CDC定期报告与COVID-19有关的超额死亡人数

最新的一期CDC死亡人数报告(2020年6月17日更新)表明,2020年3月至6月期间美国的死亡人数均明显超过正常年份的预期死亡人数。对过量死亡的估计能够提供可能与新型冠状病毒大流行有关或无关的死亡方面的信息。本文介绍了通过一种数据可视化已几运用统计学的权重算法呈现了死亡发生所在辖区的每周过量死亡估计数。每周的死亡人数与历史趋势进行比较,以确定死亡人数是否明显高于预期。

COVID-19相关的过量死亡人数

冠状病毒(COVID-19)死亡人数的初步估计

2020年6月17日更新

总结

对过量死亡人数的预估能够提供与COVID-19大流行直接相关的死亡负担信息,它们包括直接或间接因于COVID-19导致的死亡。过量死亡通常定义为在特定时间段内观察到的死亡数与在相同时间段内预期的死亡数之差。 这种可视化的方式提供了发生按死亡的辖区分列的每周过量死亡人数的估计数字。 将每周死亡人数与历史趋势进行比较,以确定死亡人数是否明显高于预期。

这里列出了包括COVID-19在内的所有死因和死亡人数。例如 COVID-19导致的一些死亡可能被归为其它死亡原因(比如,COVID-19未被诊断出或在死亡证明书上未被提及),对所有死亡原因的跟踪,可以为观察是否有过量的死亡人数 — 即便在出现COVID-19死亡人数可能被低估的情况下,提供信息。此外,还对与COVID-19无关的所有原因造成的死亡做了估算。比较这两组估计数字(有和没有COVID-19造成的过量死亡), 可以了解到有多少是因COVID-19造成的过量死亡人数、有多少因被报告为因其它死亡原因造成的过量死亡人数。一些数字可能是对COVID-19 导致死亡的错误分类,或者可能与COVID-19大流行间接因素相关(例如,在卫生保健手段短缺或卫生保健系统负担过重的情况下由其它原因导致的死亡)。

截至2020年6月3日,这份报告中添加了按死亡原因分列的每周死亡人数的补充信息。与所有死亡原因类似,这些每周计数可与前几年相同周的值进行比较,以确定特定死亡原因是否在近期有所增加。这里显示的原因是根据对死亡证明报告中最常见的疾病进行分析后得出的,在这些死亡证明上其中COVID-19被列为导致死亡的原因(见https://www.cdc.gov/nchs/nvss/vsrr/covid_weekly/index.htm#Comorbidities)。

对死亡原因的统计是基于患者原有疾病原因所导致的死亡,并按呼吸系统疾病、循环系统疾病、恶性肿瘤、阿尔茨海默病和痴呆列出,这些原因排除了外部因素(如受伤)或未知原因造成的死亡。有关更多详细信息,请参阅《技术说明》。每周的死亡人数和死因也按年龄列出。

过量死亡的估计还可以用多种方法进行计算,这种估算将根据所采用的方法和对死亡数字的假设所做的预测而有所不同。在本网页里对过量死亡人数的估算方法,使用了法灵顿(Farrington)监测算法(1)。一系列过量的死亡概率值的计算,由每星期和辖区内观察到的过量死亡数字和两种阈值之一(平均预期数或95%可信区间CI 的上限)之间的差异而得出的。

临时死亡人数会被归入到不完整的数据中进行甄别。然而,最近几周的数据仍然可能不完整。对此数据值的加权(统计学术语)是基于前几年临时数据的完整性,但相对于前几年,2020年数据的时效性可能发生了变化,因此得出的加权估计计数结果可能会在一些辖区过高,而在另一些辖区过低。随着获取更多有关加权数据的准确性信息,都将对数据值的加权有进一步的改进,从而使估算更加准确。任何有关的方法或数据估算在发生变化时,都将在《技术说明》中注明。更多有关方法、加权、数据和限制的细节可以在《技术说明》中找到。

该可视化包括几种不同的估计:

  • 過量死亡人数:过量死亡人数的估计值范围是按星期和辖区的观察计算与两个阈值之一(平均预期计数或95% 可信区间 CI的上限)之间的差值计算的。如果观察到的计数低于阈值,则将其设置为零。
  • 过量百分比:过量百分比定义为过量死亡人数除以阈值。
  • 过量死亡总人数:每个辖区的过量死亡总数是根据2020年2月1日至今每周的过量死亡人数相加得出的。同样,美国总体的過量死亡总数是由特定辖区的过量死亡人数(负值为零)之总和计算出来的,而不是直接使用法灵顿监视算法估算的。

从菜单中选择仪表盘,然后点击“更新仪表盘”以浏览不同的图形。

  • 第一个仪表盘显示对每周因所有原因造成的死亡人数的预测,以及预估死亡人数的阈值。从下拉菜单中选择一个辖区以显示该辖区的数据。
  • 第二个仪表盘显示了每周因各种原因而预测的死亡人数,以及每周因不包括COVID-19在内的所有原因而死亡的人数。从下拉菜单中选择一个辖区以显示该辖区的数据。
  • 第三个仪表盘显示每周各种原因造成的死亡人数。预测计数(加权的)与报告计数(未加权的)一起显示,以说明报告不足的影响。从下拉菜单中选择一个辖区以显示该地区的数据。
  • 第四个仪表盘显示了自2020年2月初以来的过量死亡总数。显示了一个或多个过量死亡人数的辖区。使用单选按钮选择所有原因造成的死亡率,或排除COVID-19的所有原因死亡率。使用下拉菜单选择某些辖区。
  • 第五个仪表盘按星期和辖区显示观察到的计数超过阈值的百分比(即超出百分比)。使用单选按钮选择所有原因的死亡率,或排除COVID-19的所有原因死亡率。使用下拉菜单选择某些辖区。
  • 第六个仪表盘显示了按年龄分组的每周死亡人数。使用下拉菜单选择某些辖区。
  • 第7个仪表盘显示每周因特定疾病死亡的原因(呼吸系统疾病、循环系统疾病、恶性肿瘤、阿尔茨海默病和痴呆)而导致的死亡计数。使用下拉菜单选择一个辖区。
  • 第8个仪表盘显示了每周对3个较大群体的更详细的死亡原因:呼吸系统疾病和循环系统疾病。使用下拉菜单选择死亡原因和某些辖区。
  • 第9个仪表盘显示了按死亡原因列出的2020年相对于2015-2019年的每周死亡人数变化。使用下拉菜单选择某些辖区。
  • 第10个仪表盘按死亡原因显示了自2020年2月初以来的过量死亡总数(超过平均死亡人数)。使用下拉菜单选择某些辖区,显示自2020年2月初以来按死亡原因化分的过量死亡总数。使用下拉菜单选择某些辖区。
  • 第11个仪表板显示了自2020年2月初以来按辖区和死因划分的过量死亡总数。使用下拉菜单选择某些辖区。

下载CSV格式的数据集,通过点击“ CSV格式”的链接来下载所需的数据集。 每个数据集的其它文件格式还可以在Data.CDC.Gov上下载。

对该可视化进行了一些更改,并自2020年6月3日起生效。更多细节请参见《技术说明》。 今后对方法的改进或其它更改将记录在《技术说明》中。

1.  按年龄组列出每周死亡人数,展示2015-2019年和2020年的趋势。

2.  列出了因特定死亡原因而导致的每周死亡人数,展示2015-2019年和2020年的趋势。

3.  列出了自2020年2月1日以来超过平均水平的死亡总数,其中包括选定的死亡原因。

选项

选择一个仪表盘:

  • 每周过量死亡
  • 有COVID-19和没有COVID-19的过量死亡人数
  • 有或没有加权的过量死亡
  • 过量死亡人数
  • 过量死亡人数百分比
  • 按年龄划分的每周死亡人数
  • 按原因分组的每周群体死亡人数
  • 按原因分组的每周种族群体死亡人数
  • 因原因导致死亡人数的变化
  • 总数因原因导致死亡高于平均水平
  • 辖区/原因,所导致的总数高于平均水平

下载数据:

CSV格式:

  • 国家和州过量死亡人数估计值(Deathsexcel)
  • 以州为单位的每周死亡人数(Ageexcel)
  • 以州为单位的死亡人数以及以死亡人数估计值(Deathsexcel)

Data.CDC.gov [?]:

图注:此页面上报告的死亡人数是截至分析之日收到并编码的死亡总数,并不代表该时期内发生的所有死亡。 由于发生死亡与完成死亡证明之间的时间差,数据不完整,将其提交给NCHS并进行处理以用于报告目的。 延迟时间可能从1周到8周或更长时间,具体取决于管辖范围和死亡原因。 有关更多信息,请参见https://www.cdc.gov/nchs/nvss/vsrr/COVID19/index.htm。纽约的数据不包括纽约市。这些数据包括所有死亡数据,但不包括 COVID-19以及 U07.1作为根本死因或其它死因的数据。 死亡计数来自国家生命统计系统数据库,该数据库为生命统计死亡率资料提供了最及时的获取途径,在其完整纪录方面,由于使用的COVID-19定义,数据处理以及对缺失日期估算方面的差异,可能与其它来源略有不同。 在某些辖区中,相对于往年而言,最近几周的临时资料的时效性发生了变化,加权估计数字可能会过高或过低。计数介于1到9之间的辖区的数据被排除。

技术说明

方法

利用 Farrington 监测算法(1),将最近几周的死亡人数与历史趋势(从2013年至今)进行比较,以确定最近几周的死亡人数是否明显高于预期。 使用 r (2)中的“监视”包实现了 Farrington 算法,该算法使用带有样条项的超分散 Poisson 广义线性模型对计数趋势进行建模,同时也考虑季节对此产生的影响。 对于每个辖区,使用一个模型生成一组预期计数,并使用这些预期计数的95% 置信区间(95% 置信区间)的上限来确定是否发生了死亡人数的显著增加。 过量死亡的估计数是根据观察到的相对于两个不同阈值的死亡人数提供的。 过量死亡估计范围的下限是通过将观察到的计数与预期数的95% 可信区间的上限进行比较得出的,而过量死亡估计范围的上限是通过将观察到的计数与平均预期死亡人数进行比较得出的。 对报告的统计数字进行了加权,以反映最近几周可能存在的漏报情况。

这种方法有助于查明哪些管辖区的死亡人数可能高于预期,但不能用于确定某一管辖区的死亡人数是否低于预期,因为资料是临时的。 已知临时死亡人数统计不完整,完整程度因管辖区和时间的不同而有很大差异。 最近几周的不完整数据可能导致观察到的计数低于阈值。 因此,可能低估了过量死亡人数的估计数,即死亡人数超过阈值的人数。 虽然报告的统计数字经过加权,以反映最近几周可能存在的漏报情况,但漏报的真实程度尚不清楚。 因此,加权统计的死亡人数可能高估或低估了某一特定司法管辖区的真实死亡人数。

过量死亡的一系列估计数是根据观察到的死亡人数与两个不同的阈值(按周和管辖区分列)进行比较得出的: 1)平均预期死亡人数,2)预期死亡人数的95% 可信区间的上限。 当观察到的计数低于阈值时,负值被设置为零。 过量百分比被定义为过量死亡人数除以阈值。 每个州过量死亡的总数是通过对2020年2月1日至今每周过量死亡的总和计算出来的。 同样,美国过量死亡的总数是通过将各辖区过量死亡的总数相加计算出来的。

对美国总过量死亡人数的估计,是按特定辖区的过量死亡人数总和计算的(负值设置为零) ,而不是直接使用法林顿监测算法进行估计。 选择加法(而不是估计)是考虑到一些司法管辖区可能有相当不完整的数据,而其它司法管辖区报告的死亡人数可能超过预期,如果直接使用法灵顿监测算法估计美国的过量死亡人数,这些负值和正值将相互抵消。 直到数据在被最后确认之前(通常是在数据年结束后12个月) ,对使用临时数据观察到的死亡率下降,是真实的下降还是由于报告不完整的下降率,都将无法确定。 因此,当直接计算美国的过量死亡人数时,一些司法管辖区因不完全报告而出现的负值,将抵消其它司法管辖区出现的过量死亡人数。 例如,美国使用法林顿算法直接计算出的过量死亡总数比各辖区过量死亡数的总合的计算结果大约低25% 。 这种差异可能是由于若干辖区报告的死亡人数低于预期 — 这可能是因为报告不足、某些地区死亡率真正下降或这些因素的综合作用。 此外,美国过量死亡人数直接估计数与具体司法管辖区估计数之和之间的潜在差异,可能与美国和各司法管辖区预计死亡人数的不同估计阈值有关。

过量死亡的不同定义导致不同的估计。 例如,将过量死亡定义为观察计数和预期计数之间的差异(而不是95% 可信区间的上限)会导致对过量死亡的更大估计。 95% CI 的上限更容易确定统计学上明显高于正常死亡率的地区。 相比之下,使用预期计数可以指出哪些地区的死亡率高于平均水平。 现在提供了预期计数,以便用户可以评估相对于不同阈值的过量死亡。

最后,这里报告的过量死亡的估计数字,可能与新型冠状病毒并没有直接或间接的关系。 这场流行病可能改变了其它死亡原因的死亡模式。 在某些司法管辖区,其它死因(例如自杀、服药过量、心脏病)的上升趋势可能导致过量死亡。 对特定原因的过量死亡率的进一步分析可能会提供有关这些模式的更多信息。

随着获得更多关于加权估计准确性的数据,方法和加权算法将进一步完善,势必对估计产生影响。 方法或加权算法的任何更改届时将在《技术说明》中注明。

完整性

截至2020年5月12日,已更新了报告滞后(即漏报)的处理方法。 一般来说,这些更新导致估计的过量死亡总数比以前的方法小2% ,因为在一些司法管辖区由于极端加权产生的影响减少了。

为了解释最近几周潜在的漏报情况,计数采用完整性倒数的方式进行加权。 完整性估计如下。 使用2018-2019年的临时数据,每周的临时统计数据与最终数据进行了比较(2019年的最终数据与截至2020年4月9日的可用数据相近) ,在不同的延迟时间(例如,死亡后1周、2周、3周、最多26周)按辖区报告进行比较。 按周、滞后和辖区的完整性,根据州级和时间随机效应,使用零膨胀的二项式贝叶斯层次模型与进行建模。时间随机效应包括时间趋势的临时计数,以及滞后或报告延误。 这些随机效应是使用 i 型随机漫步分布指定的,其中给定时间段的计数取决于前一时间段的值,加上一个这个值的+或-。 这些模型是使用 R-INLA (3)实现的。 通过这些模型获得了按管辖区和滞后时间完整的后验预测中位数值,并对2019年的每周估计值进行平均,以便在给定滞后时间内为管辖区提供尽可能完整的最新估计。 将这些完整性值的反比作为权重,以调整临时死亡率资料的不完整报告。 例如,如果某辖区2019年的临时死亡率数据在死亡后1周内达到50%,在死亡后2周内达到75%,那么该辖区在滞后1周的资料中的权重为2,在滞后2周的资料中的权重为1.3。 值得注意的是,这些完整性的估计不同于其它地方提供的估计( https://www.cdc.gov/nchs/nvss/vsrr/covid19/ ) ,相对于预期数字,这些估计依赖于当前的死亡人数(即,百分比高于预期)。

对于一些死亡人数相对较少的司法管辖区而言,死亡日期后前几周的权重被过度夸大,而对某些死亡人数相对较少的辖区而言则不同,在死亡日期后的前几周,其临时数据完整性通常很低(0-2%)。 这些辖区包括: 阿拉斯加、康涅狄格、路易斯安那、北卡罗来纳、俄亥俄、波多黎各、罗得岛和西弗吉尼亚。 在这些地区,为了避免出现高度夸大的估计值,对于报告滞后数周的情况(例如1-6周),权重被调低90百分位数。

其中一个仪表盘中显示了未加权的估计数,以便读者可以检查加权对过量死亡估计数的影响。 对于一些辖区来说,2020年与前几年相比在及时性方面的改进将导致加权估计数过大。 对其它辖区而言,这个加权可能不足以表达报告滞后的问题,特别是报告滞后时间较短的数据(例如在4至6周内)。 作为防止漏报的另一步骤,根据死亡证明中的现有人口信息,将按周和管辖区分列的加权死亡人数与对照死亡人数进行比较。 人口统计数据通常在死亡原因数据之前就可以获得,根据管辖区和死亡原因,可能需要1周至8周或更长时间。 对基于人口统计资料的加权死亡人数少于对照死亡人数的数周和管辖区,加权值被替换为对照死亡数。 例如,如果某一特定辖区和周的加权计数为400,而同一辖区和周的控制计数为800,这表明加权没有对不完整的数据进行充分考虑。 在这种情况下,将使用800这个数值,因为它代表了对该辖区和该周发生的死亡总数的更完整的估计。

计数在1到9之间的司法管辖区的数据被删除。 此外,如果数值低于预期数值的50% ,数据也会被删除,因为这些临时数值是高度不完整的,并且可能具有误导性。 这一变化导致对大多数司法管辖区和美国的估计滞后一周。 对于一些司法管辖区(康涅狄格州、北卡罗来纳州、波多黎各)来说,滞后可能更大。 最近几周观察到的死亡人数下降不应被解释为死亡人数正在真正的下降,因为所依据的是最近几周不那么完整的临时数据。 虽然加权方法旨在减轻漏报的影响,但仍然可能不足以完全消除漏报的问题。 因此,在获得更完整的数据之前,还无法确定死亡人数的下降是由于少报还是真正的下降。

死亡率结果

每周对各种原因造成的死亡人数都进行检查,包括因COVID-19造成的死亡。由于许多因COVID-19造成的死亡可能被归入其它死亡原因(例如,如果死亡证书上没有将COVID-19列为疑似死亡原因),跟踪所有原因的死亡率可以提供信息,说明是否观察到过多的死亡人数,即使COVID-19的死亡率可能被低估。这些估计数还可以提供可能与COVID-19间接相关的死亡信息。例如,如果由于COVID-19造成的卫生保健服务短缺,其它原因造成的死亡可能会增加。此外,还估计了不包括COVID-19在内的所有原因造成的死亡。这些计数不包括以U07.1为基本或多重死因的死亡。

比较这两组估计数 — — 有COVID-19和没有COVID-19的过量死亡 — — 可以深入了解有多少过量死亡被确定为COVID-19所致,以及有多少过量死亡是其它死亡原因所致。这些死亡可能是被错误归类到COVID-19的,也可能与COVID-19间接相关。此外,死亡证明往往在还没有注明死因前就被提交,在有了死因数据后再进行更新。一些没有直接归因于COVID-19的过量死亡病例可能会在今后几周内更新,其中包括COVID-19的死因数据。这些分析将定期更新,随着收到更多的数据,所提供的数字将有所变化。

死因

截至2020年6月3日,每周公布一些特定死因造成的死亡人数。 对这些死因的选择是基于对死亡证明书上所报告的综合病症情况(comorbid conditions)的分析,而新型冠状病毒被列为其死因(见 https://www.cdc.gov/nchs/nvss/vsrr/covid_weekly/index.htm#comorbidities)。 在一些按周和管辖区所报告的微小死亡数字的情况下,便与其它类别相结合,其中一个被添加到阿兹海默病和痴呆症类别(ICD-10代码 G31)。 这些估计是基于主要的死因,包括: 呼吸系统疾病,循环系统疾病,恶性肿瘤,阿兹海默病和痴呆。 使用 ICD-10编码按以下原因对死亡进行分类:

– 呼吸道疾病 

  • 流感和肺炎(J09-18)
  • 慢性下呼吸道疾病(J40-J47)
  • o 其它呼吸系统疾病(J00-J06、J20-J39、J60-J70、J80-J86、J90-J96、J97-J99、R09.2、U04)
  • – 循环系统疾病
  • 高血压病(I10-I15)
  • 缺血性心脏病(I20-I25)
  • 心力衰竭(I50)
  • 脑血管疾病(I60-I69)
  • 循环系统的其它疾病(I00-I09、I26-I49、I51、I52、I70-I99)

– 恶性肿瘤(C00-C97)

– 阿尔茨海默病和痴呆症(G30、G31、F01、F03)

– 其它特定死因

  • 糖尿病(E10-E14)
  • 肾衰竭(N17-N19)
  • 败血症(A40-A41)

这些其它死因造成的死亡估计数可能是错误的归类到COVID-19死亡,或可能与COVID-19间接相关(例如,在卫生保健服务短缺或保健系统负担过重的情况等因素造成的死亡)。因COVID-19而死亡的人数不包括在因其它原因造成的死亡估计数中,但COVID-19作为多种死因出现在死亡证书上则可能被包括在特定原因的估计数中。例如,在某些情况下,COVID-19可能是造成死亡的原因之一,但其主要的死因是另一个原因,如末期癌症。对因COVID-19的死亡证明报告的大多数案例中(约95%),COVID-19被选为主要死因。

不包括所有其它自然原因造成的死亡(ICD-10代码:A00-A39、A42-B99、D00-E07、E15-E68、E70-E90、F00、F02、F04-G26、G31-H95、K00-K93、L00-M99)。A00-A39、A42-B99、D00-E07、E15-E68、E70-E90、F00、F02、F04-G26、G31-H95、K00-K93、L00-M99、N00-N16、N20-N98、O00-O99、P00-P96、Q00-Q99)。) 外部死亡原因(即受伤)被排除在外,因为外部死亡原因的报告滞后期要长得多(4)。此外,基本原因不明或不明确的死因(即R代码)也被排除在外(R09.2除外,被列入呼吸系统疾病类别)。在临时资料中,死因不明的死亡人数通常要高得多,因为许多记录最初提交时没有具体的死因,当有更多信息时才会更新(4)。对于死于外部原因或原因不明的死亡,最近几周的临时数据非常不可靠和不准确,可能需要6至9个月才能确保足够准确的估计。此处提供的按原因划分的计数不等于死亡总数,因为某些原因已被排除在外。

按死因和死亡年龄分列的估计数采用上述方法加权计算。特定的死因高于平均水平的死亡总数。这些总数是将2020年1月2日以来高于平均水平的死亡人数相加计算出来的(基于2015-2019年的每周计数)。负值被设置为零的不在这些总和中。由于并不是所有的死亡原因都被显示出来,而且由于对平均预期死亡人数的估计方式不同,所有特定原因造成的死亡总数与COVID-19以外的所有原因造成的过量死亡人数不一致。

局限性

这些估计数是根据不完整的临时资料得出的。如果目前的延迟时间比往年长,所采用的加权方法可能无法充分考虑到报告的滞后性。例如,在宾夕法尼亚州,目前的报告滞后时间比往年长得多,因此2020年的死亡人数被低估。相反,鉴于某些管辖区在数据及时性方面的改进,加权法可能会对报告不足的情况进行过度调整。同时,提供了未加权的估计数,以便用户可以看到对临时计数加权后的影响。然而,这些未加权的临时统计数字是不完整的,至于它们可能在多大程度上低估了真实的死亡人数,目前尚不清楚。一些司法管辖区显示出近期死亡人数的增加是使用加权估计法计算的,但未加权的则没有。这些被呈现出的与COVID-19有关的过量死亡率,可能与早期的估计有关,但在得到州或地方卫生部门等其它数据源的确认之前,应谨慎解释。还有一种可能,由于最近在数据及时性方面的改进,使得某一辖区在使用加权数据显示最近计数增加的模式上有所改变,但未加权数据则没有。相反,在完整性历来较低的辖区(如康涅狄格州、北卡罗来纳州),由于缺乏临时数据或没有足够的权重来处理不完整的数据,最近的增长可能会被忽略。

临时数据的完整性因死因和年龄组而异。然而,所使用的加权数并没有考虑到这种差异性。因此,对于某些年龄组和死亡原因,预测的死亡人数可能过低。例如,较年轻组的死亡临时数据通常不如较大年龄组的数据完整。因此,年轻组的预测数字可能太低。由于加权数是根据过去几年所有死因资料的完整性计算的,特定死因的加权估计数可能过低,因为对特定死因的报告滞后时间通常大于对所有死因的报告滞后时间。为了尽量减少报告不足的程度,具体死因的估计数以两周的滞后期提出。

参考文献

  1. Noufaily A, Enki DG, Farrington P, Garthwaite P, Andrews N, Charlett A. An Improved Algorithm for Outbreak Detection in Multiple Surveillance Systems. Statistics in Medicine 2012;32(7):1206-1222.
  2. Salmon M, Schumacher D, Hohle M. Monitoring Count Time Series in R: Aberration Detection in Public Health Surveillance. Journal of Statistical Software 2016;70(10):1-35.
  3. Rue H, Martino S, Chopin N. Approximate Bayesian inference for latent Gaussian models using integrated nested Laplace approximations (with discussion). Journal of the Royal Statistical Society Series B 2009;71(2):319-392.
  4. Spencer MR, Ahmad F. Timeliness of death certificate data for mortality surveillance and provisional estimates. National Center for Health Statistics. 2016. http://www.cdc.gov/nchs/data/vsrr/report001.pdf 

每周更新

技术说明

翻译自:https://www.cdc.gov/nchs/nvss/vsrr/covid19/excess_deaths.htm

翻译:【奔腾的长江】【Naomi】

战友之家玫瑰园小队出品

0
0 评论
Inline Feedbacks
View all comments

热门文章

Isaiah4031

“but those who hope in the Lord will renew their strength. They will soar on wings like eagles; they will run and not grow weary, they will walk and not be faint” 【Isaiah 40:31】 6月 27日