–801 pmid：32184134

查看文章PubMed/NCBI谷歌学术搜索

20.Tulloch JSP， Christley RM， Radford AD， Warner JC， Beadsworth MBJ， Beeching NJ， et al.1998-2016 年英国初级保健队列中新诊断莱姆病病例发病率的描述性流行病学研究。BMC 感染 DIS 2020;20：285 pmid：32299372

查看文章PubMed/NCBI谷歌学术搜索

21.艾蒂恩证据平台。https://aetion.com/technology/platform/上次访问时间：10 年 2023 月 <> 日

查看文章谷歌学术搜索

22.即时健康数据分析。https://panalgo.com/ihd-analytics/上次访问时间：10 年 2023 月 <> 日

查看文章谷歌学术搜索

23.Gokhale KM，Chandan JS，Toulis K，Gkoutos G，Tino P，Nirantharakumar K.流行病学研究的数据提取（DExtER）：自动化临床流行病学研究的新工具。欧洲流行病学杂志 2021，36;165–178 pmid：32856160

查看文章PubMed/NCBI谷歌学术搜索

24.临床实践研究数据链数据库中嗜酸性肉芽肿性多血管炎 （EGPA） 患者的患病率和医疗保健利用率。https://cprd.com/protocol/prevalence-and-healthcare-utilization-patients-eosinophilic-granulomatosis-polyangiitis上次访问时间：10 年 2023 月 <> 日

查看文章谷歌学术搜索

25.Hwee J， Fu Q， Harper L， Nirantharakumar K， Goel R， Jakes R. 英国EGPA患者的流行病学和医疗资源利用。风湿性疾病年鉴 2022，81（增刊 1） https://ard.bmj.com/content/81/Suppl_1/411.1 上次访问时间：10 年 2023 月 <> 日

查看文章谷歌学术搜索

26.强人H，考萨尔一世，马赫TM。英国特发性肺纤维化患者的发病率、患病率和生存率。Adv Ther 2018;35：724 pmid：29644539

查看文章PubMed/NCBI谷歌学术搜索

27.Chin RFM，Pickrell WO，Guelfucci F，Martin M，Holland R.Lennox-Gastaut综合征的患病率，医疗保健资源利用和死亡率：回顾性连锁队列研究。癫痫发作 2021;91：159–166 pmid：34161904

查看文章PubMed/NCBI谷歌学术搜索

28.Springate DA，Parisi R，Kontopantelis E，Reeves D，Griffiths CEM，Ashcroft DM.牛皮癣患者的发病率，患病率和死亡率：一项基于英国人群的队列研究。Br J Dermatol 2017;176：650–658 pmid：27579733

查看文章PubMed/NCBI谷歌学术搜索

29.罗伊尔JG，兰永PC，格兰格MJ，阿布舍克A，皮尔斯FA。英国临床实践研究数据链中系统性硬化症的发病率、患病率和生存率。Clin Rheumatol 2018;37：2103–2111 pmid：29961234

查看文章PubMed/NCBI谷歌学术搜索