时间序列连接点回归分析方法比较研究：基于模拟与真实世界儿科心理健康住院数据的评估

本研究针对时间序列分析中连接点回归(JR)方法的软件选择难题，通过模拟数据集和真实世界儿科心理健康(MH)住院数据，系统比较了Joinpoint Regression Program(JRP)与R 'segmented'包在检测趋势变化点时的性能差异。研究发现JRP更适用于存在残差自相关的医疗数据，而R包在无自相关数据中表现更优，为流行病学趋势分析提供了重要方法学参考。

　　

在流行病学监测和公共卫生决策中，准确识别时间序列数据的趋势转折点至关重要。连接点回归(Joinpoint Regression, JR)作为一种无需预设变化点的统计方法，被广泛应用于癌症流行病学、传染病监测等领域。然而，目前主流的两大分析工具——美国国家癌症研究所开发的Joinpoint Regression Program(JRP)与R语言'segmented'包，在算法实现和统计假设上存在显著差异，但缺乏系统的性能比较。特别是在分析具有复杂时间特征的医疗数据时，如存在残差自相关（即前后时间点的误差项相关）的儿科心理健康(Mental Health, MH)住院记录，软件选择可能直接影响趋势判断和政策制定。

为填补这一方法学空白，由Lucie Noé领衔的法国研究团队在《Journal of Clinical Epidemiology》发表了一项开创性研究。研究人员采用蒙特卡洛模拟与真实世界数据双重验证策略：首先构建1000组模拟数据集，系统控制残差自相关程度、趋势变化幅度和连接点位置等关键参数；同时分析2016-2023年法国儿科MH相关住院的月度比例数据。通过比较两个软件在特异性、准确性、95%置信区间(95%CI)覆盖率和最后时段月度百分比变化(MPC)覆盖率等指标的表现，为方法选择提供实证依据。

研究结果显示，在无残差自相关且无真实连接点的模拟场景中，R 'segmented'包表现出更高的特异性(97.9% vs 92.7%)。但当存在中度趋势变化时，JRP展现出更稳定的95%CI覆盖率(81.7% vs 76.8%)。最具启示性的发现出现在残差自相关数据中：JRP的准确性(72.6%)显著优于R包(52.8%)，且95%CI覆盖率差距扩大至95.0% vs 67.1%。在真实世界数据分析中，这种差异更为明显：对于6-11岁女孩的MH住院数据，JRP检测到4个连接点(平均MPC 0.11%)，而R包仅识别出1个(0.05%)；12-17岁男孩数据中，JRP发现4个转折点，R包为3个。

这项研究为时间序列分析方法选择提供了重要指导：当分析自相关性较强的医疗数据或需要保守估计趋势变化时，JRP更为可靠；而对于"干净"的时间序列，R 'segmented'包可能更高效。这一结论对公共卫生监测具有直接应用价值——特别是在儿科MH服务资源配置等关键决策中，方法选择可能直接影响对流行病学趋势的判断。研究同时揭示了当前软件的局限性：R包在最后时段MPC估计的覆盖率波动极大(0%-98.3%)，而JRP对微小趋势变化的敏感性有待提升。这些发现为未来统计软件的优化指明了方向，也为流行病学研究者提供了方法学选择的重要参考框架。