发布日期:|最后更新日期
每年,大约有40万份伤害记录从美国医院急诊科流出,并被录入一个任何人都可以免费下载的公共数据文件。该文件就是NEISS数据库,即国家电子伤害监测系统,由美国消费品安全委员会(CPSC)自1972年起运营。如果您曾在被抽样的医院接受过产品相关伤害的治疗,那么您的就诊记录很可能已被匿名化处理,仅包含大约20个编码字段和一句自由文本。
本文全程追踪了一例损伤病例:从临床医生凌晨两点填写的病历,到编码员的翻译,再到将其转换为全国统一标准的权重计算,直至一年后研究人员下载的原始数据。文章还纠正了关于该数据集最严重的误解,即它使用的是ICD-10编码。事实上,它并没有使用ICD-2编码,任何基于此假设而设计的研究都注定失败。
用简单的话
大约有100家医院会向美国消费品安全委员会(CPSC)提交一份简短的结构化摘要,记录他们治疗的每一例涉及消费品的伤害病例。每条记录都具有统计权重,因为这100家医院代表着成千上万家医院。将这些权重相加,就能得到一个全国性的估计值。但如果只统计行数,得到的数字除了这100家医院之外,没有任何意义。这个数据集的所有难点都源于这一个区别。
关键精华
- 分层概率样本 100家医院 样本来自4,723家符合条件的美国急诊科。并非所有急诊科每年都上报数据:2023年只有96家上报。 2024年100个中的77个.
- 它收集 每年近400,000万起产品相关案件这是一个创纪录的数字,而不是全国数字。
- NEISS 做 不会 使用 ICD-10-CM 或 ICD-10-PCS。它使用封闭的内部代码集:26 个身体部位代码、30 个诊断代码、四位数的产品代码,每个病例最多三个。
- 每个案例都包含一个
Weight该文件也随附Stratum和PSU这三者都是得出可靠估计和正确标准误差的必要条件。 - 这些文件免费供公众使用,涵盖 2006 年至 2025 年的治疗年度。该系统正在重建,CPSC 的现代化版本预计将于 2027 年初全面生效。
NEISS数据库究竟是什么?
美国消费品安全委员会(CPSC) 将 NEISS 称为其“规模最大、最具活力的数据收集和追踪监测系统”。其目的是让 CPSC 分析人员能够及时对与特定消费品相关(但不一定由其直接导致)的伤害进行全国性估算。括号中的文字是 CPSC 在NEISS 官方常见问题解答中的原文,也是该页面上最重要的一句话。NEISS 数据库建立的是关联性,而非因果关系,后续的任何统计分析都无法将二者相转化。
样本为从2020年4,723家符合条件的急诊科中随机抽取的100家医院,这些急诊科代表了155,707,175人次的年度急诊就诊量。符合条件的医院需位于美国境内,至少拥有6张住院床位,且急诊科24小时开放。样本分为五个层级,包括四个不同规模的急诊科以及一个儿童医院层级。
| 阶层 | 年度急诊就诊次数 | 抽样医院 | 框架上的医院 |
|---|---|---|---|
| S小号 | 1到33,280 | 43 | 2,984 |
| 中 | 33,281到56,995 | 26 | 860 |
| L大号 | 56,996到92,195 | 12 | 528 |
| 很大 | 92,196及以上 | 11 | 286 |
| 儿童医院 | 儿童指定 | 8 | 65 |
| 合计 | 100 | 4,723 |
资料来源:美国消费品安全委员会(CPSC)信息收集支持声明,B部分(提交给美国管理和预算办公室)。由Editverse编写。
由此引申出两点。首先,样本量正好是100,而不是像大多数二手资料描述的那样“超过100”。其次,实际上报的医院数量也在变化:2019年为96家,2023年为96家,2024年为100家医院中的77家。虽然权重可以调整无应答情况,但一项比较2019年和2024年的研究实际上是在比较两个报告基础存在显著差异的时期,了解该系统的审稿人会提出疑问。我们另一篇关于NEISS伤害统计数据是否可靠的文章详细阐述了这些因素对评估稳定性的影响。
务必尽早澄清一点区别。NEISS数据库包含多个子系统,分别基于不同的医院子集和病例定义:NEISS-AIP(所有损伤,数据来自美国疾病控制与预防中心,始于2000年)、NEISS-Work(职业损伤,数据来自美国国家职业安全与健康研究所,涵盖约67家急诊科)、NEISS-CADES(药物不良事件,涵盖2017年至2019年间的60家急诊科)以及NEISS-FISS(枪伤)。即使相关论文无可挑剔,将NEISS-Work的发生率误认为是“NEISS”数据也是事实错误。

第一步:医院采集哪些信息
有人骑电动滑板车摔倒,被送到一家抽样的急诊科,并接受了腕部骨折的治疗。这次就诊的临床记录非常完整:包括分诊记录、体格检查、影像检查和出院指导。但几乎所有这些信息都没有被录入NEISS数据库。
NEISS数据库中收录的信息是由经过培训的摘要员从病历中提取并整理成固定格式的。在旧系统中,这是人工病历摘要,而非电子健康记录的自动导入,而这正是CPSC现代化改造的目标。摘要员需要回答一组固定的问题,然后用一句话简要描述事件。
完整的公共使用变量列表很短,可以直接打印出来: CPSC_Case_Number, Treatment_Date, Age, Sex, Race, Other_Race, Hispanic, Body_Part, Body_Part_2, Diagnosis, Diagnosis_2, Other_Diagnosis, Other_Diagnosis_2, Disposition, Location, Fire_Involvement, Alcohol, Drug, Product_1, Product_2, Product_3, Narrative, Stratum, PSU, Weight这就是全部记录。任何涉及合并症、费用、住院时间、影像学检查结果或出院后结果的问题,都无法在这里回答。
几乎所有新用户都会注意到一个细节: Age 不是一个普通的整数。 0 表示年龄未记录。 2 至 120 已经过去好几年了, 201 至 223 年龄在1至23岁之间 个月如果简单地阅读该列,你会创建一个年龄在 201 岁到 223 岁之间的队列,该队列通过了所有语法检查,并破坏了你生成的所有按年龄分层的估计值。
步骤 2:编码,以及 NEISS 数据库为何不使用 ICD-10
这是最重要的部分,也是本文先前版本出错的地方。先前版本声称NEISS编码员使用ICD-10-CM/PCS对损伤进行分类。这是错误的。其后果不堪设想:一位计划进行基于ICD-10的NEISS分析的研究人员,在项目进行到一半时才发现该变量根本不存在。
NEISS 数据库使用由 CPSC 维护的封闭式内部代码集。每个允许的值都在NEISS 数据字典中列出,其应用规则则在NEISS 编码手册中:
- 身体的一部分:一个两位数代码,共有 26 个当前值,例如 30 肩膀、34 手腕、35 膝盖、75 头部、77 眼球、82 手、92 手指、94 耳朵。四个旧代码(78、86、90、91)被标记为“(旧)”,在长序列中使用时需要特别处理。
- 诊断:一个两位数代码,包含 30 个值,例如 52 脑震荡,57 骨折,59 撕裂伤,63 刺伤,64 拉伤/扭伤,68 中毒,71 其他/未说明。当诊断为 71 时,自由文本
Other_Diagnosis字段包含程序员的意图。 - 产品:一个四位数的CPSC代码,没有外部等效代码,每箱最多三个,未使用的插槽将填满。
0000. - 提供:共七个值,包括 1 例治疗后出院,4 例治疗后入院,8 例死亡。 地点:九个值,从 1 家到 9 娱乐或运动场所。
这就是全部的临床词汇。三十个诊断代码并不多:没有侧别信息、没有严重程度分级、没有外部原因层级,也没有手术编码。如果你的问题需要这些信息,那么NEISS就不适合你,而我们撰写这篇指南,旨在帮助你选择合适的健康数据库,从一开始就做出正确的选择。使用ICD-10-CM/PCS的系统是NEDS,本文稍后会对此进行比较。
为什么 ICD-10 假设会破坏分析
- 您的病例定义无法从现有的 ICD-10 代码列表中提取,因此无法与您文献综述中基于 ICD 的研究直接比较。
- 它必须从 NEISS 产品、身体部位和诊断组合的角度进行构建和辩护,通常还需要从叙述性评论的角度进行分析。
- 已有相关验证工作,应予以引用。以美国疾病控制与预防中心 (CDC) 的 ICD-9-CM 定义作为金标准,推荐的 NEISS 创伤性脑损伤定义达到了 91.0% 的敏感性(95% CI 89.6% 至 92.4%)和 76.5% 的阳性预测值(95% CI 74.6% 至 78.4%)。大约四分之一的 NEISS 定义的创伤性脑损伤病例并不符合 ICD 标准。2
法规集也会发生变化。美国消费品安全委员会 (CPSC) 维护着一套…… 产品代码对照表 记录自 1972 年以来所有产品代码的合并、拆分、删除或重新激活情况。例如,开瓶器 (0416) 于 1983 年删除,1994 年恢复,1995 年再次删除,2000 年 5 月恢复。固定式电锯 (0825) 自 1974 年起拆分为 0841 至 0845。若不使用此表,查询跨越二十年的某个代码,则会得出人为的趋势。此外,还有几列数据具有明确的起始日期: Body_Part_2, Diagnosis_2, Product_3, Hispanic, Alcohol 和 Drug 仅存在于2019年之后,并且 Sex = 3 仅从 2021 年起。任何跨越 2018 年至 2019 年或 2020 年至 2021 年的序列都包含结构性断裂。有关编码员如何在两个合理的编码之间进行选择,请参见 NEISS产品和诊断代码的分配方式.
步骤三:400字的叙述,成就NEISS数据库的独特之处
在了解了编码字段之后,就引出了许多研究人员选择 NEISS 数据库而不是更大数据库的原因: Narrative对事件的自由文本描述,字数上限为 400 个字符。
编码手册规定了具体要求。叙述必须以年龄和性别缩写开头(例如“25岁男性”、“19岁女性”),使用句子大小写并正确拼写,明确具体产品名称,将临床诊断放在末尾,并在其前加上“DX:”,记录血液酒精浓度(例如“BAC 080”),且不得包含任何个人身份信息。一个真实的案例是:28岁女性骑电动滑板车撞到路缘石后摔倒,手伸开着地。诊断:腕部骨折。
在时间紧迫的情况下写下的四百个字符是一份单薄的记录。它也是联邦伤害监测体系中唯一一个在全国范围内记录伤害情况的地方。NEDS 没有类似的记录。正是由于这个单一的字段,以下研究才成为可能:
- 希尔兹及其同事分析了2003年至2019年间的压力锅事故案例,并将诱发因素归类为四类,这些因素在现有编码字段中并不存在:燃烧物、被产品击中、打开时受伤以及其他。他们根据759个实际案例估算出全国范围内共有28,337起伤害事故(95%置信区间为24,588至32,086),平均每年约有1,667起。9
- Dell 及其同事仅从 NEISS-FISS 枪支记录中匿名化的叙述中就识别出 0.10% 的案例(n = 3,225)可能存在无家可归的情况,其中 82.64% 的案例涉及袭击。NEISS 没有住房状况变量;叙述中提供了该变量。17
- 帕克运用自然语言处理技术分析了1993年至2015年间59,025份未经加权的枪击事件叙述,改变了全国范围内的枪击事件分布格局。此前的估计认为,枪击事件发生在住宅的比例最高,为23.4%,其次是街道或公路,为22.9%;而经过自然语言处理分类后,街道或公路成为最常见的枪击事件发生地点,占比46.1%,住宅则为37.7%。5
- Omaki 及其同事手工编码了 4,546 个叙述来训练模型,并将其应用于 91,325 个编码的五岁以下儿童跌倒案例,发现婴儿在 33% 的跌倒伤害中是从床上跌落的。6
- Chen 和他的同事证明,劳动力成本是可以控制的:一个交互式机器学习工具经过大约 60 分钟的训练后,将数万个 TBI 叙述的分类时间从几天缩短到几分钟。19
叙述性工作是一项设计决策,而非事后考虑。如果你的问题需要情境细节,你就需要进行人工审核或使用分类器加上验证子样本,而这应该纳入流程规范。我们关于自由文本叙述字段的文章更深入地探讨了提取策略。
第四步:将一项记录转化为全国性估计的权重
大多数NEISS论文的成败就在于此。
由于NEISS数据库是一个概率样本,因此每个病例都具有统计权重。CPSC的解释是,全国估计值“是通过将相应伤害病例的统计权重相加得出的”。该权重并非恒定不变,而是医院在其所在层级中被选中的概率的倒数,并根据无应答情况和医院合并情况进行调整。Schroeder和Ault给出的公式为:
NEISSwt = (N_h x n'_h) / (n_h x r_h)其中,在层级h内:N 代表框架内的医院数量,n 代表选定的医院数量,n' 代表纳入范围的医院数量,r 代表参与的医院数量。因此,来自小型层级医院的记录可能比来自大型急诊科的记录权重大得多。因此,未加权的 NEISS 行计数并非全国总数的缩小版,而是一个具有不同形式和性质的量。
有两个数据可以说明问题,而本文之前的版本将这两个数据混淆了。收集到的案例数据是美国消费品安全委员会(CPSC)提供的数据:“每年近400,000万起产品相关案例”。而全国加权估计值则是一个数量级的不同;CPSC最近公布的2020年所有产品相关伤害急诊就诊案例为10,994,000万例,但需要注意两点:2020年是新冠疫情年,急诊就诊量较低;此外,CPSC通常不会公布去重后的所有产品相关伤害总数。
它避免计算总数的原因很有启发性。每份数据亮点报告都指出,“数据系统允许报告每人受伤最多涉及三种产品,因此一个人的受伤可能被计入三个产品组。” 将已公布的类别相加,就会出现重复甚至三重计算的情况。以下是2024年单类别预估数据:楼梯、坡道、平台和地板3,101,789件;床、床垫和枕头1,114,811件;椅子、沙发和沙发床756,953件;浴室设备658,680件;健身器材564,845件。
设计变量以公共文件的形式提供。 Stratum, PSU (抽样医院) Weight 或 Wt 在 SAS 文件中,如果不声明分层和聚类,直接应用权重会得到一个看似合理的点估计值,但其标准误差通常过小,导致区间过窄,p 值过大。Durand 及其同事以 NEISS 本身作为测试案例,并报告称“在几乎所有情况下,经过设计校正的方法都与标准统计技术形成了鲜明对比”。4 如果你从未亲眼见证过设计对结果的影响有多大,那么本网站上最清晰的例证就是: 当我们以三种不同的方式运行相同的NHANES分析时,发生了什么?关于NEISS权重背后的抽样理论,请参见…… NEISS 如何利用权重将样本缩放到全国估计值.
美国消费品安全委员会 (CPSC) 也发布了值得借鉴的报告规则。方差以变异系数 (CV) 的形式报告,CV 等于方差除以估计值的平方根;95% 置信区间为估计值加减 (1.96 × 估计值 × CV);当估计值低于 1,200、相关案例数少于 20 例或 CV 超过 33% 时,CPSC 会将估计值视为不稳定,并且不会报告。
步骤 5:发布以及如何下载 NEISS 数据库文件
记录经过验证、加权后每年发布。美国消费品安全委员会 (CPSC) 表示,最近一个日历年的治疗日期数据通常会在次年四月发布。但实际上,发布时间会有所延迟:2025 年的治疗日期数据直到 2026 年 5 月 7 日才发布。因此,请根据“大约一年多一点的时间”来规划,而不是根据一些内容农场网站上流传的所谓 72 小时或两到四周的处理时间窗口。
获取数据真的非常简单。无需申请,无需数据使用协议,也无需付费:
- NEISS 估算查询生成器和下载门户包含 2006 年至 2025 年治疗年度的年度文件,格式为 Excel、制表符分隔文本和 SAS。
- 美国消费品安全委员会对其自身估算方法的解释包括上述简历和报告规则。
- CPSC对NEISS的项目描述适用于方法部分的开头。
CPSC明确指出了一项注意事项,这应该放在你的局限性段落中:用户通过网站生成的估算值“可能与CPSC出版物中的估算值有所不同,因为数据处理方面的分析方法存在差异”。请直接说明这一点,而不是让审稿人自己去发现。关于如何获取NEISS数据文件,请参阅下载和文件结构指南。
一个正确的示例:将 NEISS 数据库行转换为国家估算值
本文的先前版本附带了一个使用 Stata 的代码片段。 discwt 和 hosp_ed这些是HCUP/NEDS变量名;它们不存在于NEISS文件中,因此代码无法运行。以下是更正后的版本。
* ---- Stata: NEISS public-use file, one treatment year ----
* Design variables ship in the file: Stratum, PSU, Weight
* 1. Declare the design ONCE. Everything downstream depends on this line.
svyset PSU [pweight=Weight], strata(Stratum) singleunit(certainty)
* 2. Age is not a plain integer.
* 0 = not recorded; 2-120 = years; 201-223 = 1-23 MONTHS.
gen byte infant = inrange(Age, 201, 223)
gen double age_y = .
replace age_y = Age if inrange(Age, 2, 120)
replace age_y = (Age - 200)/12 if infant
* 3. Case definition. Product codes are four digits, up to THREE per case,
* so check all three slots. Replace 1234 with your product code.
gen byte casedef = inlist(1234, Product_1, Product_2, Product_3)
* 4. Unweighted case count. This is NOT a national number.
* Report it anyway; reviewers expect both.
count if casedef == 1
* 5. Weighted national estimate with a design-based standard error.
svy: total casedef
* 6. Subgroup estimate, domain-restricted. Do NOT drop rows first;
* that breaks the variance estimation.
svy, subpop(if age_y < 18): total casedef
* 7. Apply CPSC's reportability rules to whatever comes back:
* suppress if estimate < 1200, unweighted cases < 20, or CV > 33%.
estat cvR 语言中也采用了相同的设计 survey 包装:
library(survey)
neiss_design <- svydesign(
id = ~PSU, # primary sampling unit = the sampled hospital
strata = ~Stratum, # four ED-size strata + children's hospital stratum
weights = ~Weight, # CPSC statistical weight
data = neiss,
nest = TRUE # PSU ids are nested within strata
)
# National estimate of fractures (NEISS diagnosis code 57):
svytotal(~I(Diagnosis == 57), neiss_design)
# Then CV = SE / estimate. Suppress if estimate < 1200,
# contributing cases < 20, or CV > 33%.在 SAS 中,等效项是 PROC SURVEYMEANS or PROC SURVEYFREQ - STRATA Stratum; CLUSTER PSU; WEIGHT Wt;.
两项习惯区分了可发表的NEISS分析和被拒收的分析。务必在报告加权估计值的同时,也报告未加权病例数:近期最清晰的例子是发表在《美国医学会眼科杂志》(JAMA Ophthalmology)上的匹克球论文,该论文基于73例未加权病例,估计有3,112例眼部损伤,并得出调查加权回归趋势为每年新增405例(95% CI 288至522,P = 0.004)。<sup> 10 </sup> 读者可以立即看出基础数据有多么薄弱。此外,应使用子群体选项进行子集划分,而不是直接删除行,因为删除行会移除方差估计器所需的关于完整设计的信息。为了验证您计算出的比率是否合理,我们免费的发生率计算器可以帮您完成计算。
研究人员利用NEISS数据库解答了哪些问题
美国疾病控制与预防中心 (CDC) 撰写的一项范围界定综述筛选了 6,944 篇文献,并以 NEISS-AIP 为主要数据来源,在 2001 年至 2021 年间确定了 167 篇同行评审文章,平均每年发表 8.0 篇文章,涵盖 72 种期刊。<sup> 3</sup>这仅仅是 NEISS-AIP 子集的内容;更广泛的 NEISS 文献数量要多得多。近期研究表明该系统的优势所在。
微型交通工具。Neuroth及其同事估计,2015 年至 2019 年间,美国急诊科共接诊了 60,554 例电动滑板车事故(95% 置信区间为 37,525 至 84,594),其中约 19% 涉及机动车;这些事故的住院率更高(14.6% 对比 8.8%,p < 0.01)。<sup> 12 </sup> Akomaning 及其同事基于 4,020 条未经加权的电动滑板车和电动自行车记录,报告称,加权估计电动滑板车就诊量为 279,990 人次,预计从 2019 年的 22,835 人次增至 2022 年的 65,892 人次,增长约三倍,其中男性与酒精相关的几率是女性的 2.61 倍(95% 置信区间为 1.84 至 3.69)。<sup> 13</sup>
锂离子电池伤害。本文先前版本使用了两个相互矛盾的数据,分别为37%和142%,且均未提供数据来源。实际发表的数据是:FDA的作者分析了2020年至2024年的NEISS数据,估计因电子尼古丁输送系统电池爆炸和烧伤而就诊急诊室的人数为2,043人(95%置信区间为1,326至2,760人),该数据基于52例未经加权的病例,其中26.3%的患者需要住院治疗。<sup> 11</sup>注意其分布情况:病例数少,区间宽,住院率异常高。这是一项合理的分析,也很好地说明了NEISS对于新兴危害的覆盖范围可能非常有限。
儿童食管损伤。Xiao及其同事回顾了 20 年的儿童食管异物病例:共纳入 52,315 例未加权病例,据此估算全国病例总数为 1,589,325 例,其中硬币占 37.6%,电池占 6.8%,发病率从每 10,000 名儿童 7.3 例上升至 14.2 例(p < 0.0001)。<sup>14</sup> NEISS 数据库比其他任何现有数据库都能更好地解答这个问题,因为该数据库将产品作为暴露因素,并对产品进行了编码。
跌倒。Hammig和 Haldeman 估计,仅在 2019 年,15 至 64 岁人群中因楼梯跌倒而就诊急诊的病例就达 687,902 例,其中酒精中毒与创伤性脑损伤的发生率较高相关(患病率比为 2.7,95% 置信区间为 2.3 至 3.1)。<sup> 15</sup>
枪支伤害及其子系统陷阱。Bhagavathula及其同事利用 2000 年至 2021 年的 NEISS-FISS 数据,估计美国工作年龄段成年人中发生了 2.36 万起非致命性枪支伤害事件,其中男性占 85.7%。<sup> 16 </sup> 与此同时,Carpenito 及其同事总结了何时选择哪个数据库的最佳方法:他们指出,HCUP-NEDS“提供了非致命性枪支伤害数量的准确数据,但对伤害意图的编码不够可靠”,而 NEISS-FISS 对意图的编码可靠,但“样本量太小,无法对这些事件的数量做出稳定的估计”。<sup> 7</sup>
药物危害。发表在《美国医学会杂志》(JAMA) 上的 NEISS-CADES 分析值得作为演示模板阅读。该分析基于 60 个急诊科的 96,925 例病例,作者估计每年每 1,000 人中因药物危害就诊 6.1 次(95% 置信区间 4.8 至 7.5),其中 38.6%(95% 置信区间 35.2 至 41.9)最终导致住院。<sup> 8</sup>每个估计值都包含一个区间;参与的急诊科数量和病例数均已注明。这是标准做法。
NEISS数据库无法做什么
仅出售数据集的帖子毫无价值。如果以下任何内容与您的问题密切相关,请选择其他选项。
- 仅限急诊科处理的伤情。 在急诊护理中心、医生办公室、家中处理的伤情,以及根本没有接受治疗的伤情,都是隐形的;同样,从未到达急诊室的死亡病例也是如此。
- 没有长期随访。 每条记录仅代表一次就诊。不包含患者身份识别信息、再入院信息、出院后结果信息或费用信息。康复情况、复发情况和长期预后信息均不在系统内。
- 没有州、县或都市区的估算数据。 在 CDC 对 167 篇 NEISS-AIP 文章进行范围审查时,作者(n = 38)最常指出的局限性是该系统仅生成国家估计值。3 本文先前版本包含一份亚利桑那州和俄亥俄州州级政策调查结果表格。由于目前已不存在此类州级调查结果,该表格已被删除。
- 真实的地理隔阂。 在旧有的设计方案下,14 个州没有参与的医院,阿拉斯加、夏威夷、西部山区和北部地区代表性不足。
- 小电池不稳定性。 由于医院数量约有 100 家,罕见暴露事件导致的未加权病例数非常少。如果您不确定某个亚组是否足以支持估计值,请在提取数据之前使用我们的工具进行计算。 功效和样本量指南.
- 关联,而非因果关系。 产品代码记录的是产品曾出现过,而不是产品造成了伤害。
- 有些记录并非伤病记录。 NEISS儿童医院的一项记录链接验证发现,在抽样病例中,有13.32%(2,890例中的385例)的病例根据同一记录中的ICD-9-CM诊断并非损伤;在真正的损伤病例中,一致性Kappa值为0.87(95% CI 0.85至0.88)。作者总结道,最佳实践“应包括对病例叙述进行人工审核”。1
- 编码准确率并非用一个数字来衡量的。 对于任何仅引用NEISS单一准确率的页面,都应持怀疑态度;本文早期版本引用了七个准确率,但所有七个均已被删除。除上述验证结果外,唯一可用的有限发现是CDC的一项评估报告,该报告指出,2018年NEISS-AIP自残数据中超过99%的原因和意图变量的编码与图表描述一致。18 这是针对两个变量、一个子系统、一年内的内部一致性。它并非系统范围内的准确率。
- 系统变化会打破时间序列。 2019 年和 2021 年的变量新增、产品代码历史记录以及报告医院数量的差异意味着,简单地得出二十年趋势线只是一个需要论证的主张,而不是一个可以绘制出来的事实。我们关于……的文章 NEISS抽样中固有的偏差 涵盖同行评审最有可能提出的问题。
NEISS遗漏的部分内容属于其他系统,而非无人负责。植入式医疗器械和输液泵属于FDA的MAUDE管辖范围,而非CPSC的管辖范围,这在选择用于器械故障分析的数据库时至关重要。
NEISS 与 NEDS:如何选择
这两个概念经常被混淆,包括本文之前的版本中也存在这种情况。它们实际上是互补关系,而非竞争关系。
| 奈斯 | 国家发展部 | |
|---|---|---|
| 赞助商 | 美国消费品安全委员会 | AHRQ,通过HCUP |
| 第一个数据年 | 1972年(1978年开始采用现代设计) | 2006 |
| 适用范围 | 与消费品相关的伤害,以及所有伤害、职业伤害、枪支伤害和药物不良反应补充保险 | 所有医院急诊就诊,无论何种原因 |
| 样本大小 | 100 家医院(近年来有 77 至 96 家报告) | 995家医院所属急诊科(2020年) |
| 未加权体积 | 每年约有400,000万起产品相关案件 | 2020年急诊就诊量为28,037,034人次 |
| 编码 | NEISS内部代码:身体部位、诊断、产品、处置、位置 | ICD-10-CM/PCS(2015 年 10 月之前为 ICD-9-CM) |
| 叙事文本 | 是的,400 个字符 | 没有 |
| 产品识别 | 是的,每个案件最多可以有三个四位数的代码。 | 没有 |
| 地理基础 | 全国概率抽样;14 个州在传统设计下没有医院 | 包括哥伦比亚特区在内的41个州,覆盖美国85.0%的人口。 |
| Cost | 免费公共使用文件 | 通过HCUP中央分销商购买 |
| 最适合用于 | 产品和机制问题;叙述中的细节情况;早期发现新出现的危险 | 大规模的病例量、成本、支付方、合并症、处置和临床严重程度问题。 |
资料来源:CPSC NEISS 文件;AHRQ HCUP NEDS 概述和 2020 年版介绍。由 Editverse 编写。
简而言之:如果暴露因素是产品或机制,请使用NEISS数据库。如果结局指标是成本、支付方、合并症负担或临床严重程度,则需为NEDS预留预算。如果两者都需要,请在方案中明确定价,而不是事后才发现。
NEISS数据库正在重建:NEISS-R的含义
如果您计划在 2026 年或 2027 年开展 NEISS 研究,那么以下背景信息至关重要。美国消费品安全委员会 (CPSC) 已宣布一项现代化改造计划,即 NEISS-Remodel 或 NEISS-R,旨在将约 70 家医院的手动病历摘要工作转变为覆盖全美 50 个州的标准化电子数据交换。该现代化系统预计将于 2027 年初全面投入使用。
三点需要注意。首先,务必注明所用数据的年份,因为“NEISS 数据”很快将根据年份的不同而指代两种不同的数据收集机制。其次,预计会出现数据不连续性,因为从人工提取到电子交换的转变,再加上医院数据集的变更,正是导致时间序列出现与伤害无关的阶跃的原因。如果您的研究涵盖了这一过渡时期,请立即规划敏感性分析。美国消费品安全委员会 (CPSC) 的指南已经警告说,“数据用户应仔细考虑系统更新可能对纵向比较产生的影响”;建议直接阅读CPSC 的完整现代化公告。
导致NEISS数据库研究失败的五个错误
- 将未经加权的统计数据作为全国数据发布。 这是最常见的错误,也是审稿人最容易发现的错误。请同时报告两个数据。
- 不声明设计方案的加权。 点估计值得以保留,但标准误差却被舍弃了。
- 阅读
Age以整数形式表示。 数值 201 到 223 代表月份。这会悄无声息地破坏所有与之相关的儿科分析。 - 查询同一产品代码跨越二十年的数据。 请先查看可比性表。代码可能会合并、拆分、消失或重新出现。
- 假设一个变量存在,因为它存在于 NEDS 中。 无 ICD 代码,无费用,无合并症,无再入院,无州标识符。
报告也很重要。NEISS 分析属于观察性研究,审稿人希望报告能够按照STROBE 观察性研究清单进行撰写,并对抽样设计、病例定义和权重进行充分描述,以便能够从公开文件中复现。
Editverse提供的免费研究工具
基于NEISS的研究的专业服务
大多数NEISS项目失败的原因不外乎以下三点:问题本身已有答案;所需年份的变量数据缺失;或者分析样本在限制条件后无法支持估计结果。这三点在提取数据之前很容易发现,但提取之后却很难发现。
从这里开始
$450
可行性及方案评估:评估您的损伤问题是否已发表,您所需的NEISS变量是否涵盖您所需的年份,以及分析样本是否足以支持估算结果。评估费用可全额抵扣您委托开展的任何研究。5个工作日内完成。
多年期且相互关联
报价,起价 3,500 美元
扩展型多数据库注册研究:适用于多年NEISS趋势研究、与其他数据源的链接,或需要外部验证的预测模型。所有工作开始前均会提供固定报价和书面工作范围。
由于 NEISS 项目会根据其覆盖范围归入上述三种类型之一,因此没有专门针对 NEISS 的套餐。本行所有内容均列于“注册数据和真实世界数据研究”类别下。如果您已拥有数据提取文件,仅需妥善处理调查设计,那么我们的纯分析服务将是更快捷的选择。
结语
急诊就诊记录通过比大多数研究人员预期更短更直接的方式转化为NEISS数据。一位训练有素的摘要员阅读病历,从CPSC封闭的词汇表中分配几个两位数和四位数的代码,撰写一句不超过400个字符的句子,除此之外不附加任何其他信息。CPSC根据医院在五个层级中的入选概率对记录进行加权,大约一年后,该文件即可免费提供给任何需要的人。
有两个事实几乎占据了所有实际意义。首先,NEISS 不使用 ICD-10,因此您的病例定义必须基于其自身的编码集,通常也基于病例叙述来构建和论证。其次,每年收集的约 400,000 万条记录并非全国性数据,因此权重和设计变量决定了最终结果的成败,决定了最终结果是否具有实际意义。正确处理这些因素,在报告加权估计值的同时报告未加权计数,应用 CPSC 的报告阈值,并如实说明系统无法回答的问题,那么 NEISS 数据库仍然是伤害研究领域最有用的公共数据集之一。
关于NEISS数据库的常见问题
NEISS数据库是否使用ICD-10编码?
不。NEISS 使用由 CPSC 维护的封闭式内部代码集:26 个身体部位代码、30 个诊断代码、每个病例最多三个的四位数产品代码,以及处置和位置代码和 400 个字符的叙述。所有允许的值都列在 NEISS 数据字典中。使用 ICD-10-CM 和 ICD-10-PCS 的数据库是 NEDS(全国急诊科样本),这是由 AHRQ 运行的另一个系统,需要购买。
NEISS数据库每年包含多少个案例?
美国消费品安全委员会 (CPSC) 2023 财年年度报告指出,国家紧急伤害信息系统 (NEISS) 每年提供近 400,000 万起产品相关案件的信息,其提交给美国行政管理和预算办公室 (OMB) 的支持性声明中给出的规划数据约为 470,000 万起案件,其中约 2,375 起被选中进行后续调查。这些数字均创历史新高。然而,加权全国估算值则有所不同:CPSC 最近公布的 2020 年(疫情期间急诊就诊量下降)所有产品相关伤害的急诊就诊量为 10,994,000 万例。
NEISS样本中包含多少家医院?
从2020年美国4,723家符合条件的急诊科中随机抽取100家,分为五类:43家小型医院、26家中型医院、12家大型医院、11家超大型医院和8家儿童医院。并非所有100家医院每年都会上报数据。美国消费品安全委员会(CPSC)的数据亮点显示,2019年有96家医院上报数据,2023年也有96家,2024年则有77家(共100家)上报数据。
我需要抽样权重才能发布 NEISS 估计值吗?
是的,您还需要设计变量。公开文件包含 Stratum、PSU 和 Weight 变量。将符合您定义的案例的权重相加即可得到全国估计值;将 Stratum 和 PSU 声明为调查设计变量才能确保标准误差正确。如果没有设计变量,计算出的加权点估计值通常标准误差过小,从而导致置信区间过窄。
NEISS数据库能否提供州级或县级估算数据?
不。这是已发表的NEISS文献中最常提及的局限性。美国疾病控制与预防中心(CDC)对167篇NEISS-AIP文章进行的范围界定审查发现,作者最常提及的局限性是该系统仅生成全国性估计值,不能用于州或县级监测。在原有设计中,有14个州根本没有参与的医院。
NEISS编码的准确度如何?
目前尚无统一的准确率数据,任何引用该数据的来源都应谨慎对待。一项在NEISS儿童医院开展的记录链接研究发现,根据ICD-9-CM标准,抽样病例中有13.32%并非损伤病例,而真正损伤病例的一致性Kappa值为0.87(95% CI 0.85至0.88)。与CDC的ICD-9-CM定义相比,NEISS推荐的创伤性脑损伤定义具有91.0%的敏感性和76.5%的阳性预测值。第一项研究的作者建议,对病例叙述进行人工审核是最佳实践。
NEISS 数据是免费的吗?它能追溯到多久以前?
NEISS 公共使用文件免费提供,无需申请,也无需签署数据使用协议。2006 年至 2025 年的年度数据可通过 CPSC 查询构建器门户网站下载,格式包括 Excel、制表符分隔文本和 SAS。通常情况下,每年的新数据会在次年 4 月发布,但发布时间可能会有所延迟:例如,2025 年的治疗日期数据于 2026 年 5 月 7 日发布。
NEISS能否告诉我某个产品是否造成了伤害?
不。美国消费品安全委员会(CPSC)的表述是,NEISS 支持的是对“与特定消费品相关(但不一定由其引起)”的伤害的估计。产品代码记录的是产品在事件发生时出现,而不是产品本身造成了伤害。此外,NEISS 没有患者身份识别信息,没有随访数据,也没有就诊后的结果数据,因此因果关系和结果问题都超出了该系统的支持范围。
案例
- Thompson MC、Wheeler KK、Shi J、Smith GA、Xiang H. NEISS 与 ICD-9-CM 损伤编码可比性评估。PLoS One. 2014;9(3):e92052。doi:10.1371 / journal.pone.0092052。 PMID: 24658100.
- Thompson MC、Wheeler KK、Shi J、Smith GA、Groner JI、Haley KJ、Xiang H. 使用NEISS监测儿童创伤性脑损伤:选择合适的病例定义。脑损伤。2014;28(4):431-7。doi:10.3109/02699052.2014.887146。 PMID: 24564802.
- Navon L、Chen LH、Cowhig M、Wolkin AF。二十年来的非致命性伤害数据:国家电子伤害监测系统-所有伤害项目(2001-2021 年)的范围界定综述。《伤害流行病学》2023;10(1):44。doi:10.1186/s40621-023-00455-4。 PMID: 37679835.
- Durand WM、Stey PC、Chen ES、Sarkar IN. 复杂健康调查数据中总体结果的趋势分析。AMIA Jt Summits Transl Sci Proc. 2018;2017:349-58。PMID: 29888093.
- Parker ST. 利用自然语言处理和机器学习模型估计非致命性枪伤部位。JAMA Netw Open. 2020;3(10):e2020664. doi:10.1001 / jamanetworkopen.2020.20664。 PMID: 33052403.
- Omaki E、Shields W、Rouhizadeh M、Delgado-Barroso P、Stefanos R、Gielen A. 了解儿童跌倒损伤的情况:基于机器学习的NEISS叙述分析。Inj Prev. 2023;29(5):384-8. doi:10.1136/ip-2023-044858。 PMID: 37399309.
- Carpenito T、Miller M、Manjourides J、Azrael D. 利用超级学习进行多重插补以判断非致命性枪伤的意图。预防医学。2022;163:107183。doi:10.1016 / j.ypmed.2022.107183。 PMID: 35964778.
- Budnitz DS、Shehab N、Lovegrove MC、Geller AI、Lind JN、Pollock DA. 2017-2019年美国急诊就诊与药物不良反应相关的情况。JAMA. 2021;326(13):1299-1309. doi:10.1001 / jama.2021.13844。 PMID: 34609453.
- Shields W、Dong Y、Jager L、Shiang E、Frattaroli S、Omaki E. 利用NEISS数据库了解美国与压力锅相关的伤害。Inj Prev. 2023;29(6):506-10. doi:10.1136/ip-2023-044910。 PMID: 37666516.
- Lacher CR、Koc I、Tsui JC。急诊科就诊患者中与匹克球相关的眼外伤。JAMA眼科杂志。2025;143(11):938-44。doi:10.1001/jamaophthalmol.2025.3577。 PMID: 41100112.
- Blakney AM、Griggs E、Farrell S、Lindsey K、Chang JT. 2020-2024年美国急诊科收治的电子尼古丁输送系统(ENDS)电池相关爆炸和烧伤病例。预防医学。2026;207:108563。doi:10.1016 / j.ypmed.2026.108563。 PMID: 41875938.
- Neuroth LM、Humphries KD、Wing JJ、Smith GA、Zhu M. 美国机动车相关电动滑板车伤害:NEISS 数据的描述性分析。Am J Emerg Med. 2022;55:1-5. doi:10.1016/j.ajem.2022.02.004。 PMID: 35228017.
- Akomaning E、Osei SP、Bhagavathula AS. 美国电动滑板车和电动自行车使用中与酒精相关的伤害(2019-2022 年):一项回顾性研究。Inj Prev. 2026;32(4):565-70. doi:10.1136/ip-2024-045461。 PMID: 39653429.
- Xiao JB、Siu JM、Propst EJ、Wolter NE. 儿童食管内容物反映的消费趋势:一项20年回顾性研究。喉镜杂志。2024;135(1):438-44。doi:10.1002/lary.31728。 PMID: 39177065.
- Hammig B, Haldeman S. 美国楼梯相关跌倒:创伤性脑损伤和酒精中毒的作用。流行病学与社区健康杂志。2023;77(1):44-8。doi:10.1136/jech-2022-219396。 PMID: 36328421.
- Bhagavathula A、Price JH、Khubchandani J. 2000-2021年美国工作年龄段成年人非致命性枪伤的趋势和差异。《社区健康杂志》。2025;50(3):454-63。doi:10.1007/s10900-024-01431-9。 PMID: 39702661.
- Dell NA、Vaughn MG、Salas-Wright CP。《无家可归者中的枪伤:来自美国急诊科全国调查的横断面证据》。《公共卫生实践》(牛津)。2023;6:100446。doi:10.1016/j.puhip.2023.100446。 PMID: 37954558.
- Ehlman DC、Haileyesus T、Lee R、Ballesteros MF、Yard E. 对美国2018年国家电子伤害监测系统——所有伤害项目自伤暴力数据的评估。《安全研究杂志》2021;76:327-31。doi:10.1016/j.jsr.2020.12.002。 PMID: 33653565.
- Chen W, Wheeler KK, Lin S, Huang Y, Xiang H. 基于NEISS叙述性数据的创伤性脑损伤计算机化“边学边学”分类. Accid Anal Prev. 2016;89:111-7. doi:10.1016/j.aap.2016.01.012。 PMID: 26851618.
- 美国消费品安全委员会。《2024年国家环境信息系统(NEISS)数据亮点》。可从以下网址获取: 美国消费品安全委员会.
- Schroeder T, Ault K. NEISS 样本(设计与实施):1979 年至 1996 年。华盛顿特区:美国消费品安全委员会;2001 年 6 月。可从以下网址获取: 美国消费品安全委员会.
- 美国医疗保健研究与质量署。《全国急诊科样本(NEDS)概述》。医疗保健成本与利用项目。可从以下网址获取: hcup-us.ahrq.gov.
