Logbook Evan の Logbook
✨ Updates
🎨 Style Guide
Font · 字体记录手册🧠 Creative Resources
Name · 名以载道🗒️ Mind Notes
Quote · 字里行间🧭 Knowbase
Biorxiv 与预印本
H-1B 签证📘 SOPs
🩺 Medical Research
BioRender 使用与订阅笔记🛠️ Tech Chronicles
自定义 Bash 提示符（PS1）
Linux 系统介绍
Linux grep 工具笔记
Linux sed 工具笔记
Linux awk 工具笔记
CSS 笔记
文件夹前加点的意义
HTML 格式笔记
XML 格式笔记
TOML 格式笔记
PR 模板解读与最佳实践
YAML 格式笔记
JSON 格式笔记
YouTube 使用笔记
Writage 使用笔记
Pandoc 使用笔记
Chrome 使用全攻略
Vibe Coding：一种新的编程氛围？💰 Fortune Blueprint
📈 R Visionary
R 的 future 包（异步与并行）
R 中加载与使用系统字体
R 中的数据类型完整指南
R 与 RStudio 安装笔记
make_date() & make_datetime()：从字段构造时间对象
分类变量处理 - forcats
pmin() & pmax()：向量按元素逐位比较
geom_tile()：构建热图 / 网格图的砖块图层
facet_wrap() 与 facet_grid() 用法解析
三种 geom_smooth() 写法解析
ggplot2 的 shape 限制与解决方案
R语言字符串大小写变换
R语言数字取整与格式化。
gtsummary 回归模型
gtsummary + gt：R语言三线表实践
select()：灵活选择列
dplyr包的distinct()函数
ggthemr：为 ggplot2 一键换肤
ggthemes 常用主题
SMR 共定位分析
R集合操作与典型用法
R apply函数速查与典型用法
R变量命名规范与覆盖机制
R设置CRAN与Bioconductor镜像速查
R版本升级与包迁移实用指南
R查询当前环境和包信息（sessionInfo）
创建文件夹与目录管理基础
RStudio常用快捷键与界面恢复技巧
提取字符向量子串的实用技巧
高效读取表格与大文件：fread与自定义read_table_flex
foreach包批量循环
R基因ID转换与批量注释
R批量获取和筛选文件名
R常用序列与模拟数据生成
R数据框（df）条件筛选实用技巧
R Visionary - Introduction📊 Statistics
Survival Analysis
方差分析（ANOVA）
多因素逻辑回归
单因素逻辑回归
R语言中的常见统计分布及其应用
数据分析的可复现性：原则与实践
如何规范报告统计结果？
相关性检验
多重检验（Multiple Testing）
t 检验（t-test）
置信区间 (Confidence Intervals)
卡方检验（Chi-squared Test）
统计功效（Power）与样本量（Sample Size）
假设检验 & p值
频率表、比例表与列联表
t-test: Principles and Application in R🖼️ BioVis
🏢Cohort study VS Case-control
type
status
date
slug
summary
tags
category
icon
password
comment
✍️ 引言
在医学研究中，观察性研究（Observational Studies） 是探索疾病病因、风险因素和干预效果的重要工具。与随机对照试验（RCT）相比，观察性研究更贴近真实临床环境，但设计选择对结果的可靠性影响巨大。其中，队列研究（Cohort Study） 和 病例对照研究（Case–Control Study） 是两种最常用的设计，却常常被混淆。
本文基于权威综述 (ref 1) 和 STROBE 指南，系统解读这两种研究方法，包括定义、设计、统计分析、优缺点和适用场景，并通过对比帮助你科学选择研究设计。
👀 观察性研究类型与时间逻辑
- Cohort Study（队列研究）：分为前瞻性（从现在或暴露起点随访未来）和回顾性（利用既往资料，从过去的暴露追踪至现在结局）。
- Case-Control Study（病例对照研究）：先选病例/对照，回顾暴露史。
- Case Series（病例系列）：只描述一组病例，无对照组、不作比较，仅用于现象描述。
时间轴示意：
- Cross-sectional：横断面，一次性调查。
- Prospective Cohort：暴露起点→未来结局。
- Retrospective Cohort：历史暴露→追溯结局。
- Case-Control：结局起点→回顾暴露。
1️⃣ 队列研究（Cohort Study）
📖 定义
以是否暴露于某因素分组，从无病人群起点开始随访，比较暴露组与未暴露组的结局（发病率、死亡率等）。
🔑 特点
- 时间顺序：暴露 → 结果
- 可前瞻性或回顾性
- 常用指标：RR、RD、HR
- 数据：随访、登记、健康体检、病历系统等
✅ 优点
- 能直接计算发病率和风险差异
- 时间因果关系明确
- 可分析多个结局
- 对罕见暴露适用
⚠️ 缺点
- 成本高、周期长
- 难以研究罕见病
- 易受失访、混杂影响
1.1 前瞻性 vs. 回顾性队列
类型 | 起点 | 数据特点 | 常见局限 |
前瞻性队列 | 现在→未来 | 专门收集，数据完整 | 成本高、随访长、失访偏倚 |
回顾性队列 | 过去→现在 | 利用既往资料或病历 | 信息/回忆偏倚，变量有限 |
1.2 方法学要点
要点 | 说明 |
同源来源人群 | 两组（暴露/未暴露）必须来自同一来源人群，确保可比性 |
排除既往病例 | 入组前排除已患病或无风险者 |
样本策略 | 明确纳入/排除标准，社区/医院/登记库抽样 |
对照组 vs. 病例系列 | 若只有单组随访=病例系列；只有有对照（未暴露组）才算cohort |
1.3 偏倚与控制
偏倚类型 | 控制措施 |
失访偏倚（Attrition） | 设计时预估、加强随访、流失率≤20% |
信息偏倚 | 标准化收集，盲法结局判定 |
混杂偏倚 | 设计时匹配/限制，分析时多变量回归/倾向评分 |
1.4 何时选择队列研究？
- 研究罕见暴露
- 需直接测量发病率或推断因果
- 已有大规模随访数据
- 有足够资源长期跟踪
1.5 回顾性队列 vs. 病例系列（Case Series）
关键问题 | 回顾性 Cohort Study | Case Series |
研究对象分组 | 暴露组+未暴露组（有对照） | 仅病例（无对照） |
研究起点 | 先定义暴露，追踪结局 | 只描述已发生结局的病例 |
可计算指标 | 发病率、RR、RD、HR | 只能描述频数、比例 |
推断能力 | 可以推断暴露-结局关联 | 仅为描述性，不能推断 |
常见应用 | 药物流行病学、灾害健康影响、职业暴露 | 罕见疾病报告、创新疗法、疗效信号 |
关键判断：“先暴露后比较，才叫cohort；只病例无比较，就是case series。”
2️⃣ 病例对照研究（Case–Control Study）
📖 定义
以结局（有病/无病）分组，回顾暴露史，通过病例组与对照组的暴露率比较，推断暴露与结局的关联。
🔑 特点
- 时间顺序：结果 → 暴露
- 只能计算比值比（OR）
- 适合问卷、病历、登记资料
✅ 优点
- 适合罕见病、长潜伏期
- 快速、低成本
- 样本量需求小
- 可研究多个暴露因素
⚠️ 缺点
- 回忆偏倚（Recall Bias）：病例更易记住/夸大暴露
- 选择偏倚：对照组来源和可比性要求高
- 不能直接算发病率、RR
- 混杂控制有限、过度匹配风险
2.1 方法学关键点
步骤 | 风险 | 控制策略 |
病例选择 | 诊断异质 | 明确标准，统一病理或影像诊断 |
对照选择 | 选择偏倚 | 同来源人群、纳入标准一致 |
暴露评估 | 回忆/信息偏倚 | 结构化问卷、盲法访谈、优先客观记录 |
匹配 | 过度匹配 | 仅限主要混杂变量，分析用条件Logistic回归 |
Multiple Controls | 罕见结局样本不足 | 每病例配1-4对照提升功效，>4效益递减 |
混杂控制 | 多重暴露/混杂 | 多变量Logistic回归、倾向评分 |
2.2 优缺点一览
优势 | 缺点 |
🚀 罕见病/长潜伏期 | 🧠 回忆偏倚，病例更可能记住/夸大暴露 |
⏱️ 快速、低成本 | 📄 信息验证难、现有记录不完整 |
💰 样本量需求低，现有资料可用 | 🏷️ 选择合适对照组难，易生选择偏倚 |
🔍 可评估多个暴露因素 | ⚖️ 只能得OR，不能得发病率/RR |
➕ 多对照提升功效 | 🔄 混杂控制有限，过度匹配风险 |
特别提示
- 回忆偏倚：病例受疾病影响，回忆暴露更细致甚至夸大。缓解：用客观记录、对照相同方式、回忆窗口缩短。
- Multiple Controls：每病例配2–4名对照提升功效，>4效益有限。
3️⃣ 三者本质比较表（回顾性Cohort、Case-Control、Case Series）
核心特征 | 回顾性Cohort Study | Case-Control Study | Case Series |
分组起点 | 暴露 | 结局（病例/对照） | 单病例组 |
对照组 | 必须有（未暴露/对照） | 必须有（无病/对照） | 无 |
时间逻辑 | 先暴露→结局（回顾性追溯） | 先结局→回顾暴露 | 仅描述结局 |
可推断力 | 能推断暴露-结局关联 | 不能直接推断RR，仅能得OR | 仅描述性 |
统计分析 | 发生率、RR、RD、HR | OR，多变量Logistic回归 | 频数、比例 |
应用 | 药物、灾害、职业健康等 | 罕见病、初步关联分析 | 新疾病、创新疗效信号 |
常见误区 | 无对照组时≠cohort，仅为病例系列 | 对照组可比性差，暴露估计偏倚 | 错用为因果推断 |
4️⃣ 结论
- 队列研究（无论前瞻或回顾）必须有对照，才能做关联推断，否则仅为病例系列。
- 病例对照研究依靠病例/对照分组，适合罕见病但有回忆偏倚等问题。
- 病例系列仅用于现象描述、信号提示，不能做暴露与结局的比较推断。
- 选择哪种设计，需结合疾病特点、资料可得性、时间资源、推断目标等多因素权衡。
参考文献
- Song JW, Chung KC. Observational studies: cohort and case-control studies. Plast Reconstr Surg. 2010 Dec;126(6):2234-2242. PMC2998589
- STROBE Statement: www.strobe-statement.org
Prev
统计建模的三大学派：频率学派、贝叶斯学派与机器学
Next
gtsummary 回归模型
Loading...