在健康风险模型中面对结局误分类的推断：使用带验证数据集的模拟研究

为什么死亡证明上的错误很重要

我们对环境危害如何影响健康的大部分认识来自依赖官方记录（尤其是死亡证明）的巨大人群研究。但如果这些表格上列出的死因有时是错误的呢？本研究探讨了即便这些错误并非出于蓄意偏倚，也会如何误导我们判断像低水平辐射这样的暴露是否真正增加癌症死亡风险。作者使用前核工业工人的真实数据与大规模计算机模拟相结合，表明常见的经验法则——“随机错误只会削弱证据”——并不总是在个别研究中成立。

健康研究如何使用不完美的记录

流行病学家常常比较不同暴露水平的人群——例如接受较高或较低辐射剂量的工人——然后观察每组中有多少人死于癌症。死亡证明提供了官方的死因，但数十年的研究表明，它们经常错误地标注了真实的死因。常见的观点是，如果这些错误与暴露水平无关，它们主要会模糊信号，使真实风险看起来比实际更小。因此，许多研究者假定如果能纠正死亡记录，他们观察到的暴露与疾病之间的关联只会变得更强。

核工业工人的真实验证样本

作者基于一组独特的前核工业工人开展模拟，这些人加入了美国的跨铀与铀族登记计划（Transuranium and Uranium Registries）。这些志愿者在去世后同意接受详细的尸检，为研究者提供了异常准确的真实死因信息。对于229名工人，研究团队既掌握了辐射剂量史，又有两种竞争性的死因版本：来自尸检的结论和来自死亡证明的记录。该组之前的研究显示，大约四分之一的死亡证明将潜在死因分类错误，但这些错误与辐射剂量无关——使其成为锚定更大规模模拟的有用“验证”数据集。

模拟多种替代现实

在此基础上，研究者创建了数千个人工研究数据集，以观察结局错误在实践中可能如何表现。他们既使用了真实的剂量记录，也使用了与工人暴露相似的、更大规模的计算生成剂量分布。对于健康结局，他们要么使用基于尸检的实际癌症死亡数据，要么根据将剂量与癌症风险相联系的简单规则生成“真实”癌症结局。从每个起始数据集出发，他们在广泛的错误率范围内通过随机把一些非癌症死亡标记为癌症和把一些癌症死亡改为非癌症来模拟误分类。对于每种情形下的每一个20,000个误分类版本，他们都重新计算剂量与癌症之间看起来有多强的关联，以及结果是否会被判断为统计显著。

当随机错误反而强化弱信号时

模拟确认，如果你能够无限次重复研究并对结果取平均，这类错误通常确实会将估计关系拉向“无效应”。但在聚焦单个真实世界研究时——研究者和监管者实际面临的情形——情况就不同了。相当一部分模拟研究，有时接近一半，在误分类后表现出比原始更强的剂量-癌症关联。在原始数据仅略低于常规定义的统计显著性时，即便是较小程度的误分类也能使许多模拟研究跨过阈值进入“显著”领域。在极少数真实关系基本不存在的情形下，单凭误分类仍可能产生看似令人信服但完全伪造的关联。

这对解读健康风险意味着什么

这些发现表明，即便死因错误并不明显与暴露水平相关，它们仍可使单个研究的结论向任一方向扭曲。特别地，这提醒人们不要轻率地认为观察到的边缘关联在清理数据后必然会变得更强。对于像低剂量辐射研究这类估计风险较小、争论常围绕接近0.05的p值的领域，即便是适度的误分类也可能产生重大影响。作者主张，研究者与读者应对此类结果保持额外谨慎，并且未来的工作应更常规地使用验证数据和校正方法，以评估研究结论对结果记录中隐藏错误的稳健性。

引用: Liu, X., McComish, S.L., Howard, S.C. et al. Inference under outcome misclassification in health risk models using a simulation study with a validation dataset. Sci Rep 16, 11981 (2026). https://doi.org/10.1038/s41598-026-41788-6

关键词: 死亡证明误分类, 流行病学偏倚, 低剂量辐射, 癌症死亡率, 模拟研究