陈楠1,2，潘杰1,2
1. HEOA Group，四川大学华西公共卫生学院/华西第四医院
四川大学健康城市发展研究中心/西部农村卫生发展研究中心
Chen N, Pan J. The causal effect of delivery volume on severe maternal morbidity: an instrumental variable analysis in Sichuan, China. BMJ Glob Health. 2022 May;7(5):e008428.
DOI:10.1136/bmjgh-2022-008428
主要内容
1. 研究背景
医疗卫生服务的集中化（Centralization）是否能促进人群健康的提升，是政策制定者和研究人员关注的焦点。病例数与健康结局（volume-outcome）的关系是集中化政策的基础。在很多外科手术领域，医疗机构的病例数被证明与更好的患者健康结局呈正向相关。而在产科领域，这种关系尚存在争议。有的研究显示，医疗机构的分娩量与孕产妇健康结局正向相关；也有研究显示两者之间不存在关联。
在现实情况下，很难通过实验的方法探索机构分娩量与孕产妇健康结局的关系。现有的研究都是通过观察性研究分析二者的相关关系。这类分析容易受到内生性（混杂因素）的影响，得到有偏的估计结果。具体来说，本研究可能有两个内生性的来源。首先，分娩量和孕产妇健康结局互为因果。一方面，正如我们预期的那样，分娩量可能会提高产科质量，改善孕产妇健康结局，但从另一方面来说，较好的健康结局可能会吸引更多的孕产妇，从而增加分娩量。该内生性因素与想要估计的效应作用方向相同，可能会造成效应的高估。其次，未观测到的孕产妇之间的异质性也是可能的混杂因素。妊娠风险较高的孕产妇可能更偏向于去更高级别、分娩量更大的医疗机构，但与此同时他们通常有较大的概率出现不良结局。这就会导致在更高分娩量的医院分娩的孕产妇往往出现较差的健康结局的现象。该混杂因素与预期效应作用方向相反，可能会造成效应的低估。
2. 研究方法
本研究首次使用工具变量（instrumental variable，IV)方法分析机构分娩量对孕产妇健康结局的因果影响。工具变量方法是经济学中常用的、利用观察性数据探索因果影响的一种有效分析手段。它通常利用一个（或多个）与关键解释变量（自变量）相关、但又不直接与被解释变量（因变量）相关的工具变量，去识别关键解释变量对被解释变量的因果效应，得到一致的估计值。本研究选择使用机构的周围平均分娩量作为工具变量分析机构分娩量对孕产妇健康结局的影响。其中，“周围”定义为以机构为中心两个小时车程区域内，“平均分娩量”是指该区域内实际分娩量的总和除以区域内助产机构的数量。该变量基本满足作为工具变量的三个假设：1.周围平均分娩量仅通过影响该机构的分娩量而影响该机构的孕产妇健康结局。一个助产机构的医疗质量与其周围平均分娩量不相关。2.在控制了地区层面经济发展水平、孕产妇的社会经济水平、分娩风险的情况下，孕产妇的住址与孕产妇分娩的健康结局无关。3.关于单调性的假设，即一个助产机构周围的分娩需求越大，其实际提供的分娩量就越大。在这些假设成立的情况下，可以估计出“依从者平均因果作用”（complier average causal effect，CACE，有时也称为“局部处理作用”，local average treatment effect，LATE）。
本研究共有810049条住院记录和4545个医疗机构年（其中共包含1456家医疗机构）被纳入分析。本研究的关键解释变量（自变量）为医疗机构每个季度的分娩量。被解释变量（因变量）为每个机构每个季度的孕产妇危重事件发生率（Severe Maternal Morbidity，SMM）。“危重事件”是指孕产妇几乎快要死亡了但由于偶然机会或由于受到良好治疗和护理而幸存下来的情况。危重事件发生的筛选标准来自于美国CDC，该标准基于ICD编码进行识别，用于对产科质量的监测。
由于被解释变量（因变量）为二分类变量，研究使用了线性概率模型、logistic模型对分娩量和SMM的相关关系进行分析。模型如下所示：
在公式（1）中，SMM=1表示SMM的发生，V代表分娩量，L代表混杂因素。Pr(SMM=1丨V,L）是在控制了解释变量V和L混杂因素情况下发生SMM的条件概率。我们感兴趣的参数β1衡量了二者之间的相关关系大小。在线性概率模型中，连接函数G是恒等连接。在logistic模型中，连接函数G是logit连接。
再将以上两个模型与工具变量结合，估计分娩量对SMM的因果效应。使用两阶段估计法对效应值进行估计，具体如下：
首先对分娩量进行拟合，
V代表分娩量，Z为工具变量，L为混杂因素。再将拟合值带入第二阶段模型中，
其中γ1代表了分娩量对SMM的因果效应大小。在普通工具变量（Ordinary IV model）模型中，连接函数G是恒等连接，估计方法是普通的两阶段最小二乘估计法（ordinary two-stage least squares，TSLS）。在logistic模型中，连接函数G是logit连接，使用“三明治法”对整个公式系统的标准误进行估计。
3. 结果结论
描述性分析结果显示，2016年到2019年间SMM率平均为33.08‰。超过86%的分娩服务是由分娩量排名前三分之一的助产机构提供（≥143例分娩量每季度）。与之相对的，分娩量排名后三分之一的助产机构仅提供1.18%的分娩服务。结果表明四川省分娩服务较为集中在高分娩量的机构中。
在校正了混杂因素的IV-logistic模型中，分娩量的平均边际效应（average marginal effect）是-0.162（95%CI: -0.169 to –0.155），校正后的OR值为0.005（95%CI：0.004-0.006）。研究结果显示，提高助产机构分娩量有改善孕产妇健康结局的潜力。分娩服务的集中化可能有助于孕产妇健康结局的提升。该结果可能来自于医务人员“熟能生巧”的学习效应，也可能来自于医院层面的规模经济效应。
目前关于分娩量与孕产妇健康结局的研究证据均来自高收入国家。然而中低收入国家在经济发展、教育水平、卫生条件等方面与高收入国家存在较大差异。这些国情特征都可能影响分娩量与孕产妇健康结局的关系。作为全球最大的发展中国家，基于中国的研究结果也将为孕产妇健康问题较为突出的中低收入国家提供决策参考。
供稿者简介
陈楠
博士生，四川大学华西公共卫生学院流行病与卫生统计专业
通讯邮箱：Chennan910@Sina.com
供稿丨陈楠
编辑丨OO
审校丨陈楠、刘琳、OO
欢迎投稿:heoagroup@126.com