该文档属于类型a，即报告了一项原始研究。以下是针对该研究的学术报告：

主要作者与机构
本研究由Michael G. Newman、Christina A. Porucznik、Ankita P. Date、Samir Abdelrahman、Karen C. Schliep、James A. Vanderslice、Ken R. Smith和Heidi A. Hanson共同完成。研究团队来自多个机构，包括犹他大学医学院公共卫生学部、犹他人口数据库、开罗大学计算机科学系、橡树岭国家实验室等。研究发表于期刊Innovation in Aging，2023年4月12日在线发表。

学术背景
本研究属于老年健康与慢性病研究领域。随着人口老龄化加剧，理解老年人的多病共存（multimorbidity）模式对公共卫生和临床干预具有重要意义。多病共存轨迹（multimorbidity trajectories, MOTRs）是描述个体随着年龄增长慢性病发展模式的量化工具。然而，目前尚缺乏标准化的方法来构建这些轨迹。本研究旨在比较不同共病指数（comorbidity indices）和计算方法在多病共存轨迹构建中的差异，以期为临床和公共卫生提供更可靠的预测工具。

研究目标
本研究的主要目标包括：
1. 比较Charlson共病指数（Charlson Comorbidity Index, CCI）和Elixhauser共病指数（Elixhauser Comorbidity Index, ECI）在多病共存轨迹构建中的表现。
2. 探讨急性（单年）和慢性（累积）计算方法对轨迹构建的影响。
3. 通过纳入社会健康决定因素（如收入、种族/民族、性别差异）来完善模型。

研究流程
研究流程分为以下几个步骤：

1. 数据来源与样本选择
   研究数据来自犹他人口数据库（Utah Population Database, UPDB），该数据库包含超过1100万人的纵向数据。研究选取了1992年年龄在66至75岁之间的86,909名个体，并收集了他们在1992年至2012年间的医疗保险（Medicare）索赔数据。

2. 共病指数计算
   研究使用了两种共病指数：CCI和ECI。

• CCI：基于国际疾病分类（ICD-CM）诊断代码，采用2011年Quan修正版，得分范围为0-19。
  
• ECI：基于Van Walraven方法，得分范围为-16至55，研究中将负值设为0以与CCI保持一致。
  

1. 计算方法
   研究比较了两种计算方法：
   

• 单年计算法：仅使用某一年内的诊断代码。
  
• 累积计算法：使用所有历史诊断代码。
  

1. 轨迹建模
   研究采用基于群体的轨迹建模（Group-Based Trajectory Modeling, GBTM）方法，使用SAS软件中的PROC TRAJ功能，将个体分配到不同的多病共存轨迹组中。模型控制了性别、收入、种族/民族等协变量，并联合建模了死亡率以减少偏倚。

2. 模型验证
   研究通过贝叶斯信息准则（BIC）、平均后验概率（AvePP）、正确分类几率（OCC）等统计指标验证模型的拟合优度。最终选择了五组模型，因其在颗粒度、组间分离和可解释性方面表现最佳。

主要结果
1. 轨迹定义
研究识别了五种多病共存轨迹：
- 逃脱者（Escaper）：几乎无慢性病，健康状况最佳。
- 慢性低病（Chronic Low）：轻度多病共存，随时间缓慢增加。
- 易感者（Vulnerable）：多病共存起点低，但迅速增加。
- 衰弱者（Ailing）：中度多病共存，逐渐向高度发展。
- 虚弱者（Frail）：持续高度多病共存，健康状况最差。

1. 模型比较
   

• 累积计算法：提供了更清晰、更稳定的轨迹，组间差异较小，易于理解。
  
• 单年计算法：轨迹波动较大，部分轨迹在研究末期出现交叉，可能由于某些年份诊断数据缺失。
  
• CCI与ECI：CCI使用所有类型的诊断代码，而ECI仅使用住院诊断代码，导致ECI模型中逃脱者比例较高。
  

1. 性别差异
   女性和男性模型的轨迹形状相似，但女性模型的拟合优度略优于男性模型。

2. 死亡率预测
   研究还生成了死亡率概率轨迹，发现多病共存负担较高的群体（如虚弱者和衰弱者）在研究期间的死亡率显著高于逃脱者群体。

结论
本研究通过比较不同共病指数和计算方法，揭示了多病共存轨迹构建中的关键差异。累积计算法和CCI结合使用能够生成更可靠、更易解释的轨迹模型。这些模型不仅有助于临床医生识别处于不健康轨迹的患者，还能为公共卫生干预提供数据支持。此外，研究结果强调了早期干预的重要性，特别是针对易感者群体，以延缓慢性病的发展。

研究亮点
1. 方法创新：首次系统比较了CCI和ECI在多病共存轨迹构建中的表现，并探讨了单年与累积计算法的差异。
2. 数据规模：研究基于超过86,000名个体的纵向数据，样本量大，结果具有较高的统计效力。
3. 临床价值：生成的轨迹模型可直接应用于临床实践，帮助医生制定个性化的干预策略。

其他价值
研究还提出了未来研究方向，包括在其他人群中验证模型、纳入更多社会健康决定因素，以及开发基于电子病历的实时预测算法。这些工作将进一步提升多病共存轨迹模型的应用价值。