Key points are not available for this paper at this time.
Die Analyse von Trends in Gesundheitsdaten, die über die Zeit gesammelt wurden, kann von plötzlichen Änderungen in der Kodierung beeinflusst werden, die zu plötzlichen Erhöhungen/Abnahmen oder "Sprüngen" in den Daten führen. Trotz dieser plötzlichen Änderungen können die zugrunde liegenden kontinuierlichen Trends wertvolle Informationen zum sich verändernden Risikoprofil der Bevölkerung, zur Einführung von Screenings, neuen diagnostischen Technologien oder anderen Ursachen liefern. Das Joinpoint-Modell ist eine gut etablierte Methode zur Modellierung von Trends über die Zeit unter Verwendung verbundener linearer Segmente, normalerweise auf einer logarithmischen Skala. Joinpoint-Modelle, die Daten-Sprünge aufgrund von Kodierungsänderungen ignorieren, können verzerrte Schätzungen von Trends liefern. In diesem Artikel stellen wir Methoden vor, um einen plötzlichen diskontinuierlichen Sprung in ein ansonsten kontinuierliches Joinpoint-Modell zu integrieren. Die Größe des Sprungs wird entweder direkt geschätzt (das Joinpoint-Jump-Modell) oder unter Verwendung zusätzlicher Daten geschätzt (das Joinpoint-Comparable Ratio-Modell). Beispiele, die Änderungen der Kodierungen für Todesursachen in ICD-9/ICD-10 und Kodierungsänderungen in der Stadieneinteilung von Krebs verwenden, veranschaulichen die Anwendung dieser Modelle.
Chen et al. (Sun,) haben diese Frage untersucht.