《Scientific Reports》：A retrospective cluster analysis of regional disparities and healthcare factors influencing causes of death certification and mortality statistics in India
编辑推荐：
本研究针对印度死亡医学证明（MCCD）认证率长期偏低（2020年仅22.5%）且改善缓慢的问题，通过回顾性聚类分析揭示了区域差异及其影响因素。研究发现印度各邦可划分为三个聚类，其中聚类1（23个邦）平均MCCD率仅18%，而聚类2和3分别达到63%和60%。回归分析表明，医院主动报告MCCD（β=548.45, p<0.001）和医生密度（β=35.61, p<0.001）是显著正向预测因子，为改善印度死亡率监测体系提供了关键实证依据。
在人口占全球18%的印度，可靠的死因特异性死亡率统计数据对定义卫生优先事项、制定公共卫生规划和分配资源至关重要。然而，这个国家在死亡登记和死亡医学证明（Medically Certified Causes of Death, MCCD）报告方面面临着独特挑战。根据印度注册总局2020年报告，MCCD率仅为22.5%，过去十年仅提高了2.5%。这一巨大差距严重阻碍了追踪健康结局和制定有效公共卫生干预措施的能力。
印度分散的医疗系统导致各邦和联邦属地（Union Territories, UTs）在医疗可及性、医生数量、医院和MCCD报告方面存在显著差异。民事登记系统（Civil Registration System, CRS）报告显示，2020年报告的8,759,522例死亡中，80%有死亡证明，但仅有22.5%经过医学认证。这种注册死亡与MCCD之间的巨大差距，凸显了在改善健康结局方面的一个关键挑战。
为了解决这一问题，Khushwant Singh、Sanghamitra Pati和Ashoo Grover等研究人员在《Scientific Reports》上发表了题为“A retrospective cluster analysis of regional disparities and healthcare factors influencing causes of death certification and mortality statistics in India”的研究，首次对印度过去15年的MCCD模式进行了全面评估，识别了区域模式、差异和先前未充分探索的医疗变量。
研究人员采用回顾性横断面研究设计，分析了2006-2020年间印度各邦和联邦属地的MCCD数据。数据来源于印度注册总局和普查专员办公室（Office of the Registrar General & Census Commissioner, India, ORGI）以及印度卫生和家庭福利部中央卫生情报局（Central Bureau of Health Intelligence）发布的《国家卫生概况》（National Health Profile）报告。
研究采用了多种统计分析方法：使用K均值聚类（K-means clustering）基于MCCD模式对各邦进行分组；通过肘部法则（Elbow Method）确定最佳聚类数量；利用皮尔逊相关（Pearson-correlation）分析各邦之间的关系；建立多元线性回归（multiple linear regression）模型评估医疗变量对MCCD率的影响。对于缺失数据，研究采用了两阶段插补策略，并对MCCD率进行了加权处理以反映医院报告完整性。
结果
印度医学认证死亡率的区域差异和变化
研究发现印度不同地区的MCCD率存在显著区域差异。全国平均MCCD百分比从2006-2010年的15.33%稳步上升至2016-2020年的20.91%，表明印度在死亡登记和认证实践方面取得进展。
在联邦属地中，拉克沙群岛（Lakshadweep）始终表现出最高的MCCD百分比（94-95%），显示近乎完全的认证，其次是本地治里（Puducherry）和昌迪加尔（Chandigarh）。德里作为印度首都，MCCD从57.46%改善至59.71%。然而，北印度地区在2015-2020年间报告了所有地区中最低的平均MCCD（13%）。南印度地区在全国MCCD报告改善方面处于领先地位，泰米尔纳德邦（Tamil Nadu）从28.34%显著上升至43.46%。东印度地区呈现不同趋势，恰蒂斯加尔邦（Chhattisgarh）从7.35%跃升至19.99%，西孟加拉邦（West Bengal）从4.27%增至12.29%。西印度地区平均MCCD从33.95%增至35.75%，果阿邦（Goa）保持异常高的100%认证率。东北地区平均MCCD为37.61%，曼尼普尔邦（Manipur）表现出68.88%的MCCD率。
基于MCCD模式的邦级差异和聚类
为了将具有相似MCCD模式的各邦分组，研究人员对2006-2020年期间的数据进行了一系列K均值聚类分析。通过肘部法确定k=3为最佳聚类数，有效平衡了数据表示和模型简洁性。
聚类1包含23个邦，聚类内平方和（Within-Cluster Sum of Squares, WCSS）为41,965，距质心平均距离36单位，最大距离82单位。聚类2包含5个邦，WCSS为34,836，平均距离79单位。聚类3包含7个邦，WCSS为45,599，平均距离70单位，最大距离155单位。相关分析显示，聚类1内某些邦（如旁遮普邦和泰米尔纳德邦之间相关性0.95）表现出强正相关，而其他组合（如哈里亚纳邦和安得拉邦之间相关性-0.55）则显示负相关，表明报告模式存在差异。
医疗变量对MCCD率的回归分析
研究人员通过多元线性回归评估了四个关键医疗变量对MCCD率的影响：每千人医生数、每万人医院数、每万人中报告MCCD的医院数以及每万人中注册但未报告MCCD的医院数。
原始MCCD率模型（模型1）显示，每千人医生数（β=45.27, p<0.001）和每万人中报告MCCD的医院数（β=397.54, p<0.001）是MCCD率的强正预测因子。相反，每万人医院数呈显著负相关（β=-70.77, p=0.001），而每万人中未报告MCCD的医院数则无显著负相关（β=-53.09, p=0.10）。该模型解释了MCCD率约45%的变异（R2=0.45）。
加权MCCD率模型（模型2）提供了更精细的见解，每千人医生数（β=35.61, p<0.001）和每万人中报告MCCD的医院数（β=548.45, p<0.001）仍是强正预测因子。每万人医院数（β=-116.07, p<0.001）和每万人中未报告MCCD的医院数（β=-183.13, p<0.001）均呈显著负相关。该模型解释了加权MCCD率51%的变异（R2=0.51）。
不同聚类的医疗变量分析
研究人员进一步按聚类进行了多元线性回归分析。聚类1平均MCCD率为18%，截距值为9.63（p<0.001）；聚类2平均MCCD率为63%，截距值为54.5（p<0.001）；聚类3平均MCCD率为60%，截距值为29.26（p<0.001）。
三个聚类在医疗变量上存在显著差异：聚类1的医生密度最低（每千人0.14名医生），而聚类2和3分别有0.27和0.33名医生。更重要的是，聚类1中注册参与MCCD报告的医院比例（58.5%）和主动报告MCCD的医院比例（52%）均最低，而聚类2和3的相应比例均超过88%和90%。
回归分析显示，主动报告MCCD的医院数量是各聚类MCCD率的主要驱动因素：聚类1系数为15.91（p<0.0001），聚类2为61.3（p<0.001），聚类3为37.30（p=0.012）。相反，注册但未报告MCCD的医院数量对MCCD率有负面影响，聚类1系数为-8.10（p<0.001），聚类3为-135.09（p<0.001）。
讨论与结论
本研究揭示了印度MCCD报告中的显著区域和邦级差异，强调了医疗系统内MCCD实践改进的进展和持续挑战。研究结果表明，南印度各邦MCCD报告的持续上升趋势反映了发达的医疗基础设施和行政效率，而北印度低平均MCCD率（13%）则说明了医疗可及性和报告实践方面存在持续差距。
K均值聚类分析通过将具有共享MCCD特征的各邦分为三个聚类，提供了对这些差异的细致理解。聚类1作为最大聚类（23个邦）表现出高变异性，而聚类2和3虽较小，但包含了如果阿邦和锡金邦等显著异常值。这些发现强调了需要理解影响MCCD报告的区域共享和独特因素。
尽管各邦在医疗系统管理方面存在差异，但强化MCCD报告的医疗变量在所有邦中保持一致。分析表明，医生密度本身与MCCD率的相关性有限，仅增加医生数量而不解决系统挑战可能不会显著改善报告实践。更重要的是，医院密度分析已成为MCCD报告的关键决定因素，但单纯增加医院数量并不能改善MCCD率，除非这些医院积极参与报告过程。
提高MCCD率具有深远的公共卫生意义。准确的死亡认证数据对于理解疾病负担、指导资源分配和制定卫生政策至关重要。研究表明，聚类1中低报告邦仅有约15%的医院主动报告MCCD，导致平均MCCD率仅18%，而聚类2和3的主动报告率高达92%至97%，MCCD率分别为63%和60%。注册MCCD报告的医院数量少以及注册医院中参与不足是导致这些邦MCCD率较低的主要因素。
研究发现，医院主动报告MCCD是提高整体MCCD率的关键。注册但未报告MCCD的医院显著削弱了MCCD率，特别是在聚类1中。解决这些差异并利用聚类和回归分析的见解，可以为更高效、更公平的死亡率监测系统铺平道路。
尽管本研究提供了MCCD报告趋势的全面分析，但必须承认某些局限性，如某些邦的数据缺失以及依赖可用的行政记录。虽然研究结果强调主动MCCD报告是影响MCCD率的关键因素，但必须认识到其他几个决定因素也发挥着关键作用，包括医疗基础设施、邦特定卫生政策、文化和宗教信仰、社会经济和人口因素、经济约束和行政能力。
总之，分析表明医院注册和主动MCCD报告存在显著的聚类间差异，表明机构参与是MCCD覆盖面的关键决定因素。聚类1的注册（58.5%）和主动报告医院（52%）比例最低，显示出有限的MCCD绩效，而高绩效的聚类2和3表现出超过88%的注册率和超过90%的报告率。此外，注册但未报告MCCD的医院显著削弱了MCCD率，特别是在聚类1中，强调了加强印度MCCD报告实践的至关重要性。
