在公共衛生監測的漫長時間軸上，我們追蹤著疾病的發生與發展。一個核心問題始終縈繞：疾病的流行趨勢是鐵板一塊，還是分階段、有節奏地演變？一項重大干預措施的實施，是否真的在數據上留下了“印記”？

傳統回歸模型如同一個“一根筋”的畫家，只能用一支畫筆（一條直線或曲線）描繪整個趨勢。

而Joinpoint回歸則是一位“識時務”的大師，它能發現數據中的轉折，用多支畫筆（多條線段）更真實、更精細地還原出疾病流行的動態史詩。本文將從零開始，為你深度解讀這位“大師”的工作原理。

J oinpoint回歸，又名分段線性回歸。其基本思想非常直觀：通過引入一個或多個“連接點”，將整個時間序列分割成若干區間，并對每個區間分別進行線性回歸擬合。

1998年Kim等首次提出Joinpoint回歸模型，該模型的核心思想是根據疾病分布的時間特征建立分段回歸，通過若干連接點將研究時間分割成不同區間，并對每個區間進行趨勢擬合和優化，進而更詳細地評價全局時間范圍內不同區間特異性的疾病變化特征。

Joinpoint回歸模型由美國國立癌癥研究所腫瘤控制與人口科學部開發，在腫瘤發病率和死亡率趨勢研究領域得到廣泛地應用

如上圖所示，相比于一條直線（全局模型），由Joinpoint生成的折線顯然能更貼切地反映數據在不同時期的變化特征。

每一個拐點，都可能對應著一個重要的公共衛生事件或社會變遷。

Joinpoint回歸最常用的模型是對數線性模型，因為它能直接輸出具有明確公共衛生意義的指標——年度變化百分比。

對于一個包含 k個連接點的模型，其回歸方程可表示為：

讓我們來拆解這個看似復雜的方程：

y：因變量，通常是發病率、死亡率等指標。

x：自變量，即時間變量（如年份）。

β?：截距項。

β?：第一個時間區間的斜率（基礎斜率）。

τ? … τ?：模型需要估計的連接點（即拐點發生的具體時間）。

δ? … δ?：斜率的變化量。在連接點 τ?之后，斜率將在 β?的基礎上增加 δ?。

（x - τ?）?：這是一個斷點函數。當x > τ?時，其值為(x - τ?)；當x ≤ τ?時，其值為 0。這個函數是實現分段擬合的關鍵。

通俗地講，這個模型就是在說：在第一個連接點 τ?之前，趨勢由 β?決定；過了 τ?點，趨勢就變成了 （β? + δ?）；過了 τ?點，趨勢進一步變為 （β? + δ? + δ?），以此類推。

確定連接點的過程和數量，是Joinpoint回歸的統計精髓，絕非主觀臆斷。

1. 網格搜索法：尋找最優拐點位置

對于可能成為連接點的每一個時間點，模型都會計算其擬合的誤差平方和。網格搜索法就像一張精密的網格，系統性地遍歷所有可能的分段方案，最終選擇那個擬合誤差最小的方案，從而確定連接點的最優位置。

2. 置換檢驗：確定“幾個拐點”最合適——防止過度擬合

是不是連接點越多越好？絕非如此！過多的連接點會使模型過于復雜，甚至去擬合數據中的隨機噪聲（過度擬合）。那么，多少個連接點才是“恰到好處”的呢？

Joinpoint軟件默認采用蒙特卡洛置換檢驗這一穩健的方法來解決這個問題。它的基本流程是：

原假設（H?）：模型有 k個連接點就足夠了。

備擇假設（H?）：模型需要 k+1個連接點。

檢驗過程：通過數千次（默認4500次）的數據隨機置換（模擬），計算出一個P值。如果P值小于顯著性水平（如0.05），則拒絕原假設，認為增加一個連接點能顯著改善模型擬合效果，然后繼續測試增加下一個連接點的必要性。

這個過程反復進行，直到找到那個“增加連接點也不再帶來顯著改善”的模型為止。這種方法有效避免了人為選擇的主觀性，保證了結果的客觀性。

模型最終的輸出結果中，最具解讀價值的是兩個指標：

1.第一是年度變化百分比（APC）：用于描述每個獨立時間段內的趨勢快慢。其計算公式由對數線性模型的斜率 β?推導而來：

如何判斷趨勢是否顯著？看t檢驗及其P值或者看APC的95%置信區間。如果區間不包含0，則認為該時間段內的上升（APC>0）或下降（APC<0）趨勢具有統計學意義。

2.第二是平均年度變化百分比（AAPC）：當整個研究期間存在多個趨勢段時，我們需要一個指標來概括全局的平均變化速度。

AAPC應運而生，它是以各時間段的長度（權重）對各個區間的APC進行加權平均計算得出的：

AAPC提供了一個簡潔的“整體故事”，便于對不同人群、不同地區或不同時期的長期趨勢進行比較。

1. 主要應用領域

腫瘤流行病學：評估癌癥發病/死亡率的長期變化，分析篩查項目、新療法引入的效果。

傳染病監測：追蹤疫苗普及后傳染病發病率的變化趨勢。

公共衛生政策評估：驗證控煙、限酒等政策是否在數據上產生“拐點”效應。

2. 重要注意事項

數據要求：時間序列不宜過短，通常需要10年以上的數據，且每個趨勢段內至少應有4-5個數據點，否則模型識別能力會減弱。

關聯≠因果：Joinpoint回歸能提示趨勢變化的可能時間點，并將其與歷史事件關聯，但不能證明因果關系。合理解釋必須結合流行病學背景知識。

模型假設：使用對數線性模型時，默認率的對數與時間呈線性關系，在實際分析中需留意這一假設是否合理。

3.總結

Joinpoint回歸通過其獨特的分段擬合思想和嚴謹的統計檢驗，將我們從對趨勢的籠統認知，帶入到對疾病動態演變的精細化解讀階段。它幫助我們回答的不再僅僅是“總體是升是降”，而是“在什么時候、以何種速度、發生了怎樣的轉變”。

掌握了這些原理，你就拿到了理解Joinpoint回歸的鑰匙。在下一篇文章中，我們將手把手帶你實操美國國家癌癥研究所（NCI）的Joinpoint軟件，從數據準備、參數設置到結果解讀，讓你真正將這一強大工具應用于實際工作之中！敬請期待。

編輯：普通疾控人 | 審核：詩酒趁年華

文章來源 | 原創

說明 | 轉載只為分享，如有侵權聯系刪除

?版權聲明 | 部分信息和圖片來自公開網絡

轉載請注明

再次轉載請注明出處

科普健康 | 宣傳疾控

本號為多位疾控機構從業者運營

重點關注國內外健康事件

致力于疾控科普

在做好科普服務大眾的同時

做好疾控機構的宣傳

讓更多的人了解疾控，擁抱健康

歡迎加「小編」微信(cdcjkr126com)

本文具體說明

本文為原創內容，文章為個人理解所學，不涉及疫情信息及內部保密數據，發表的目的為自我總結及給有需求的人士學習使用。如有不妥之處，歡迎聯系小編修改、刪除。

更多精彩視頻，盡在“CDC疾控人”視頻號