CDC定期報告與COVID-19有關的超額死亡人數

新聞簡述:最新的一期CDC死亡人數報告(2020年6月17日更新)表明,2020年3月至6月期間美國的死亡人數均明顯超過正常年份的預期死亡人數。對過量死亡的估計能夠提供可能與新型冠狀病毒大流行有關或無關的死亡方面的信息。本文介紹了通過一種數據可視化已幾運用統計學的權重演算法呈現了死亡發生所在轄區的每週過量死亡估計數。每週的死亡人數與歷史趨勢進行比較,以確定死亡人數是否明顯高於預期。

正文:

COVID-19相關的過量死亡人數

冠狀病毒(COVID-19)死亡人數的初步估計

2020年6月17日更新

總結

對過量死亡人數的預估能夠提供與COVID-19大流行直接相關的死亡負擔資訊,它們包括直接或間接因於COVID-19導致的死亡。過量死亡通常定義為在特定時間段內觀察到的死亡數與在相同時間段內預期的死亡數之差。 這種視覺化的方式提供了發生按死亡的轄區分列的每週過量死亡人數的估計數字。 將每週死亡人數與歷史趨勢進行比較,以確定死亡人數是否明顯高於預期。

這裏列出了包括COVID-19在內的所有死因和死亡人数。例如 COVID-19導致的一些死亡可能被歸為其它死亡原因(比如,COVID-19未被診斷出或在死亡證明書上未被提及),對所有死亡原因的跟蹤,可以為觀察是否有過量的死亡人數 — 即便在出現COVID-19死亡人數可能被低估的情況下,提供資訊。此外,還對與COVID-19無關的所有原因造成的死亡做了估算。比較這兩組估計數字(有和沒有COVID-19造成的過量死亡), 可以瞭解到有多少是因COVID-19造成的過量死亡人數、有多少因被報告為因其它死亡原因造成的過量死亡人數。一些數字可能是對COVID-19 導致死亡的錯誤分類,或者可能與COVID-19大流行間接因素相關(例如,在衛生保健手段短缺或衛生保健系統負擔過重的情況下由其它原因導致的死亡)。

截至2020年6月3日,這份報告中添加了按死亡原因分列的每週死亡人數的補充資訊。與所有死亡原因類似,這些每週計數可與前幾年相同周的值進行比較,以確定特定死亡原因是否在近期有所增加。這裡顯示的原因是根據對死亡證明報告中最常見的疾病進行分析後得出的,在這些死亡證明上其中COVID-19被列為導致死亡的原因(見https://www.cdc.gov/nchs/nvss/vsrr/covid_weekly/index.htm#Comorbidities)。

對死亡原因的統計是基於患者原有疾病原因所導致的死亡,並按呼吸系統疾病、循環系統疾病、惡性腫瘤、阿爾茨海默病和癡呆列出,這些原因排除了外部因素(如受傷)或未知原因造成的死亡。有關更多詳細資訊,請參閱《技術說明》。每週的死亡人數和死因也按年齡列出。

過量死亡的估計還可以用多種方法進行計算,這種估算將根據所採用的方法和對死亡數字的假設所做的預測而有所不同。在本網頁裡對過量死亡人數的估算方法,使用了法靈頓(Farrington)監測演算法(1)。一系列過量的死亡概率值的計算,由每星期和轄區內觀察到的過量死亡数字和兩種閾值之一(平均預期數或95%可信區間CI 的上限)之間的差異而得出的。

臨時死亡人數會被歸入到不完整的數據中進行甄別。然而,最近幾周的數據仍然可能不完整。對此數據值的加權(統計學術語)是基於前幾年臨時數據的完整性,但相對於前幾年,2020年數據的時效性可能發生了變化,因此得出的加權估計計數結果可能會在一些轄區過高,而在另一些轄區過低。隨著獲取更多有關加權數據的準確性資訊,都將對數據值的加權有進一步的改進,從而使估算更加準確。任何有關的方法或數據估算在發生變化時,都將在《技術說明》中注明。更多有關方法、加權、資料和限制的細節可以在《技術說明》中找到。

該可視化包括幾種不同的估計:

  • 過量死亡人数:過量死亡人數的估計值範圍是按星期和轄區的觀察計算與兩個閾值之一(平均預期計數或95% 可信區間 CI的上限)之間的差值計算的。如果觀察到的計數低於閾值,則將其設置為零。
  • 過量百分比:過量百分比定義為過量死亡人數除以閾值。
  • 過量死亡總人數:每個轄區的過量死亡總數是根據2020年2月1日至今每週的過量死亡人數相加得出的。同樣,美國總体的過量死亡總數是由特定轄區的過量死亡人數(負值為零)之總和計算出來的,而不是直接使用法靈頓監視演算法估算的。

從菜單中選擇儀表盤,然後點擊“更新儀表盤”以流覽不同的圖形。

  • 第一個儀表盤顯示對每週因所有原因造成的死亡人數的預測,以及預估死亡人數的閾值。從下拉菜單中選擇一個轄區以顯示該轄區的數據。
  • 第二個儀表盤顯示了每週因各種原因而預測的死亡人數,以及每週因不包括COVID-19在內的所有原因而死亡的人數。從下拉式功能表中選擇一個轄區以顯示該轄區的數據。
  • 第三個儀表盤顯示每週各種原因造成的死亡人數。預測計數(加權的)與報告計數(未加權的)一起顯示,以說明報告不足的影響。從下拉菜單中選擇一個轄區以顯示該地區的數據。
  • 第四個儀表盤顯示了自2020年2月初以來的過量死亡總數。顯示了一個或多個過量死亡人數的轄區。使用單選按鈕選擇所有原因造成的死亡率,或排除COVID-19的所有原因死亡率。使用下拉菜單選擇某些轄區。
  • 第五個儀表盤按星期和轄區顯示觀察到的計數超過閾值的百分比(即超出百分比)。使用單選按鈕選擇所有原因的死亡率,或排除COVID-19的所有原因死亡率。使用下拉菜單選擇某些轄區。
  • 第六個儀表盤顯示了按年齡分組的每週死亡人數。使用下拉菜單選擇某些轄區。
  • 第7個儀表盤顯示每週因特定疾病死亡的原因(呼吸系統疾病、迴圈系統疾病、惡性腫瘤、阿爾茨海默病和癡呆)而導致的死亡計數。使用下拉菜單選擇一個轄區。
  • 第8個儀表盤顯示了每週對3個較大群體的更詳細的死亡原因:呼吸系統疾病和迴圈系統疾病。使用下拉菜單選擇死亡原因和某些轄區。
  • 第9個儀表盤顯示了按死亡原因列出的2020年相對於2015-2019年的每週死亡人數變化。使用下拉菜單選擇某些轄區。
  • 第10個儀表盤按死亡原因顯示了自2020年2月初以來的過量死亡總數(超過平均死亡人數)。使用下拉菜單選擇某些轄區,顯示自2020年2月初以來按死亡原因化分的過量死亡總數。使用下拉式功能表選擇某些轄區。
  • 第11個儀錶板顯示了自2020年2月初以來按轄區和死因劃分的過量死亡總數。使用下拉菜單選擇某些轄區。

下載CSV格式的數據集,通過點擊“ CSV格式”的鏈接來下載所需的資料集。 每個資料集的其它檔案格式還可以在Data.CDC.Gov上下載。

對該可視化進行了一些更改,並自2020年6月3日起生效。更多細節請參見《技術說明》。 今後對方法的改進或其它更改將記錄在《技術說明》中。

1.  按年齡組列出每週死亡人數,展示2015-2019年和2020年的趨勢。

2.  列出了因特定死亡原因而導致的每週死亡人數,展示2015-2019年和2020年的趨勢。

3.  列出了自2020年2月1日以來超過平均水準的死亡總數,其中包括選定的死亡原因。

選項

選擇一個儀表盤:

  • 每週過量死亡
  • 有COVID-19和沒有COVID-19的過量死亡人數
  • 有或沒有加權的過量死亡
  • 過量死亡人數
  • 過量死亡人數百分比
  • 按年齡劃分的每週死亡人數
  • 按原因分組的每週群體死亡人數
  • 按原因分組的每週種族群體死亡人數
  • 因原因導致死亡人數的變化
  • 總數因原因導致死亡高於平均水準
  • 轄區/原因,所導致的總數高於平均水準

下載數據:

CSV格式:

  • 國家和州過量死亡人數估計值(Deathsexcel)
  • 以州為單位的每週死亡人數(Ageexcel)
  • 以州為單位的死亡人數以及以死亡人數估計值(Deathsexcel)

Data.CDC.gov [?]:

圖注:

此頁面上報告的死亡人數是截至分析之日收到並編碼的死亡總數,並不代表該時期內發生的所有死亡。 由於發生死亡與完成死亡證明之間的時間差,資料不完整,將其提交給NCHS並進行處理以用於報告目的。 延遲時間可能從1周到8周或更長時間,具體取決於管轄範圍和死亡原因。 有關更多資訊,請參見https://www.cdc.gov/nchs/nvss/vsrr/COVID19/index.htm。紐約的數據不包括紐約市。這些數據包括所有死亡資料,但不包括 COVID-19以及 U07.1作為根本死因或其它死因的數據。 死亡計數來自國家生命統計系統數據庫,該數據庫為生命統計死亡率資料提供了最及時的獲取途徑,在其完整紀錄方面,由於使用的COVID-19定義,數據處理以及對缺失日期估算方面的差異,可能與其它來源略有不同。 在某些轄區中,相對於往年而言,最近幾周的臨時資料的時效性發生了變化,加權估計數字可能會過高或過低。計數介於1到9之間的轄區的資料被排除。

技術說明

方法

利用 Farrington 監測演算法(1),將最近幾周的死亡人數與歷史趨勢(從2013年至今)進行比較,以確定最近幾周的死亡人數是否明顯高於預期。 使用 r (2)中的“監視”包實現了 Farrington 演算法,該演算法使用帶有樣條項的超分散 Poisson 廣義線性模型對計數趨勢進行建模,同時也考慮季節對此產生的影響。 對於每個轄區,使用一個模型生成一組預期計數,並使用這些預期計數的95% 置信區間(95% 置信區間)的上限來確定是否發生了死亡人數的顯著增加。 過量死亡的估計數是根據觀察到的相對於兩個不同閾值的死亡人數提供的。 過量死亡估計範圍的下限是通過將觀察到的計數與預期數的95% 可信區間的上限進行比較得出的,而過量死亡估計範圍的上限是通過將觀察到的計數與平均預期死亡人數進行比較得出的。 對報告的統計數字進行了加權,以反映最近幾周可能存在的漏報情況。

這種方法有助於查明哪些管轄區的死亡人數可能高於預期,但不能用於確定某一管轄區的死亡人數是否低於預期,因為資料是臨時的。 已知臨時死亡人數統計不完整,完整程度因管轄區和時間的不同而有很大差異。 最近幾周的不完整資料可能導致觀察到的計數低於閾值。 因此,可能低估了過量死亡人數的估計數,即死亡人數超過閾值的人數。 雖然報告的統計數字經過加權,以反映最近幾周可能存在的漏報情況,但漏報的真實程度尚不清楚。 因此,加權統計的死亡人數可能高估或低估了某一特定司法管轄區的真實死亡人數。

過量死亡的一系列估計數是根據觀察到的死亡人數與兩個不同的閾值(按周和管轄區分列)進行比較得出的: 1)平均預期死亡人數,2)預期死亡人數的95% 可信區間的上限。 當觀察到的計數低於閾值時,負值被設置為零。 過量百分比被定義為過量死亡人數除以閾值。 每個州過量死亡的總數是通過對2020年2月1日至今每週過量死亡的總和計算出來的。 同樣,美國過量死亡的總數是通過將各轄區過量死亡的總數相加計算出來的。

對美國總過量死亡人數的估計,是按特定轄區的過量死亡人數總和計算的(負值設置為零) ,而不是直接使用法林頓監測演算法進行估計。 選擇加法(而不是估計)是考慮到一些司法管轄區可能有相當不完整的資料,而其它司法管轄區報告的死亡人數可能超過預期,如果直接使用法靈頓監測演算法估計美國的過量死亡人數,這些負值和正值將相互抵消。 直到資料在被最後確認之前(通常是在資料年結束後12個月) ,對使用臨時資料觀察到的死亡率下降,是真實的下降還是由於報告不完整的下降率,都將無法確定。 因此,當直接計算美國的過量死亡人數時,一些司法管轄區因不完全報告而出現的負值,將抵消其它司法管轄區出現的過量死亡人數。 例如,美國使用法林頓演算法直接計算出的過量死亡總數比各轄區過量死亡數的總合的計算結果大約低25% 。 這種差異可能是由於若干轄區報告的死亡人數低於預期 — 這可能是因為報告不足、某些地區死亡率真正下降或這些因素的綜合作用。 此外,美國過量死亡人數直接估計數與具體司法管轄區估計數之和之間的潛在差異,可能與美國和各司法管轄區預計死亡人數的不同估計閾值有關。

過量死亡的不同定義導致不同的估計。 例如,將過量死亡定義為觀察計數和預期計數之間的差異(而不是95% 可信區間的上限)會導致對過量死亡的更大估計。 95% CI 的上限更容易確定統計學上明顯高於正常死亡率的地區。 相比之下,使用預期計數可以指出哪些地區的死亡率高於平均水準。 現在提供了預期計數,以便用戶可以評估相對於不同閾值的過量死亡。

最後,這裡報告的過量死亡的估計數字,可能與新型冠狀病毒並沒有直接或間接的關係。 這場流行病可能改變了其它死亡原因的死亡模式。 在某些司法管轄區,其它死因(例如自殺、服藥過量、心臟病)的上升趨勢可能導致過量死亡。 對特定原因的過量死亡率的進一步分析可能會提供有關這些模式的更多資訊。

隨著獲得更多關於加權估計準確性的資料,方法和加權演算法將進一步完善,勢必對估計產生影響。 方法或加權演算法的任何更改屆時將在《技術說明》中注明。

完整性

截至2020年5月12日,已更新了報告滯後(即漏報)的處理方法。 一般來說,這些更新導致估計的過量死亡總數比以前的方法小2% ,因為在一些司法管轄區由於極端加權產生的影響減少了。

為了解釋最近幾周潛在的漏報情況,計數採用完整性倒數的方式進行加權。 完整性估計如下。 使用2018-2019年的臨時資料,每週的臨時統計資料與最終資料進行了比較(2019年的最終資料與截至2020年4月9日的可用資料相近) ,在不同的延遲時間(例如,死亡後1周、2周、3周、最多26周)按轄區報告進行比較。 按周、滯後和轄區的完整性,根據州級和時間隨機效應,使用零膨脹的二項式貝葉斯層次模型與進行建模。時間隨機效應包括時間趨勢的臨時計數,以及滯後或報告延誤。 這些隨機效應是使用 i 型隨機漫步分佈指定的,其中給定時間段的計數取決於前一時間段的值,加上一個這個值的+或-。 這些模型是使用 R-INLA (3)實現的。 通過這些模型獲得了按管轄區和滯後時間完整的後驗預測中位數值,並對2019年的每週估計值進行平均,以便在給定滯後時間內為管轄區提供盡可能完整的最新估計。 將這些完整性值的反比作為權重,以調整臨時死亡率資料的不完整報告。 例如,如果某轄區2019年的臨時死亡率資料在死亡後1周內達到50%,在死亡後2周內達到75%,那麼該轄區在滯後1周的資料中的權重為2,在滯後2周的資料中的權重為1.3。 值得注意的是,這些完整性的估計不同於其它地方提供的估計(https://www.cdc.gov/nchs/nvss/vsrr/covid19/) ,相對於預期數字,這些估計依賴於當前的死亡人數(即,百分比高於預期)。

對於一些死亡人數相對較少的司法管轄區而言,死亡日期後前幾週的權重被過度誇大,而對某些死亡人數相對較少的轄區而言則不同,在死亡日期後的前幾週,其臨時資料完整性通常很低(0-2%)。 這些轄區包括: 阿拉斯加、康乃狄克、路易斯安那、北卡羅來納、俄亥俄、波多黎各、羅德島和西維吉尼亞。 在這些地區,為了避免出現高度誇大的估計值,對於報告滯後數週的情況(例如1-6周),權重被調低90百分位數。

其中一個儀錶盤中顯示了未加權的估計數,以便讀者可以檢查加權對過量死亡估計數的影響。 對於一些轄區來說,2020年與前幾年相比在及時性方面的改進將導致加權估計數過大。 對其它轄區而言,這個加權可能不足以表達報告滯後的問題,特別是報告滯後時間較短的資料(例如在4至6周內)。 作為防止漏報的另一步驟,根據死亡證明中的現有人口資訊,將按周和管轄區分列的加權死亡人數與對照死亡人數進行比較。 人口統計資料通常在死亡原因資料之前就可以獲得,根據管轄區和死亡原因,可能需要1周至8周或更長時間。 對基於人口統計資料的加權死亡人數少於對照死亡人數的數周和管轄區,加權值被替換為對照死亡數。 例如,如果某一特定轄區和周的加權計數為400,而同一轄區和周的控制計數為800,這表明加權沒有對不完整的資料進行充分考慮。 在這種情況下,將使用800這個數值,因為它代表了對該轄區和該周發生的死亡總數的更完整的估計。

計數在1到9之間的司法管轄區的資料被刪除。 此外,如果數值低於預期數值的50% ,資料也會被刪除,因為這些臨時數值是高度不完整的,並且可能具有誤導性。 這一變化導致對大多數司法管轄區和美國的估計滯後一周。 對於一些司法管轄區(康涅狄格州、北卡羅來納州、波多黎各)來說,滯後可能更大。 最近幾周觀察到的死亡人數下降不應被解釋為死亡人數正在真正的下降,因為所依據的是最近幾周不那麼完整的臨時資料。 雖然加權方法旨在減輕漏報的影響,但仍然可能不足以完全消除漏報的問題。 因此,在獲得更完整的資料之前,還無法確定死亡人數的下降是由於少報還是真正的下降。

死亡率結果

每週對各種原因造成的死亡人數都進行檢查,包括因COVID-19造成的死亡。由於許多因COVID-19造成的死亡可能被歸入其它死亡原因(例如,如果死亡證書上沒有將COVID-19列為疑似死亡原因),跟蹤所有原因的死亡率可以提供資訊,說明是否觀察到過多的死亡人數,即使COVID-19的死亡率可能被低估。這些估計數還可以提供可能與COVID-19間接相關的死亡資訊。例如,如果由於COVID-19造成的衛生保健服務短缺,其它原因造成的死亡可能會增加。此外,還估計了不包括COVID-19在內的所有原因造成的死亡。這些計數不包括以U07.1為基本或多重死因的死亡。

比較這兩組估計數 — — 有COVID-19和沒有COVID-19的過量死亡 — — 可以深入瞭解有多少過量死亡被確定為COVID-19所致,以及有多少過量死亡是其它死亡原因所致。這些死亡可能是被錯誤歸類到COVID-19的,也可能與COVID-19間接相關。此外,死亡證明往往在还沒有注明死因前就被提交,在有了死因資料後再進行更新。一些沒有直接歸因於COVID-19的過量死亡病例可能會在今後幾周內更新,其中包括COVID-19的死因資料。這些分析將定期更新,隨著收到更多的資料,所提供的數位將有所變化。

死因

截至2020年6月3日,每週公佈一些特定死因造成的死亡人數。 對這些死因的選擇是基於對死亡證明書上所報告的綜合病症情况(comorbid conditions)的分析,而新型冠狀病毒被列為其死因(見 https://www.cdc.gov/nchs/nvss/vsrr/covid_weekly/index.htm#comorbidities )。 在一些按周和管轄區所報告的微小死亡數字的情況下,便與其它類別相結合,其中一個被添加到阿茲海默病和癡呆症類別(ICD-10代碼 G31)。 這些估計是基於主要的死因,包括: 呼吸系統疾病,循環系統疾病,惡性腫瘤,阿茲海默病和癡呆。 使用 ICD-10編碼按以下原因對死亡進行分類:

– 呼吸道疾病 

  • 流感和肺炎(J09-18)
  • 慢性下呼吸道疾病(J40-J47)
  • o 其它呼吸系統疾病(J00-J06、J20-J39、J60-J70、J80-J86、J90-J96、J97-J99、R09.2、U04)
  • – 循環系統疾病
  • 高血壓病(I10-I15)
  • 缺血性心臟病(I20-I25)
  • 心力衰竭(I50)
  • 腦血管疾病(I60-I69)
  • 循環系統的其它疾病(I00-I09、I26-I49、I51、I52、I70-I99)

– 惡性腫瘤(C00-C97)

– 阿爾茨海默病和癡呆症(G30、G31、F01、F03)

– 其它特定死因

  • 糖尿病(E10-E14)
  • 腎衰竭(N17-N19)
  • 敗血症(A40-A41)

這些其它死因造成的死亡估計數可能是錯誤的歸類到COVID-19死亡,或可能與COVID-19間接相關(例如,在衛生保健服務短缺或保健系統負擔過重的情況等因素造成的死亡)。因COVID-19而死亡的人數不包括在因其它原因造成的死亡估計數中,但COVID-19作為多種死因出現在死亡證書上則可能被包括在特定原因的估計數中。例如,在某些情況下,COVID-19可能是造成死亡的原因之一,但其主要的死因是另一個原因,如末期癌症。對因COVID-19的死亡證明報告的大多數案例中(約95%),COVID-19被選為主要死因。

不包括所有其它自然原因造成的死亡(ICD-10代碼: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(即受傷)被排除在外,因為外部死亡原因的報告滯後期要長得多(4)。此外,基本原因不明或不明確的死因(即R代碼)也被排除在外(R09.2除外,被列入呼吸系統疾病類別)。在臨時資料中,死因不明的死亡人數通常要高得多,因為許多記錄最初提交時沒有具體的死因,當有更多資訊時才會更新(4)。對於死於外部原因或原因不明的死亡,最近幾周的臨時資料非常不可靠和不準確,可能需要6至9個月才能確保足夠準確的估計。此處提供的按原因劃分的計數不等於死亡總數,因為某些原因已被排除在外。

按死因和死亡年齡分列的估計數採用上述方法加權計算。特定的死因高於平均水準的死亡總數。這些總數是將2020年1月2日以來高於平均水準的死亡人數相加計算出來的(基於2015-2019年的每週計數)。負值被設置為零的不在這些總和中。由於並不是所有的死亡原因都被顯示出來,而且由於對平均預期死亡人數的估計方式不同,所有特定原因造成的死亡總數與COVID-19以外的所有原因造成的過量死亡人數不一致。

局限性

這些估計數是根據不完整的臨時資料得出的。如果目前的延遲時間比往年長,所採用的加權方法可能無法充分考慮到報告的滯後性。例如,在賓夕法尼亞州,目前的報告滯後時間比往年長得多,因此2020年的死亡人數被低估。相反,鑒於某些管轄區在資料及時性方面的改進,加權法可能會對報告不足的情況進行過度調整。同時,提供了未加權的估計數,以便用戶可以看到對臨時計數加權後的影響。然而,這些未加權的臨時統計數字是不完整的,至於它們可能在多大程度上低估了真實的死亡人數,目前尚不清楚。一些司法管轄區顯示出近期死亡人數的增加是使用加權估計法計算的,但未加權的則沒有。這些被呈現出的與COVID-19有關的過量死亡率,可能與早期的估計有關,但在得到州或地方衛生部門等其它資料來源的確認之前,應謹慎解釋。還有一種可能,由於最近在資料及時性方面的改進,使得某一轄區在使用加權數據顯示最近計數增加的模式上有所改變,但未加權數據則沒有。相反,在完整性歷來較低的轄區(如康涅狄格州、北卡羅來納州),由於缺乏臨時資料或沒有足夠的權重來處理不完整的資料,最近的增長可能會被忽略。

臨時資料的完整性因死因和年齡組而異。然而,所使用的加權數並沒有考慮到這種差異性。因此,對於某些年齡組和死亡原因,預測的死亡人數可能過低。例如,較年輕組的死亡臨時資料通常不如較大年齡組的資料完整。因此,年輕組的預測數字可能太低。由於加權數是根據過去幾年所有死因資料的完整性計算的,特定死因的加權估計數可能過低,因為對特定死因的報告滯後時間通常大於對所有死因的報告滯後時間。為了儘量減少報告不足的程度,具體死因的估計數以兩周的滯後期提出。

參考文獻

  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

每週更新

《技術說明》

翻譯自:https://www.cdc.gov/nchs/nvss/vsrr/covid19/excess_deaths.htm

翻譯:【奔腾的长江】【Naomi】

戰友之家玫瑰園小隊出品

1+
3 則留言
Inline Feedbacks
View all comments
trackback

… [Trackback]

[…] There you can find 30144 more Information on that Topic: gnews.org/zh-hant/246559/ […]

0
trackback

… [Trackback]

[…] Find More on that Topic: gnews.org/zh-hant/246559/ […]

0
trackback

… [Trackback]

[…] Read More here on that Topic: gnews.org/zh-hant/246559/ […]

0

熱門文章

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