利用军事健康系统数据仓库和国家死亡指数进行逆概率处理加权（倾向评分）

摘要

当随机对照试验不可行时，像军事卫生系统数据存储库这样的综合性医疗数据源为回顾性分析提供了理想的替代方案。通过纳入国家死亡指数的死亡数据，并使用倾向性评分加权法平衡各组之间的差异，有助于减少回顾性设计中固有的偏倚。

摘要

当随机对照试验不可行时，使用大数据的回顾性研究提供了一种高效且具有成本效益的替代方案，但这类研究存在治疗选择偏倚的风险。在非随机化研究中，若治疗方案的选择基于与结局相关的治疗前特征，则会发生治疗选择偏倚。这些治疗前特征，即混杂因素，可能影响对治疗效果的评估。倾向性评分通过平衡治疗组之间的已知混杂因素，从而减少此类偏倚。进行倾向性评分分析的方法有多种，包括按倾向性评分分层、倾向性评分匹配以及逆概率处理加权（IPTW）。本文描述了在美军健康系统数据存储库（MDR）中的一组患者队列中，使用IPTW来平衡基线合并症的方法。MDR是一个相对理想的数据来源，因其提供了一个封闭队列，其中符合条件的受益人的住院和门诊服务信息几乎完整。下文概述了结合国家死亡指数信息以增强死亡率数据可靠性的MDR使用方法。同时提供了使用行政管理数据的建议。最后，本方案分享了一段SAS代码，用于通过IPTW平衡已知混杂因素，并绘制感兴趣结局的累积发生函数图。

引言

随机、安慰剂对照试验是量化治疗效果的最强研究设计，但由于成本和时间要求，或治疗组之间缺乏均衡性，这类试验并不总是可行¹。在这些情况下，利用大规模行政管理数据（"大数据"）进行的回顾性队列研究设计通常提供了一种高效且经济的替代方案，尽管缺乏随机化会引入治疗选择偏倚²。在非随机研究中，当治疗决策依赖于与研究结局相关的治疗前特征时，就会发生治疗选择偏倚。这些特征被称为混杂因素。

由于倾向评分可通过平衡治疗组之间已知的混杂因素来减少这种偏倚，因此其应用日益广泛³。倾向评分已被用于比较外科手术方法⁴和药物治疗方案⁵。最近，我们利用美国军事健康系统数据存储库（MDR）的数据进行倾向性分析，以评估他汀类药物在冠状动脉钙化存在与否及其严重程度基础上对心血管结局初级预防的效果⁶。

与 Medicare 和退伍军人事务部（VA）数据集相比，军事医疗数据库（MDR）在研究中的使用频率较低，但它包含了现役军人、退休人员及其他国防部（DoD）医疗受益人及其家属在全球范围内接受住院和门诊服务所产生的全面行政与医疗理赔信息。该数据库涵盖在美国军方医疗机构或由国防部支付费用的民用医疗机构所提供的医疗服务。自2001年10月1日起，数据库已包含完整的药房数据。实验室数据自2009年起可获取，但仅限于军方医疗机构的数据。在MDR中，研究队列可通过诊断代码（如糖尿病 mellitus⁷）或操作代码（如关节镜手术⁸）等方法进行定义。此外，也可将外部定义的合格受益人群队列（例如登记系统）与MDR进行匹配，以获取基线及随访数据⁹。与Medicare不同，MDR包含所有年龄段的患者。由于纳入了家属，其男性偏倚也较VA数据库更小。然而，MDR的访问权限受到严格限制。通常只有隶属于军事健康系统（Military Health System）的研究人员方可申请使用，这一点类似于VA数据库的使用要求。非政府研究人员若需获取军事健康系统数据，必须通过政府资助方监督下的数据共享协议来实现。

使用任何行政管理数据集时，都必须牢记行政编码的局限性及其优势。编码的敏感性和特异性可能因相关诊断、是主要诊断还是次要诊断，或是住院还是门诊记录而有所不同。急性心肌梗死的住院编码通常报告准确，阳性预测值超过90%¹⁰，但烟草使用情况往往存在编码不足¹¹。这种编码不足可能对研究结果产生显著影响，也可能不会¹²。此外，针对特定疾病可能存在多个编码，其与该疾病的关联程度各不相同¹³。研究团队应进行全面的文献检索，并查阅《国际疾病分类第九版临床修订本》（ICD-9-CM）和/或ICD-10-CM编码手册，以确保研究中包含适当的编码。

可采用多种方法提高诊断编码在定义共病状况时的敏感性和准确性。应包含适当的"回顾期"，以确定基线共病情况。回顾期包括研究入组前的住院和门诊服务记录。一年的回顾期可能是最佳选择¹⁴。此外，要求至少两次独立的医疗申索记录而非单次记录，可提高特异性；而结合药物使用数据补充编码数据，则可提升敏感性¹⁵。还可对部分数据进行人工病历审查，以验证编码策略的准确性。

在确定并评估了所研究队列的合并症后，可使用倾向评分来平衡治疗组之间的协变量差异。倾向评分是基于已知协变量计算出的患者被分配到某一治疗组的概率。通过校正这种治疗倾向性，可以降低协变量对治疗分配的影响，从而更真实地估计治疗对结局的作用。尽管倾向评分并不一定比多变量模型提供更优的结果，但它能够评估在应用倾向评分后，接受治疗与未接受治疗的组别之间是否具有可比性³。研究者可以通过分析倾向评分匹配或逆概率治疗加权（IPTW）前后协变量的绝对标准化差异，来确认已知的混杂因素在各组间是否已得到平衡。需要特别注意的是，未知的混杂因素可能并未得到平衡，因此应意识到残余混杂存在的可能性。

然而，若正确实施，倾向评分是一种强大的工具，可预测并复制随机对照试验的结果¹⁶。在现有的倾向评分方法中，匹配法和逆概率加权法（IPTW）通常更受青睐¹⁷。在逆概率加权法中，患者根据其接受治疗的倾向性或概率进行加权。通常建议使用稳定化权重而非原始权重，同时也可以考虑对权重进行截尾处理^18,19,20,21。

当研究组达到均衡后，可对其进行随访直至观察到所关注的结果。利用行政管理数据的研究可能关注再入院率和事件发生时间分析等结局指标。在关注死亡率的研究中，军事卫生系统数据存储库包含一个关于生命状态的字段，该字段可通过国家死亡索引（National Death Index, NDI）进一步补充^22,23。NDI 是由疾病控制中心管理的、来自各州机构的死亡记录信息的集中数据库。研究人员可根据死亡证明申请获取基本的生命状态信息和/或具体的死因信息。

以下方案详细介绍了利用补充了国家死亡指数（NDI）死亡信息的医疗数据记录库（MDR）开展行政数据库研究的过程。方案详细说明了使用逆概率加权法（IPTW）平衡两组治疗人群基线差异的方法，包括SAS代码及示例输出结果。

方案

以下方案遵循本机构人体伦理委员会的指导原则。

1. 定义队列

1. 使用以下任一方式确定并明确定义计划队列的纳入和排除标准：1）使用登记系统，或 2）从军事健康系统数据存储库（MDR）中提取的数据点，例如诊断或操作的管理代码（即，所有具有两次以上门诊诊断或一次以上住院诊断为心房颤动的患者）。
   1. 若使用登记系统，应包含两个或更多患者标识符，以便与军事健康系统数据存储库准确匹配，例如病历号（在不同数据集中列为 patuniq 和 edipn）、全名、出生日期和/或赞助人社会保障号码。
      注意：所有涉及个人健康信息的研究均需采取必要的安全保护措施并严格遵守相关规定。在数据收集过程中必须采用适当的加密和数据管理方法，并应尽快对信息进行去标识化处理。
      注意：在引用赞助人社会保障号码（sponssn）时，所有患者均根据其与军人成员（即赞助人）的关系进行列示，包括赞助人、配偶和子女的标识符。需注意，当患者成年、结婚或离婚时，数据集中的关系代码和赞助人社会保障号码可能会发生变化。因此，使用多个患者标识符有助于确保准确性。
   2. 若通过管理编码定义队列，应进行全面的文献检索，以识别可能已验证过相关编码的先前研究。查阅 ICD-9-CM²⁴ 和/或 ICD-10-CM²⁵ 手册，明确编码定义及其相邻编码，确保使用适当范围的编码。此外，应参考手册中包含的交叉引用表，考虑是否需增加其他纳入或排除编码。既往的验证研究通常报告了不同管理编码策略的阳性预测值、敏感性和特异性，这些信息有助于优化队列选择及结局识别。
2. 确定目标队列是否存在限制条件（例如年龄限制）或其他需在数据申请中包含的排除标准。
3. 定义研究时间段，包括索引日期前的时间段，用于收集基线协变量（通常在管理数据研究中为12个月），以及研究结束日期。

2. 定义协变量和结局

1. 通过文献检索，并参考上述步骤1.1.2中的方法，使用ICD-9-CM²⁴和/或ICD-10-CM²⁵手册定义混杂因素的管理编码。
2. 确定其他必要的协变量，包括人口统计学特征、用药情况和实验室检测数据。
3. 在此处查阅MDR数据字典中可用的数据字段：https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents。

3. 提交 MDR 请求

1. 获得机构审查委员会的批准。
2. 填写数据共享协议申请表，申请表可在此处获取：https://health.mil/Military-Health-Topics/Privacy-and-Civil-Liberties/Submit-a-Data-Sharing-Application?type=All#RefFeed。在申请过程中，需在DRT军事卫生系统数据存储库（MDR）提取工作表（从申请表中链接）中明确所请求的数据字段和文件。说明研究团队是要求数据分析师提供原始数据，还是将直接访问MDR。进一步说明请求是一次性数据提取，还是需要每日、每月或每年定期提取。
   注：无论采用何种方式获取MDR数据，均需有一位作为政府雇员（现役军人或GS级人员）的赞助人，该赞助人通常为研究团队成员。
3. 若需直接访问MDR，请填写“MDR授权申请表”和“MDR CS 2875表”，表格可在此处获取：https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents。

4. 访问MDR并提取相关数据

1. 若直接访问 MDR，请遵循 MDR 的访问和使用说明，包括软件要求以及可在以下位置找到的示例 SAS 程序：“MDR 用户指南”和“MDR 功能指南”：https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents。
   注意：文件以 SAS 格式保存，通常通过 unix shell（一般使用 putty.exe）以及 ftp 程序进行访问。需要具备 SAS 使用知识。
2. 如需了解 MDR 设置的概要信息，请查阅《国防部研究人员使用 MHS 数据指南》https://health.mil/Reference-Center/Publications/2012/10/10/Guide-for-DoD-Researchers-on-Using-MHS-Data。
3. 与步骤 2.3 相同，查阅 MDR 数据字典以获取所有可用数据文件的详细信息 https://health.mil/Military-Health-Topics/Technology/Support-Areas/MDR-M2-ICD-Functional-References-and-Specification-Documents。
   注意：并非所有数据文件都包含用于匹配/合并的所有患者标识符。数据字典有助于列出每个数据文件中可用的标识符。例如，提取药房信息需要 DOD ID 号，也称为“patuniq”或“edipn”。因此，在数据挖掘阶段拥有所有适当的患者标识符非常重要，以确保能够在多个年份和多个数据集之间匹配全部患者信息。需要再次强调的是，在涉及受保护健康信息（PHI）的研究中，获得必要批准后必须严格遵守数据保护程序，并在不再需要时及时销毁 PHI。
4. 通过访问 vm6 受益人数据（2002 年 9 月至今）或 pben 文件（2000 年 9 月至 2002 年 9 月）获取队列所需的必要患者标识符。
   1. 使用下方宏或类似程序将 vm6 数据与队列文件进行匹配。在此情况下，可直接使用该代码，根据队列文件中已有的患者社会保险号查找对应的患者医疗记录号（MRN）。在提取 vm6 数据和队列文件时，对患者姓名和出生日期使用不同的变量名，以便后续检查错误。为保护 PHI，应将包含患者标识符的数据存储在服务节点中，存放在数据请求所提供的空间内（参见 MDR 用户指南）。
      注意：在 MDR 中，MRN 被称为 DOD ID 号、PATUNIQ 或 EDIPN。
      
   2. 由于数据库条目不可能完全无误，因此除检查程序日志和输出中任何潜在问题外，应在每个主要步骤后执行错误检查。使用下方数据步骤审查上述代码可能存在的不匹配情况（患者文件基于患者/受益人社会保险号进行匹配）。在比较队列文件（lastname, firstname）与 vm6 文件（last_name, first_name）中的姓名时，仅匹配前三个字母，以减少因文件间拼写或空格差异导致的误报错误。
      
   3. 审查错误数据文件（“checkname”）。忽略由标点符号引起的错误（如 O'Reilly 与 OReilly）。对其他值得关注的错误，应通过人工审查健康记录进行核实；若存在重大错误且无法验证，则可考虑舍弃相关患者或患者信息。
5. 从 MDR 中提取其余所需数据。
   1. 如有需要，从 vm6ben 文件（2002 年 9 月之前为 pben 文件）获取种族和性别信息，与队列文件合并，并按上述方法检查错误：
      
   2. 从死亡主文件获取死亡数据，与队列文件合并，并按上述方法检查错误：
      
   3. 获取分析所需的其他数据文件（参见 MDR 功能用户指南，了解数据位置以及更多有用的 SAS 宏和代码）。
      注意：数据根据其来源存储在不同文件中——若由军队医疗系统直接提供，则归入一类；若在其他地方提供并由军队医疗系统报销，则归入另一类。以下为示例文件：
      CAPER – 直接护理，门诊文件，财年 2004 年至今
      SADR – 直接护理，门诊文件，1998 年至 2005 年
      SIDR – 直接护理，住院记录（直接护理），1989 年至今
      TEDI – 报销护理，机构性索赔文件，财年 2001 年至今
      HCSRI – 报销护理，机构性索赔，财年 1994 年至 2005 年
      TEDNI – 报销护理，非机构性索赔，财年 2001 年至今
      HCSRNI – 报销护理，非机构性索赔，财年 1994 年至 2005 年
      PDTS – 药房文件，含个体处方，财年 2002 年至今

5. 合并数据并构建汇总文件

1. 无论数据是由数据分析师提供，还是如上文第4节所述直接从MDR获取，均需将数据文件进行汇总并合并，以形成分析文件。在整个过程中，应采用能够提高数据准确性的方法，包括进行错误检查以及审查日志和输出结果，这些内容前文已有讨论。
   1. 在合并数据时，应尽可能使用至少两个患者标识符以确保匹配的准确性（例如病历号和出生日期），因为任何字段都可能存在错误。数据合并后，应审查数据以确保结果符合预期。运行代码以确保姓名的前三个字母匹配，并结合另一个或两个标识符，有助于验证匹配的正确性（参见步骤4.5.1）。
      注意：如果患者在所关注的时间段内结婚，其姓氏可能不一致。此外，由于撇号、空格或拼写错误，姓名字段中也可能存在细微差异。
   2. 在流程的最终步骤中，应特别关注匹配结果，例如确定发生结局的患者。
2. 使用索引日期之前时间段内的ICD-9-CM或ICD-10-CM编码提取基线合并症，索引日期是指患者被视为进入研究的日期。通常，使用索引日期前12个月的时间段来定义合并症。
   1. 确保患者在基线期间具有使用军队医疗保健系统的资格（可通过vm6ben文件按月验证）。
   2. 在门诊和/或住院文件中搜索基线诊断编码，以确定索引日期前12个月基线期内的基线合并症。使用第1节中已确定的ICD-9-CM或ICD-10-CM编码。若使用Elixhauser合并症分类，请使用HCUP提供的软件，并根据需要修改诊断变量和文件的名称。（https://www.hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp#download）
3. 在索引日期之后的住院和/或门诊文件中，搜索由ICD-9-CM或ICD-10-CM编码定义的研究关注结局，例如以心肌梗死为主要诊断的住院事件（在SIDR中搜索410.x1）。
4. 为所有患者设定一个研究终止日期，作为尚未出现研究关注结局患者的随访截止点。确定哪些患者需要在研究终止日期前进行删失处理。
   1. 搜索vm6ben文件，以确认患者在研究终止日期前是否持续具备医疗保健资格；若不具备，则在资格丧失时对该患者进行删失处理。
   2. 如果需要将研究限制在独立于资格之外的医疗系统活跃使用者范围内（例如药房的活跃使用者），则应在数据文件中确定最后一次医疗接触时间（如最后一次处方配药时间），并在该日期对患者进行删失处理。
      注意：使用电话就诊记录时需谨慎，因为此类记录可能在患者死亡后仍存在于健康档案中，或在受益人以其他方式退出医疗系统后仍然存在。

6. 与国家死亡指数（NDI）进行匹配

1. 确定完整队列后，若死亡率为研究终点，则将信息发送至国家死亡索引（NDI）进行匹配。
   1. 首先，在申请医疗数据研究（MDR）数据和机构审查委员会（IRB）批准的申请中包含与NDI进行匹配的意向。在向NDI发送受保护健康信息（PHI）进行匹配之前，确保已获得批准，并完成所有数据加密步骤。
2. “国家死亡索引（NDI）申请表”以及从国家死亡索引请求死亡数据的说明可在此处获取：https://www.cdc.gov/nchs/ndi/index.htm。
3. 通过隔夜快递将数据以密码保护的光盘形式寄送至NDI。结果将在大约两周后以相同方式返回。
4. 收到NDI结果后，审查部分匹配项以确定是否纳入或排除。
   1. “第4章 - 评估NDI输出”提供了审查结果的有用概述，可在同一网页上找到：https://www.cdc.gov/nchs/ndi/index.htm。通常，社会保障号码的匹配结果最为可靠。
   2. 必要时，可通过社会保障死亡索引（Social Security Death Index）和/或退伍军人事务部受益人身份识别记录定位子系统（BIRLS）交叉核对死亡信息，以提高准确性。需注意，在海外死亡的服役人员可能不会出现在NDI搜索结果中，但通常可在MDR生命状态文件或退伍军人事务部BIRLS中查到。
5. 完成审查后，将死亡文件与主队列文件合并。

7. 数据去标识化

1. 在获取所有必要信息后，对数据文件进行去标识化处理，以帮助保护患者隐私信息（PHI）。使用“ranuni”为每位患者生成一个随机患者标识符（参见 MDR 功能用户指南）。从数据文件中删除患者的社保号码、病历号、出生日期（计算年龄后）等信息。如有需要（且已获批准），将链接随机患者标识符与患者隐私信息的密钥安全地存储在 SCE 节点上。

8. 计算倾向评分^18,19,26

1. 使用逻辑回归对治疗概率进行建模（SAS 中的 proc logistic）。
   1. 指定数据文件（示例中的 "dat"）。
   2. 使用 class 语句指定分类变量。使用 "ref = first" 将最低值（例如 0）设为参考值。
   3. 在 model 语句中，将治疗变量指定为因变量（Rx），并将 "event" 的值设为接受治疗的取值（本例中为 1）。
   4. 在模型中包含任何可能影响是否接受治疗的预测因子作为协变量，特别是那些可能影响结局（如死亡）的变量。考虑变量间交互作用是否会影响治疗分配。通过使用 "*"（例如 male*ckd）在模型中引入交互项，或使用下文所示语法，在协变量之间使用 "|" 并在末尾添加 "@2"，以包含所有二阶交互项，具体根据模型需求而定。
   5. 使用 output 语句指定将治疗的预测概率（prob）定义为 "ps"，并输出至文件 "ps_data"。
      
      注：模型中变量：male：男性性别（二分类），ckd：慢性肾病（二分类），liver：慢性肝病（二分类），diabetes：糖尿病（二分类），copd：慢性阻塞性肺疾病（二分类），chf：心力衰竭（二分类），cad：冠状动脉疾病（二分类），cvd：脑血管疾病（二分类），pad：外周动脉疾病（二分类），age：年龄（连续变量）。
2. 根据预测概率（倾向评分）计算权重。若患者接受了治疗（Rx = 1），则倾向评分权重为 1/(倾向评分)；若患者未接受治疗，则倾向评分权重为 1/(1 - 倾向评分)。
   
3. 通过将倾向评分权重除以平均权重来稳定倾向评分。在以下代码中，Proc means 将平均权重输出到数据文件 "m" 中的变量 "mn_wt"。随后的数据集从文件 "m" 中保留 mn_wt，并为每个观测值计算稳定化的倾向评分权重（st_ps_weight）。
   
4. 在应用逆概率治疗加权后验证协变量平衡。
   1. stddiff 宏可简化在 SAS 中计算加权前后协变量标准化均数差的过程。该宏代码可在此处获取：http://www.lerner.ccf.org/qhs/software/lib/stddiff.sas。
   2. 计算加权前的标准化均数差。与所有宏一样，调用前需先在 SAS 中运行宏代码。以下为调用示例，包含感兴趣的协变量。
      
      Inds - 输入数据集，groupvar - 定义研究组的变量，charvars – 分类变量，numvars – 连续变量，stdfmt – 标准化差值的格式，outds – 输出数据集。
   3. 再次调用 stddiff 宏以计算加权后的标准化均数差。"Wtvar" 指定包含稳定化倾向评分的变量，并添加至宏调用语句中。若所有标准化差值均小于或等于 0.1，则认为协变量平衡成功。
      
5. 加权前后的绝对标准化差（ASD）可用表格或图形形式报告。有关使用 SAS 宏生成图表的说明，请参见 补充材料。
6. 在确认测量混杂因素已平衡后，可将经 IPTW 调整的数据用于单变量分析。

9. 构建结局模型并生成累积发生率函数图

1. 结果的时间-事件分析有多种绘图方式，包括使用 proc lifetest 生成生存曲线图。使用 weight 语句来指定标准化的倾向性评分权重。
2. 要使用倾向性评分权重生成累积发生率函数（cif）图，请使用 proc phreg。
   1. 在 proc phreg 中，引用协变量文件以指定生成图形时所用的协变量值。在此情况下，协变量文件仅包含一个变量 Rx，其取值可为 1 或 0。
      
   2. 启用 ods graphics。根据需要使用其他语句指定图形的输出文件或文件类型（如 jpeg 等；参见 https://support.sas.com/documentation/cdl/en/statug/63962/HTML/default/viewer.htm#statug_odsgraph_sect014.htm）。
      
   3. 在 proc phreg 语法中，使用 weight 语句指定标准化的倾向性评分变量。使用 baseline 语句指定基线协变量的取值，以便绘制累积发生率函数。使用 "rowid" 指定用于绘图的分层变量（在此例中为 Rx=1 与 Rx=0 的比较）。在结局变量（"event"）后括号中的数值用于指定应被删失的变量值，应包括删失日期及任何竞争事件。在此例中，0 表示删失，1 表示真实事件。
      

结果

完成逆概率加权（IPTW）后，可分别使用 stddiff 宏代码或 asdplot 宏代码生成绝对标准化差异的表格或图示。图1展示了在包含10,000名参与者的大型队列中，使用 asdplot 宏实现适当平衡的一个示例。应用倾向评分后，绝对标准化差异显著降低。绝对标准化差异的截断值选择具有一定的任意性，但通常采用0.1作为阈值，表示两组之间的差异可忽略不计。在小型队列中，实现良好平衡更为困难。图2展示了在包含100名参与者的队列中尝试平衡协变量时未成功的结果。

一旦生成标准化的倾向评分，研究团队即可进行结局分析。由于需要对随访信息不均衡的参与者进行删失处理，通常采用生存分析方法。图3展示了使用标准化倾向评分加权的proc phreg过程生成累积发生率函数（CIF）图的一个示例...

讨论

当随机对照试验不可行时，使用大型管理数据集进行回顾性分析提供了一种高效且具有成本效益的替代方案。合适的数据集选择取决于目标人群和关注的变量，而MDR是一个颇具吸引力的选择，因为它不像医疗保险数据那样存在年龄限制。无论使用何种数据集，都必须深入了解其结构和数据字典。在整个过程中应谨慎操作，以确保完整捕获数据，并准确地进行数据匹配与合并。

应依据现有文献以及对 ICD-9-CM 和 ICD-10-CM 编码系统的深入理解来定义诊断代码，以最大限度地提高所分配诊断的价值。可使用现有的合并症代码集，包括 Elixhauser²⁷ 或经过优化的 Charlson 合并症指数^28,29，以定义可能影响研究结局的合并症情况。同样，应利用在行政数据中经过验证的编码算法。验证工作应持续作为重点研究方向，因为关于如何最优使用 ICD-9-CM 和 ICD-10-CM 编码算法以实现对多种疾病进行准确分类，仍需不断深入探索。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
CD 刻录机（用于 NDI 请求）
计算机
Putty.exe	Putty.org
SAS 9.4	SAS Institute Cary, NC
WinSCP 或其他 FTP 软件	https://winscp.net/eng/index.php