住院数据家族 HCUP — 值钱的不是数据是分组

美国医疗成本与利用项目（Healthcare Cost and Utilization Project，HCUP）是医疗研究与质量局（AHRQ）自 1988 年起与州级数据组织、医院产业共同搭建的住院数据基础设施。它不是一份数据集，而是八个数据库组成的家族：住院侧的 NIS、KID、NRD，急诊侧的 NEDS，门诊手术侧的 NASS，以及州级的 SID、SASD、SEDD。规模上是美国最大的纵向医院照护数据集合，其中 NIS 每年约 700 万条出院记录，加权后代表全美 3,300 万次以上住院。

但这份词条要先讲一件反直觉的事：HCUP 最值钱的东西不是这些数据，是它那套把编码压成临床类别的分组工具。ICD-10-CM 有七万多个诊断码、ICD-10-PCS 有八万多个手术码，任何统计都不可能按码展开。HCUP 用两把刀把这个问题切开了——CCSR 把七万多个诊断码落进五百多个临床类别，Elixhauser 算法把同一批码落成三十八个合并症标记。这两套工具免费下载，不需要买数据、不需要签协议，因此被全世界做行政数据的研究者共用，早已超出 HCUP 自己的数据范围。

所以读这份词条的正确姿势是分开看两件事：数据库本体是一个付费、需签协议、按数据年计价的资源，适合做美国全国住院趋势与卫生政策评估；分组工具是一个免费、开源式分发、只有几兆字节的公共品，适合任何手上有一批 ICD 编码的人。混在一起谈，就会既高估数据的可得性，又低估工具的通用性。一屏速览见下表。

维度	内容
中文名	美国医疗成本与利用项目
英文全称	Healthcare Cost and Utilization Project (HCUP)
运营机构	美国医疗研究与质量局（AHRQ）
合作模式	联邦—州—产业三方，州数据组织负责上报
起始年份	1988 年（NIS 首发）
数据库数	八个：NIS、KID、NRD、NEDS、NASS、SID、SASD、SEDD
全国库样本	NIS 每年约 700 万出院，约 20% 分层的医院样本
州库覆盖面	SID 参与州合计约 97% 的社区医院出院
分析单位	出院或就诊摘要，不是患者
编码体系	ICD-9-CM（2015-10 前）、ICD-10-CM/PCS（之后）、CPT（门急诊手术）
核心派生工具	CCSR 诊断/手术分类、Elixhauser 合并症、CCIR 慢病标记
数据获取	HCUP Central Distributor（CDORS）付费购买 + 签署 DUA
免费部分	HCUPnet、Fast Stats、全部软件工具与文档
官方入口	hcup-us.ahrq.gov

§1 它要解决的具体麻烦

1.1 没有 HCUP，就没有「全美住院」这个分母

任何关于医院的问题，一旦要说到「全美」，都会立刻卡在一件事上：美国没有一套全国统一的出院登记系统。联邦医保（CMS）只管 Medicare 与 Medicaid 的付费记录，商业保险各自为政，无保险人群根本不在理赔体系里。单家医院的数据倒是完整，但单中心数据说不了全国话。

HCUP 正是为了填这个空。它的做法是走州：各州本来就有自己的出院摘要系统（多数州出于公共卫生监测与医院监管的目的长期维护），HCUP 把这些州级摘要翻译成统一格式，再在统一格式之上做两级产品——州级全量的 SID 与抽样外推的 NIS。NIS 的抽样逻辑是：在五个维度（普查区、所有权、城乡、教学状态、床位规模）分层，每层抽出足够数量的医院，使全美医院抽取比例约为 20%，然后保留被抽中医院的全部出院记录。

这个设计的后果很关键：估计的精度单位是层，不是州，也不是医院。样本是医院簇，一个医院的记录要么全在，要么全不在。理解这一点，后面关于权重、关于为什么不能做州级估计、关于为什么要用复杂抽样方差，全部是它的推论。

1.2 三条常见的错误期待

第一条，把它当成「免费的公开数据集」。 它不是。八个库逐个计价，价格由各州数据组织自定，需要在 CDORS 建账号、完成 DUA 培训、签署协议才能下单。你能免费拿到的是聚合统计与分组工具，不是记录级数据。

第二条，把它当成「MIMIC 那样的多模态临床数据」。 它全是行政出院摘要：编码、费用、人口学、住院天数，没有生命体征、没有检验值、没有影像、没有自由文本。它的价值在覆盖广度与全国代表性，不在单例深度。

第三条，把它当成「开放许可可以随便再分发的东西」。 DUA 明确禁止再识别、禁止向第三方转让、要求发表时引用并致谢，甚至对发表的最小单元格规模有规定。把它当作可自由再分发的训练语料，是协议层面的越界。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
全国住院量、费用、住院天数的年度估计	NIS 加权外推，可直接给全国口径	够，且是少数公认口径之一
某州的全部住院记录	SID 州级全量	够，但需逐州购买或申请
罕见病的全国住院计数	NIS 百万级样本足以支撑	够，官方明示适合罕见病研究
患者层面的纵向轨迹	只有 NRD 的年内链接	不够，跨年追踪做不到
生命体征、检验、用药明细	完全没有	不能
影像、病理与临床文本	完全没有	不能
把 ICD 码压成临床类别	CCSR 免费工具	够，而且不限数据来源
合并症与风险调整	Elixhauser 免费工具（38 项）	够，是行业默认做法之一
全国急诊就诊	NEDS 加权外推	够
患者级再入院分析	NRD 年内链接	部分够，跨年不够
商业保险与无保险的覆盖	all-payer 设计，全支付方	够，这是相对理赔库的核心优势
原始账单明细与成本核算	TOTCHG 是费用不是成本，需 CCR 折算	打折够用，不能当成本真值

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
手上只有单家医院的出院数据，想论证结论有全国性	提供一个全国加权口径做对照	用 HCUPnet 或购买某年 NIS 做同指标对比
想研究某个手术从住院转到门诊的趋势	SID 与 SASD 同州同格式，可以并起来看	确认目标州两库是否同年都有，再购
只想把自己的 ICD 编码数据做成可分析的分组	CCSR 免费，直接套用	下载 v2026.1 映射表，注意一码多类
要做合并症风险调整的论文	Elixhauser 工具免费，38 项标记加两个指数	确认数据是否含 POA 标记，否则只能取 20 项
课题预算有限，买不起数据	HCUPnet 与 Fast Stats 免费出聚合	先用聚合数确认假设，再决定要不要花钱
想复现美国某年住院量的官方数字	HCUP Statistical Briefs 与 HCUPnet 是现成答案	先对表，再自己算
需要患者跨年多次住院	只有部分州 SID 提供加密标识	逐州确认链接条款，成本高
想把 HCUP 数据并入模型训练集	不可再分发，且是摘要级表格	改用可公开分发的替代库，或仅做外部验证

1.5 一句话判断

如果你的问题能写成「美国某类病人一年有多少次住院、花了多少钱」，HCUP 是唯一有公开加权口径的答案；如果你的问题是「这个人为什么病了」，HCUP 连入口都没有。

1.6 不适合谁：四条边界

不适合要免费可分发语料的人。 DUA 禁止再分发，任何下游 AI 产品的训练集若打算开源，HCUP 记录级数据都不能出现在里面。能出现在里面的只有分组映射表.

不适合要患者级纵向的人。 除 NRD 的年内链接外，HCUP 的全国库没有患者标识。跨年、跨院、追踪同一个人，这些需求在 NIS 与 NEDS 上结构性地做不到。

不适合要临床细节的人。 没有检验、没有生命体征、没有护理记录。想预测病情恶化、想做生理信号建模，HCUP 一点都不沾边。

不适合只想下载几十 MB 试水的人。 官方 FAQ 明确回答过：由于保密限制，HCUP 无法提供任何样本数据或演示数据集。想「先看看数据长什么样」，官方给的建议是用 HCUPnet 看聚合表——但那和真正的记录级数据是两回事。

§2 数据构成与规格

2.1 八个库：全国四个抽样，州级三个全量，儿童一个三年一次

HCUP 的数据库可以按两条线切。第一条线是覆盖面：全国库用抽样加权重，州库用参与州的全量。第二条线是场景：住院、急诊、门诊手术。八个库正好填满这两条线的交叉，只有住院这一格被切成了三块——全年龄（NIS）、儿童（KID）、再入院（NRD）。

全国库的共同点是「抽样医院 + 权重外推」。它们的抽样框都不含联邦医院（退伍军人系统、军队医院、印第安人卫生服务）、不含康复医院与长期急症医院；抽出的是社区医院（短期、非联邦、综合或专科）。州库的共同点是「参与州的全量」，所以它们可以做州级、市场区乃至医院层面的分析，代价是每州的可得年份与字段都不同。

库名	全称	层级	覆盖场景	起始年	最新核实时点
NIS	全国住院样本	全国抽样	住院出院	1988	2023
KID	儿童住院库	全国抽样	0 至 20 岁住院	1997	2022
NRD	全国再入院库	全国抽样	住院 + 年内链接	2010	2023
NEDS	全国急诊样本	全国抽样	急诊就诊	2006	2023
NASS	全国门诊手术样本	全国抽样	门诊手术	2016	2023
SID	州住院数据库	州全量	住院出院	1990	逐年
SASD	州门诊手术与服务库	州全量	门诊手术与部分门诊	1997	逐年
SEDD	州急诊数据库	州全量	未收住院的急诊	1999	逐年

第二张表把八个库的关键规格并排，这张表是选库时最该先看的一张。

库	分析单位	未加权规模（官方口径）	加权后	患者链接	参与州数
NIS	出院	每年约 700 万	3,300 万次以上住院	无	2023 年 45 州加特区
KID	出院	每年约 300 万儿科出院	约 600 万次住院	无	2022 年 48 州含特区
NRD	出院	每年 1,300 万至 1,700 万	2,800 万至 3,500 万	有，年内	官方概览页未列
NEDS	急诊就诊	每年约 3,000 万	约 1.4 亿次急诊	无	近年 40 州上下
NASS	门诊手术就诊	每年约 900 万	约一千三百万次	无	由 SASD 抽样而来
SID	出院	参与州全量	不适用	部分州有	49 州
SASD	门诊就诊	参与州全量	不适用	部分州有	35 州
SEDD	急诊就诊	参与州全量	不适用	部分州有	42 州

这张表里最容易被忽略的一列是「患者链接」。它决定了你能问的问题类型：有链接的库可以谈再入院、谈同一个人多次就诊；没有链接的库只能谈就诊次数，不能谈「多少人」。

2.2 字段与记录的完整字典

HCUP 各库共享一套核心字段，差异集中在派生字段与可得性上。下表以住院侧为准，标出哪些是原始上报、哪些是 HCUP 派生、哪些在近年被删改。

字段	类型	含义	来源	可得性备注
AGE	整数	年龄	原始	2012 起 90 岁以上合并为一档
AGE_NEONATE	整数	新生儿年龄细化	原始	仅 KID 与部分年份
FEMALE	0/1	性别	原始	各库稳定
RACE	分类	种族	原始	各州上报率差异大，NIS 2023 起移除
PAY1	分类	主要支付方	原始	Medicare、Medicaid、私人、自付、无付费
ZIPINC_QRTL	1-4	邮编中位收入四分位	派生	按患者邮编与当年全国分位
PL_NCHS	分类	患者居住县城乡分类	派生	部分年份改为二分类 PL_NCHS2
I10_DX1…I10_DXn	字符	ICD-10-CM 诊断码	原始	2016 数据年起；此前为 DX1…DXn 的 ICD-9
I10_PR1…I10_PRn	字符	ICD-10-PCS 手术码	原始	住院手术；门急诊用 CPT
DRG	字符	诊断相关组	派生	各年 DRG 版本不同，跨年不可混
MDC	整数	主要诊断类别	派生	跟随 DRG 版本
TOTCHG	数值	总费用（账单口径）	原始	不是成本，需 CCR 折算
LOS	整数	住院天数	派生	由入出院日期算得，日期本身不发布
DISP	分类	出院去向	原始	常规、转院、居家健康、死亡等
DIED	0/1	院内死亡	派生	由 DISP 抽出
HOSP_NIS	编号	抽样医院标识	派生	每年重排，不能跨年连医院
DISCWT	数值	出院权重	派生	外推到全国出院总量
HOSPWT	数值	医院权重	派生	外推到全国医院数
NIS_STRATUM	编号	分层标识	派生	与 HOSP_NIS 一起用于方差估计
KEY_NIS	编号	记录唯一键	派生	文件内唯一，跨年不唯一
HCUP_ED	分类	是否经急诊入院	派生	NEDS 中用于区分就诊去向

派生字段里有一个常被忽略的事实：DRG 是跟着版本走的。同一份出院记录，用 2020 版的 MS-DRG 分组器与用 2024 版的，可能得到不同的组号。跨年比较 DRG 级的构成，等于同时比较了分组器版本，这是不少论文里没写清楚的混杂。

2.3 一条记录的完整解剖

一条 NIS 记录在磁盘上是一行固定宽度文本，没有列名，列的位置要靠文件规范（File Specifications）与装载程序来还原。把它竖起来看，它大致长这样：

#-- NIS 单条出院记录的字段示意（固定宽度 ASCII，不是 CSV）
AGE=67  FEMALE=1  PAY1=1(Medicare)  ZIPINC_QRTL=2
I10_DX1=I50.21      #-- 慢性收缩性心力衰竭
I10_DX2=N18.3       #-- 慢性肾病 3 期
I10_DX3=E11.9       #-- 2 型糖尿病无并发症
I10_PR1=02RFKJZ     #-- 左膝置换相关 PCS 码（示意）
DRG=470  LOS=4  TOTCHG=68342  DIED=0  DISP=1
DISCWT=5.02  HOSP_NIS=31017  NIS_STRATUM=7124  KEY_NIS=…

这一行的信息量其实不大：一个 67 岁女性，医保付费，主诊心衰，合并肾病与糖尿病，做了膝置换，住了四天，总费用六万八，出院回家。真正的分析价值不在单条，而在于把几百万条这样的行按层加权之后，回答「这类出院一年有多少次、平均花了多少」。

按同一个思路看州库，形态差别只在容器：SID 是日历年文件，2015 年被拆成 Q1Q3 与 Q4 两套；同一患者的多次住院，只有在提供加密患者标识的州里才能连起来。门急诊侧的 SEDD 与 SASD 结构类似，只是主键换成就诊，手术码换成 CPT。

2.4 各库的规模与结构分布

HCUP 官方不给逐库的字段分布表，但会给规模与参与面的数字。把历年官方概览页的口径整理在一处，可以看到参与面随时间扩张，而字段随时间删减，两条曲线方向相反。

数据面	早期	中期	最新核实时点	方向
NIS 参与州	1988 年 8 州	2012 年 40 余州	2023 年 45 州加特区	扩张
SID 参与州	1990 起步	逐步扩至四十余州	现行 49 州	扩张
SEDD 参与州	1999 起步	约三十州	现行 42 州	扩张
SASD 参与州	1997 起步	约二十余州	现行 35 州	扩张
NIS 字段粒度	含普查区域与族裔	保留至 2022	2023 起移除	收缩
NRD 患者链接	2010 起提供	保持	保持年内	稳定

扩张与收缩同时发生，是这类联邦统计产品的常态：参与方越多，全国代表性越好，但对医院可识别性的担忧也越强，于是细粒度字段被逐个拿掉。对使用者的含义是：同一年份的最佳字段组合并不在最新一年，要跨年做细粒度分析，得回头挑一个字段齐全的年份把分析冻结住。

2.5 与同类资源的字段差异

维度	HCUP（NIS 为例）	Medicare 理赔	MIMIC-IV	eICU-CRD	NHIS
覆盖人群	全支付方	65 岁以上与残障	单中心患者	多中心重症患者	入户调查人群
分析单位	出院	理赔与服务行	住院与 ICU	ICU 住院	个人
全国代表性	有，权重外推	有，限于 Medicare	无	无	有
临床深度	编码级	编码级	含检验、生命体征、文本	含生命体征与部分检验	自报健康
患者链接	仅 NRD 年内	长期	有	有	有
获取方式	付费加 DUA	DUA 加付费	开放（需培训证书）	开放（需培训证书）	公开下载
可用成本	低	中	高	空	低
费用字段	账单费用	支付金额	账单与内部成本	无	不适用

这张表说明 HCUP 的位置：它在「全国代表性」与「全支付方」两件事上独占，在「临床深度」上垫底。任何把它和 MIMIC 并排比较「哪個更好」的讨论，都问错了问题——它们回答的是两类不同的问题。

2.6 「一条记录」里没有的东西

从 §2.3 那条记录回头看，能更清楚地看到边界：一行里有年龄、性别、支付方、诊断、手术、费用、天数、去向，但没有入院日期，没有出院日期，没有科室，没有主治医师，没有药品，没有检验。出院日期在数据里被折算成住院天数与数据年，精确日期从不出现，这是去标识化的一部分。

常见字段	HCUP 是否有	替代来源
入院与出院日期	无（只有年份与季度）	州库部分年份给季度
精确年龄	有，但 90 岁以上合并	无法恢复
科室与主治医师	无	医院内部 HIS
药品与用法	无	药房系统或理赔
检验与影像	无	临床库或 PACS
费用明细	无，只有总费用	医院账单
患者标识	仅 NRD 年内	州库加密标识

这张表可以直接回答一个常见问题：为什么 HCUP 的论文几乎都是「负担」「趋势」「差异」「结局」这几类。因为只有这几类问题能靠编码加费用回答，其他问题它连字段都没有。

§3 它的身份：一个联邦统计项目，不是一个数据供应商

3.1 三方合作：谁是数据的真正主人

HCUP 的全名里没有出现任何一家医院或一个州，但数据其实来自州。它的官方定位是「联邦—州—产业合作」（Federal-State-Industry partnership）：AHRQ 出钱、出标准、做全国库；各州的卫生数据组织负责收集本州医院上报的出院摘要；医院作为上报方，在州的法律框架内被要求或自愿提交。

这个结构决定了三件事。第一，数据的可得性由州决定，不是由 AHRQ 决定——某个州某年没有参加，全国库就少一块，州库就直接没有这一年的文件。第二，数据的价格也由州决定，官方页面明说参与的数据组织自己定价，部分组织对学生、非营利机构、AHRQ 资助项目有优惠。第三，数据的字段口径存在州差，同一字段在不同州的定义可能不同，HCUP 做的是把能统一的统一，统不了的保留差异并在文档里说明。

3.2 它不做的事

这一点比它做什么更能定义它。HCUP 不做临床决策支持，不做影像，不做基因；它不做患者随访，因为数据本身没有患者标识（NRD 只有年内链接）；它也不做原始数据的再分发，任何想把它打包成「美国住院公开数据集」放到网上的尝试都违反 DUA。

官方 FAQ 里还有一条很直白的回答：由于保密限制，HCUP 无法提供样本数据集。这意味着「先下一个 demo 试试」这条路是封死的，你只能通过 HCUPnet 的聚合统计来建立对数据的直觉。

3.3 名称与身份的三个层次

层次	指什么	常被混淆成
HCUP（项目）	AHRQ 的整个数据基础设施与工具生态	某一个数据库
HCUP 数据库	八个库的集合	「HCUP 数据集」单数
HCUP 工具	CCSR、Elixhauser、CCIR、手术标记等	HCUP 数据库的一部分

混用这三层会带来现实后果：有人在论文里写「数据来自 HCUP」，审稿人无法判断用的是 NIS 还是 NEDS；有人把 CCSR 说成「HCUP 的数据」，其实是工具。规范写法是写清库名、数据年、版本。

3.4 一个经常被忽略的身份细节：它是统计产品，不是数据产品

联邦统计机构出一份统计产品，与一家公司出一份数据产品，最根本的差别在于「谁对数字负责」。HCUP 的每一份 Statistical Brief、每一个 HCUPnet 页面上的数字，都经过 AHRQ 的统计审查；而买走的记录级数据，AHRQ 只负责它「出厂时」的清洗与去标识，此后你怎么算、算出什么，责任在你。这一条决定了使用它的正确姿势：要权威数字就去用它公布的统计，要自定义分析就自己承担方法责任。

身份形态	谁负责数字	适用场景
Statistical Brief	AHRQ	引用官方结论、写背景章节
HCUPnet 查询结果	AHRQ 的聚合库	快速对表、建立量级直觉
自购数据自算	使用者	原创分析、建模、外部验证
派生的分组类别	工具维护方与使用者共担	特征工程与风险调整

3.5 它和 CMS 数据的角色分工

问题	更适合 HCUP	更适合 CMS 理赔
全支付方住院量	是	否，只覆盖 Medicare 与 Medicaid
65 岁以下商保人群	是	否
无保险人群	是	否
长期患者轨迹	否	是
支付金额与拒付	否	是
全国住院趋势	是	部分
医院成本核算	部分（需 CCR）	是（成本报告）
患者级再入院长期追踪	否	是

§4 它的质量与特色：分组是它真正的产品

4.1 CCSR：把七万个码压成五百多个临床类别

CCSR 是 Clinical Classifications Software Refined 的缩写，分诊断版与手术版。诊断版把七万多个 ICD-10-CM 诊断码聚成五百三十多个临床类别，按二十二人体的系统组织；手术版把八万多个 ICD-10-PCS 手术码聚成三百二十多个类别，分属三十一个临床域。两个版本在核实时都是 v2026.1，覆盖 2015 年 10 月至 2026 年 9 月期间有效的全部编码。

它有两个设计选择值得说清。其一，诊断码允许映射到多个类别。旧的 ICD-9 版 CCS 是互斥分类，一个码只进一个桶；到 ICD-10 时代，很多码描述的是「一个病加一个常见症状」或「多个并存情况」，硬塞进一个桶就需要人为定优先级。CCSR 干脆放弃互斥，改成一对多。其二，为了仍然能按主诊排序，它额外给了一个「默认类别」：住院数据的默认 CCSR 取自主要诊断，门诊数据取自首列诊断，从 v2020.2 与 v2021.1 起提供。

这两条合起来使用时有个坑：不指定默认类别、直接对多类别计数，会重复计人。一个同时映射到「心衰」与「慢性肾病」的诊断码，会在两张计数表里各出现一次。做负担统计时必须先用默认类别去重，做风险调整时反而应该保留全部分类。

项目	诊断版	手术版
规范全称	CCSR for ICD-10-CM	CCSR for ICD-10-PCS
输入编码数	七万多个	八万多个
输出类别数	五百三十多个	三百二十多个
组织维度	二十二个人体系统	三十一个临床域
一码多类	允许	不允许，一码一类
默认类别	有（主诊/首列诊）	不适用
分发形式	ZIP（CSV 映射 + SAS 程序 + 文档）	同左
核实时版本	v2026.1	v2026.1

4.2 Elixhauser：从二十九项到三十八项的那次重构

Elixhauser 合并症算法原本是为 ICD-9-CM 设计的，1998 年发表时给出三十个指标（社区常引为三十项），HCUP 的实现程序实际产出二十九个合并症变量，外加两个指数——死亡风险指数与再入院风险指数。ICD-10 版经历了 beta 到正式版的过渡，从 v2021.1 起定名为「Refined」，指标数从二十九增加到三十八：新增三项，把五项细分出十二项，停用一项。

三十八项里有十八项依赖「入院时已存在」（POA）标记来判断合并症是否在住院期间新发，另外二十项不需要，因为糖尿病、艾滋病这类情况可以合理假定为既往存在。这个细节决定了工具能不能用：如果你的数据没有 POA 字段，就只能拿到二十项；如果硬把缺失的 POA 当成「是」，会把院内获得的并发症误算成合并症，直接污染风险调整。

维度	ICD-9-CM 版	ICD-10-CM 版（Refined）
合并症指标数	29	38
指数变量	2 个（死亡、再入院）	2 个
依赖 POA 的指标	不适用	18 项
初始发布	2001 年前后	beta 后在 v2021.1 转正式
输入要求	ICD-9 诊断 + DRG	ICD-10-CM 诊断数组 + POA 数组
核实时版本	v3.7（2012/2015 口径）	v2026.1
语言	SAS 编写，ASCII 分发	仅 SAS
适用时段	2015 年 10 月前出院	之后

4.3 案例：一篇中国团队的 NIS 论文，把两套工具都用上了

检索「Healthcare Cost and Utilization Project」并限定中国机构， Europe PMC 返回五十八条命中，其中一篇是 2021 年发表在 BMC Musculoskeletal Disorders 的髋关节置换研究。作者用 NIS 2005 至 2014 年的数据，比较术前存在瓣膜性心脏病与主动脉瓣狭窄的患者在髋置换后的结局。

这篇论文的摘要值得细看，因为它把 HCUP 的两条使用路线同时走了：用 NIS 的样本外推住院人群，用合并症做风险调整。摘要给出的数字是：瓣膜性心脏病占髋置换患者的 5.56%，主动脉瓣狭窄占 0.03%；在调整后，瓣膜病与急性心脏事件相关（OR 2.96），与急性肾衰相关（OR 1.22），与院内死亡相关。作者还报告了教学医院这一协变量的比值比在摘要里出现明显的排版错误（写作 5 4.4），这是二手文本里常见的转录问题，引用时应以原文为准。

§4.3 的案例有三层含义。第一层是数据面：2005 至 2014 年整段落在 ICD-9-CM 时代，所以它不必处理 2015 年的断口——这不是巧合，是很多跨年 NIS 研究的时间窗选择逻辑。第二层是工具面：合并症调整用的是 Charlson 指数而不是 Elixhauser，说明 HCUP 并不强制你用自己的工具，两套指数在行政数据上都能用，但不可互换。第三层是人群面：0.03% 的主动脉瓣狭窄比例，靠的正是 NIS 百万级的样本量才能估得出来，这也是官方反复强调「大样本适合罕见情况」的实际含义。

4.4 质量维度对照

质量维度	表现	说明
全国代表性	高	分层抽样加权重外推，官方口径明确
覆盖完整度	高	all-payer，含无保险
编码一致性	中	各州编码实践不同，跨州比较需谨慎
临床细节	低	只有编码与费用
时间粒度	低	出院日期不发布，只有数据年与季度
患者链接	极低	仅 NRD 年内
文档完备度	极高	逐年 Introduction、字段说明、已知问题清单
获取门槛	高	付费、培训、签协议
可复现性	中	权重与分层公开，但数据本身不公开

4.5 派生工具的质量：为什么它们被全世界共用

这三套工具（CCSR、Elixhauser、CCIR）之所以能走出 HCUP，是因为它们解决的是一个普遍问题：ICD 码太细，没有统计意义；又不该细到无法聚合。任何手上有一批 ICD 编码的人——英国 HES、加拿大 CIHI、澳大利亚 AIHW、乃至某家医院自己的 HIS 导出——都可以把这些工具套上去，得到一套可比的分组。

这种「工具与数据脱钩」的设计在医疗数据集里并不常见。多数数据集把自己的价值绑在数据上，而 HCUP 把相当一部分价值放在了工具上，而且工具是免费的。这既是它的公共贡献，也是它最容易被人白嫖的部分。

§5 怎么拿到：两条完全不同的路

5.1 先分清你走的是哪条路

拿 HCUP 有两件事，路径完全不同。第一件是拿工具，几分钟的事：打开官方工具页，点 ZIP，解压，读文档。第二件是拿数据，几周到几个月的事：建 CDORS 账号、完成 DUA 在线培训、签署协议、下单、付款、下载加密包、用密码解压。

把这两件事混在一起谈，就会产生「HCUP 要钱所以要谨慎」的误解——工具不要钱，也不需要任何协议。

要走的路	需要什么	时间量级	成本
拿 CCSR 映射表	浏览器	几分钟	免费
拿 Elixhauser 程序	浏览器与 SAS 或自行移植	半天起	免费
拿 NIS 某年数据	账号、培训、DUA、付款	数周	按年计价
拿 SID 某州某年	同上，另附用途说明	数周至数月	各州自定
拿聚合统计	浏览器	几分钟	免费

5.2 免费的那条：确认工具端点还活着

工具包都是静态 ZIP，放在 hcup-us.ahrq.gov 上。核实时这些端点可从官方页面直接点开，但本站所处的网络环境中以 curl 直连该域名未能取回响应，因此本次未对 ZIP 本体做哈希核验。使用前请在浏览器里打开对应页面确认链接有效。

#-- 先确认工具页可达（只取响应头，不下载）
curl -sS -o /dev/null -w "status=%{http_code}\n" \
  "https://hcup-us.ahrq.gov/toolssoftware/ccsr/dxccsr.jsp"

#-- 下载 CCSR 诊断版工具包（ZIP 内含 CSV 映射 + SAS 程序 + 文档）
curl -sS -O "https://hcup-us.ahrq.gov/toolssoftware/ccsr/DXCCSR-v2026-1.zip"
unzip -l DXCCSR-v2026-1.zip | head -20

5.3 把 CCSR 映射表读进来

CCSR 的 ZIP 里最有用的是参考文件里的映射表：一列 ICD-10-CM 码（去小数点），一列 CCSR 类别号，一列类别描述。真正做分析时往往不需要跑 SAS，直接用表格工具或 pandas 做一次左连接就够了。

#-- 用 pandas 把一张 ICD-10-CM 码表映射到 CCSR 类别
import pandas as pd

#-- 官方参考文件里的诊断映射表 tab 名为 DX to CCSR_Mapping
ref = pd.read_excel("DXCCSR-Reference-File-v2026-1.xlsx",
                    sheet_name="DX to CCSR_Mapping")
ref.columns = [c.strip() for c in ref.columns]
code_col = [c for c in ref.columns if "ICD" in c.upper()][0]
cat_col = [c for c in ref.columns if "CCSR" in c.upper() and "CAT" in c.upper()][0]

dx = pd.DataFrame({"dx": ["I5021", "N183", "E119", "J449"]})
mapped = dx.merge(ref[[code_col, cat_col]], left_on="dx",
                  right_on=code_col, how="left")
print(mapped.groupby(cat_col).size().sort_values(ascending=False))

输出的类别计数就是「按类别」的第一层视角。注意一个码可能出现两行——那是 CCSR 允许一对多的结果，做去重计数时要选默认类别，做风险调整时要保留全部行。

5.4 付费的那条：下单之前的四步

付费路径的官方顺序是固定的：建账号、完成 DUA 培训、签协议、下单。四步里最容易低估的是第二步，DUA 培训是一个在线工具，考的是你怎么理解再识别与再分发的边界，不是走过场。

步骤	做什么	官方入口	容易卡在哪
1	在 CDORS 建账号	cdors.ahrq.gov	机构邮箱与单位信息要一致
2	完成 DUA 在线培训	tech_assist/dua.jsp	培训是强制的，所有使用者都要
3	签署相应 DUA	全国库与州库两份不同	全国库与州库协议条款不同
4	选库、选年、下单付款	cdors.ahrq.gov/databases	价格随州与年份变化
5	下载加密包并解压	站内下载	需 7-Zip 一类工具与密码

价格这件事必须说清楚：官方页面只说「各州数据组织自行定价，部分对学生、非营利机构与 AHRQ 资助项目有优惠，价格见 CDORS」，并未在公开页面上列出一张全国通用的价目表。因此本文不给「数百美元」一类的估算，只说明计价方式是「按库、按数据年、按州」逐项计。

5.5 拿到数据之后：权重怎么用

权重不是可选装饰，是估计的一部分。NIS 的全国估计必须用出院权重 DISCWT 加权，方差要按分层与医院簇来算，不能当成简单随机样本。下面是一个最小但正确的加权统计骨架。

#-- 用权重算全国住院量与标准误（分层 + 医院簇，Taylor 线性化示意）
import numpy as np
import pandas as pd

df = pd.read_csv("nis_2022_core.csv", usecols=["DIED", "DISCWT",
                                               "HOSP_NIS", "NIS_STRATUM"])
w = df["DISCWT"].to_numpy()
y = df["DIED"].to_numpy(dtype=float)

total = float((w * y).sum())          #-- 全国死亡住院数估计
mean = total / w.sum()                #-- 加权院内死亡率

#-- 用分层与医院簇做归一化权重，估算均值的方差（示意实现）
wn = w / w.sum()
psu = df.groupby(["NIS_STRATUM", "HOSP_NIS"]).indices
res = {}
for k, idx in psu.items():
    res[k] = float((wn[idx] * (y[idx] - mean)).sum())
strata = {}
for (stratum, hosp), v in res.items():
    strata.setdefault(stratum, []).append(v)
var = sum(len(v) / (len(v) - 1) * sum((np.array(v) - np.mean(v)) ** 2)
          for v in strata.values() if len(v) > 1)
print(f"deaths≈{total:,.0f}  rate={mean:.4f}  se≈{np.sqrt(var):.5f}")

这段代码的核心不是那几行公式，而是两个不能省的东西：分层标识与医院簇标识。把它们丢掉，标准误会系统性偏小，然后你会得到一堆「显著」但站不住的结论。生产环境建议直接用 R 的 survey、Python 的 samplics 这类支持复杂抽样的包，把自己写的方差计算只当教学用例。

5.6 不用买数据也能做的三件事

不是每个问题都值得走付费流程。有三类问题可以直接用免费工具回答：一是某年某病的全国住院量级，HCUPnet 与 Statistical Briefs 已有现成数字；二是某几个 ICD 码属于哪个临床类别，CCSR 参考文件可查；三是某批编码对应的合并症标记，Elixhauser 参考文件的映射表同样可查。三类问题都不需要接触记录级数据。

问题	免费路径	限制
某年高血压住院有多少	HCUPnet 按类别查询	只能拿到预设的分类与年份
这个 ICD 码归到哪一类	CCSR 参考文件	只给映射，不给统计
这批编码对应哪些合并症	Elixhauser 参考文件	需自备 POA 判断逻辑
住院费用十年趋势	Statistical Briefs	口径由官方定，不能自定义
自定义交叉表	需要买数据	无免费替代

§6 与库内条目的关系

6.1 关系图谱

HCUP 在库内的位置是「上游的口径提供者」。MIMIC、eICU 这些重症库提供临床细节，CMS 理赔提供支付轨迹，而 HCUP 提供的是全国口径的住院分母与此后所有行政数据研究都在用的分组标准。三者不是替代关系，而是不同粒度的三层。

库内条目	与 HCUP 的关系	互补点
hcup-nis	NIS 的单库词条，是本文的住院侧主库	本文是家族层视角，该篇是单库字段级
hcup-neds	NEDS 的单库词条	急诊侧，与住院侧共用权重体系
cms-medicare-lds	Medicare 理赔有限数据集	有长期患者轨迹与支付金额，但只有 Medicare
cms-de-synpuf	合成理赔数据	免费可公开分发，可替代 HCUP 做教学
mimic-iv	单中心重症电子病历	有生命体征与检验，无全国代表性
eicu-crd	多中心重症库	同上，覆盖更广但仍非抽样代表性的全国数据
mimic-iv-ed	单中心急诊库	急诊深度特征，与 NEDS 互补
nhis	入户健康调查	人群侧自报健康，与住院侧口径互补
brfss	电话健康调查	慢病与行为风险，非住院记录

6.2 检索路径

在库内找与 HCUP 相邻的条目，可按「口径层级」检索：要全国住院分母找 hcup-nis；要急诊分母找 hcup-neds；要患者轨迹找 cms-medicare-lds 或 nrd 相关条目；要临床细节找 mimic 系列；要可公开分发的教学语料找 cms-de-synpuf。

你要找的东西	检索词	库内候选
全国住院样本	inpatient、discharge abstract	hcup-nis
全国急诊样本	emergency department	hcup-neds
长期患者理赔轨迹	claims、longitudinal	cms-medicare-lds
可公开分发的合成数据	synthetic、public	cms-de-synpuf
重症临床细节	ICU、vitals	mimic-iv、eicu-crd
人群健康自报	survey、self-report	nhis、brfss

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

评估 HCUP 最常见的误判，是把「数据不好拿」等同于「数据不好用」。事实几乎相反：正因为付费、要签协议、要经过 DUA 培训，HCUP 的数据质量与文档质量都比多数免费数据集高一个档次——它有逐年的 Introduction、逐字段的说明、专门的已知问题清单，还有一套覆盖抽样、权重、断点的完整方法学文档。

本节评的不是「值不值得」，而是「在什么条件下成立」。HCUP 的每一个数字都有它的适用条件：加权口径、抽样框、编码版本、年份。把数字从条件里拎出来单独用，是它最危险的误用方式。下面所有的分数与结论，都应当带着这个前提来读。

7.1 五维评分

维度	分数（满分 5）	依据
规模	5	NIS 年七百万条，全家族合计千万级
结构规整度	4	固定宽度加官方装载程序，跨年版本差异需处理
标注丰富度	2	只有编码与费用，无金标准表型
开放程度	1	付费、DUA、不可再分发；工具免费是唯一例外
场景覆盖	4	住院、急诊、门诊手术三侧齐备，缺长期随访
DAIMS 综合	3.2	规模与文档拉高，开放与标注拖低

这套分数里最容易被误读的是「开放程度 1」。它不是对数据质量的贬低，而是对可得性的客观描述。若把「工具免费」单独算一项，这一格会跳到 5，而工具恰恰是绝大多数人真正用到的东西。

7.2 它的强项为什么强

强项集中在两处，且都来自「抽样设计 + 官方文档」这一对组合。第一处是全国代表性：分层抽样不是事后补的，是从抽样框设计开始就写在文档里的，权重怎么算、方差怎么估、哪些层不能单独出数，全部有据可查。第二处是时间跨度：NIS 从 1988 年到现在连续三十多个数据年，且官方为 2012 年重新设计提供了趋势权重，让跨设计变更的长期序列在方法上可行。

强项	支撑机制	边界
全国代表性	五维分层 + DISCWT/HOSPWT	只到全国层，不到州层
长时序	1988 起逐年发布 + 趋势权重	断点处不能直接连
全支付方	州级上报含自付与无保险	联邦医院不在框内
文档完备	逐年 Introduction + 已知问题页	早年文档质量参差
工具通用	CCSR 与 Elixhauser 可脱钩使用	依赖 SAS 移植

7.3 已知的、可枚举的偏差

偏差	具体表现	对结论的影响
抽样框偏差	联邦、康复、长期急症医院不在框内	全国估计只代表社区医院
就诊级偏差	同一人多次住院计为多条	不能算「患者数」，只能算「住院次数」
州参与变化	参与州逐年增减	早期与晚期的全国估计覆盖不同总体
编码实践偏差	各州编码深度与习惯不同	跨州比较会把编码差异当成临床差异
断点偏差	2015 年 10 月编码体系切换	跨断点趋势必然跳变
费用偏差	TOTCHG 是账单费用不是成本	直接比较会高估且随医院定价策略漂移
字段删减	2023 起移除普查区域与族裔	部分公平性分析链在 2023 年断开
医院标识重排	每年重排，不可跨年连医院	医院层面纵向研究做不了

最后一条经常被忽略：HOSP_NIS 每年重新赋值，它的意义是「本年度内的抽样单位」，不是跨年的医院身份。想追踪同一家医院，只能靠 AHA 联动文件，或改用州库自带的医院标识。

7.4 外部验证矩阵

验证方向	HCUP 能否承担	应配什么数据
全国住院趋势	能，是强项	可与 CMS 全国总量对照
州级或市级估计	不能，NIS 明示不支持	改用 SID 全量
急诊负担趋势	能	NEDS + SEDD
患者长期结局	不能	CMS 理赔或带随访的队列
再入院	部分能	NRD 年内，跨年需另配
成本而非费用	部分能	需 CCR 文件折算
临床表型验证	只能间接	需 MIMIC 一类有检验的重症库
编码分组一致性	能	可与 CMS 的 HCC 等分组交叉

这张矩阵里最容易被夸大的一格是「再入院」。NRD 确实给了年内链接，但年内链接只能回答「同一年里这个人有没有再回来」，回答不了「出院后一年内」。跨年再入院必须换数据。

7.5 它为何能持续：唯一口径，比便宜更稀缺

HCUP 能持续三十多年，靠的不是便宜——它不便宜；也不是技术先进——固定宽度 ASCII 是几十年前的做法。它靠的是在很多问题上，它是唯一存在的那个口径。美国全国住院量的官方估计、全支付方的住院费用结构、罕见病住院的全国计数，这些数字要么来自 HCUP，要么没有来源。

唯一性带来两层锁定。第一层是引用锁定：审稿人说「请给全国口径的数字」，你只有 HCUP 一个选择。第二层是标准锁定：CCSR 与 Elixhauser 被写进了大量论文的方法部分，下一代研究者自然会继续用它们，因为同行都在用。两层锁定互相加固，这是任何新数据集都很难在短期内撬动的。

7.6 三种最常见的误用及其后果

把 HCUP 用错的路径高度集中，几乎可以列成一张清单。下面三条是审稿意见里出现频率最高的，每一条都能在方法层面直接救回来。

误用	典型表现	后果	救回来的方式
拿 NIS 算州级数字	按州分组出均值或率	加权失去意义，结论不可辩护	换 SID 全量，或只做全国口径
跨断点直接连线	一条 2010 至 2022 的曲线	断点处跳变被读成政策效应	分段画，或用两体系共有的分组重定义
不按设计算方差	用默认的简单随机标准误	置信区间过窄，显著性虚高	用 survey 类包，指定分层与簇
用费用当成本	直接比较 TOTCHG 的均值	高估且随医院定价漂移	用 CCR 折算，或明确写成「费用」
把就诊当患者	用住院次数代替人数	慢病患者被重复计	说明口径，必要时用 NRD 年内去重

第三条的影响面最大。HCUP 样本是医院簇抽样，同一家医院的病人天然相似，简单随机假设会把这种聚集效应抹掉。一个在简单随机下「显著」的差异，在按设计计算之后可能完全不显著，这类返工在投稿阶段极为常见。

§4.3 的案例也提示了另一条：跨年研究的时间窗选择本身就是方法决定。选 2005 至 2014 这一段，等于主动避开了断点；若把窗口延到 2016 之后，就必须额外交代断点处理。

§8 生态位与历史

8.1 历史沿革

时间	事件	意义
1988	NIS 首发，仅 8 州参与	美国有了第一个全国住院概率样本
1990	SID 开始发布	州级全量住院数据成形
1997	KID 首发，SASD 开始发布	儿科与门诊手术两翼补齐
1999	SEDD 开始发布	门急诊侧补齐
2006	NEDS 首发	急诊有了全国样本
2010	NRD 首发	再入院有了全国口径
2012	NIS 重新设计，抽样框与权重调整	为 2012 年前数据提供趋势权重
2015-10-01	ICD-9-CM 切换 ICD-10-CM/PCS	形成延续至今的时间序列断口
2016	NASS 首发	门诊手术有了全国样本
2019—2026	CCSR 与 Elixhauser Refined 持续版本化	分组工具从项目附属品变成公共品

8.2 它在生态中的位置

按「开放程度」与「临床深度」两轴画一张示意图，HCUP 落在「半开放、低深度、高覆盖」的象限：比它开放的数据集没有它的全国代表性，比它有深度的数据集没有它的覆盖广度。这个空档不是偶然，它是行政数据与临床数据天然分工的结果——想做全国覆盖，就必须用各州统一上报的摘要；想保留临床细节，就必须接受单中心与低覆盖。

数据集	开放程度	临床深度	全国覆盖
HCUP NIS	付费	低	有
CMS 理赔	付费	低	仅 Medicare
MIMIC-IV	开放	高	无
eICU-CRD	开放	中	无
NHIS	开放	低	有
州 SID	付费	低	仅本州

8.3 为什么它没有被 MIMIC 取代

MIMIC 的引用量远高于 HCUP，这常被误读为「HCUP 不流行」。实际情况是两类研究的不同：MIMIC 服务的是临床 AI，HCUP 服务的是卫生政策与流行病学。前者需要一个可下载、可复现、带检验值的语料；后者需要一个能代表全国的抽样。前者越开放越好，后者一旦开放就要面对可识别性风险。两种需求不重叠，所以不会互相取代。

8.4 它的可替代性

替代场景	可行替代	HCUP 仍占优的原因
想要免费住院数据	合成理赔数据	合成数据不能支持真实负担估计
想要更全的患者轨迹	CMS 理赔	只覆盖 Medicare 与 Medicaid
想要临床细节	重症电子病历库	无全国代表性
想要更快上线	HCUPnet 聚合	不能自定义分析
想要州级全量	州卫生部门直接申请	HCUP 州库格式更统一

8.5 谁在用这套工具：引用面远超数据面

判断一个数据资源有没有真正扩散开来，最直接的办法是看引用它的论文来自哪些机构、研究什么问题。Europe PMC 收录的 HCUP 相关文献上万条，其中仅中国机构署名的就有五十八条，主题从关节置换、脊柱手术、卒中取栓一路排到肾脏病与产科结局。这些论文绝大多数只买过一两年 NIS，却几乎全都在方法部分用了 HCUP 的分组工具。

使用群体	典型做法	主要用到的 HCUP 产物
美国卫生服务研究者	用 NIS 做全国趋势与负担	NIS + CCSR
各国临床科室研究者	买一两年 NIS 做术后结局	NIS + 合并症指数
卫生经济学者	费用与支付方差异	NIS/SID + CCR
州卫生部门	州内监测与规划	SID/SASD/SEDD
医院管理咨询	市场区份额与标杆	SID 全量
数据工程团队	把自有编码数据分组	仅工具，不碰数据库

这张表最值得留意的是最后一行：有一批使用者从来没有买过任何 HCUP 数据，他们只是在用工具。这也是本词条反复强调「值钱的是分组」的现实依据——引用面已经远远溢出了数据面。

§9 使用指引

9.1 三种角色的路径

卫生服务研究者。 先把问题写成可被全国估计回答的形式，再决定用哪个库。跨年趋势类问题第一件事是画断点；单年负担类问题第一件事是选默认类别去重；再入院类问题第一件事是确认年内还是跨年。

医疗 AI 工程师。 你大概率不需要买数据。你需要的是 CCSR 与 Elixhauser 两套映射，把手上任何一批 ICD 编码变成可训练的特征；若要做外部验证，买一年 NIS 做全国分布对照即可。

医院管理与政策分析人员。 关注 SID 与 SASD 的州内全量：市场区分析、转诊模式、住院到门诊的迁移，这些都需要州级全量而不是全国抽样。

角色	第一步	关键动作	常见错误
卫生服务研究者	确认问题层级	选库、选年、写断点	用 NIS 做州级估计
医疗 AI 工程师	下 CCSR 映射	处理一码多类	直接计数导致重复计人
医院管理者	确认目标州覆盖	用 SID/SASD 全量	用全国库代替本州数据
教学场景	用 HCUPnet	讲清加权与抽样	把抽样当普查

9.2 一条最短的可用流程

不需要买数据也能跑通的一条链：下 CCSR 映射、把自己的一批编码映射成类别、统计类别分布、再用 Elixhauser 参考表查合并症。这条链跑通之后，再决定要不要走付费流程。

#-- 最短流程：取两个免费工具包、解压、看文件清单
mkdir -p /data/hcup && cd /data/hcup

curl -sS -O "https://hcup-us.ahrq.gov/toolssoftware/ccsr/DXCCSR-v2026-1.zip"
curl -sS -O "https://hcup-us.ahrq.gov/toolssoftware/comorbidityicd10/CMR-v2026-1.zip"

unzip -q -o DXCCSR-v2026-1.zip -d ccsr
unzip -q -o CMR-v2026-1.zip -d elix
find . -maxdepth 2 -name "*.xlsx" -o -maxdepth 2 -name "*.pdf" | sort

#-- 把一批诊断码映射到 CCSR，并统计类别分布（含去重口径）
import pandas as pd

ref = pd.read_excel("ccsr/DXCCSR-Reference-File-v2026-1.xlsx",
                    sheet_name="DX to CCSR_Mapping")
ref.columns = [c.strip() for c in ref.columns]
code_col = next(c for c in ref.columns if "ICD" in c.upper())
cat_col = next(c for c in ref.columns if "CCSR" in c.upper() and "CAT" in c.upper())

batch = pd.DataFrame({"dx": ["I5021", "I509", "N183", "E119", "I10"]})
m = batch.merge(ref[[code_col, cat_col]], left_on="dx",
                right_on=code_col, how="left")
print("映射命中:", m[cat_col].notna().sum(), "/", len(batch))
print(m[cat_col].value_counts().head(10))

步骤	命令要点	预期结果
取包	两个 ZIP	每包数兆字节
解压	unzip 到分目录	映射表与 SAS 程序
映射	左连接参考表	每码一个或多个类别
去重	取默认类别	每人只计一次
定稿	写清版本	v2026.1 对应哪段时间

9.3 引用方式

HCUP 的 DUA 要求发表时同时引用 HCUP 项目与具体数据库，并致谢参与的州数据组织。官方提供了引用示例页，下面给出的是可直接改写的骨架。

Agency for Healthcare Research and Quality. Healthcare Cost and
Utilization Project (HCUP). National (Nationwide) Inpatient Sample,
2022. Rockville, MD: AHRQ. https://hcup-us.ahrq.gov/ （访问日期：____）

Acknowledgement: The authors acknowledge the HCUP Data Partners that
contribute to HCUP (https://hcup-us.ahrq.gov/db/hcupdatapartners.jsp).

三条容易被漏掉的规矩：发表的最小单元格不得小于等于十；任何单元格不得只对应一家医院；不得直接或间接识别到个人或医院。这三条是 DUA 的隐私条款，不遵守时的问题不是学术不端，而是协议违约。

§10 AI 使用声明

项目	说明
撰写方式	由 AI 辅助撰写，人工设定主线与章节骨架
信息来源	AHRQ HCUP 官方页面与工具页、Europe PMC 摘要
是否购买数据	否，未购买任何 HCUP 数据库，未接触记录级数据
是否下载工具	未下载工具包本体，仅据官方页面与参考文件说明
数字口径	官方口径原样引用，未做二次统计
工具版本	以核实时官方最新版 v2026.1 为准
论文引用	仅用摘要，未获取全文
责任边界	引用前请以官方页面为准

常见误读（避坑清单）

常见说法	实际	证据
HCUP 是免费公开数据集	数据库逐个付费并签 DUA，免费的只有工具与聚合查询	官方购买页与 FAQ
HCUP 一个库就能做所有分析	八个库覆盖不同场景，选错库结论不成立	官方 Databases 页分类
有样本数据可以先试	官方明示因保密无法提供样本数据集	官方 FAQ
NIS 能算州级或市级数字	官方专页说明 NIS 在州层不具代表性	NIS 州级估计说明页
权重是可选的美化	不加权就得不到全国估计，标准误也要按设计算	NIS 概览与Introduction
跨 2015 年趋势可以直接连线	ICD-9 与 ICD-10 在 2015 年 10 月切断	各库概览页的 ICD-10 说明
CCSR 一个码只进一类	诊断版允许一码多类，需用默认类别去重	CCSR 概览与用户指南
Elixhauser 一直是三十项	ICD-10 Refined 版为 38 项，且 18 项依赖 POA	工具页与版本说明
总费用就是成本	TOTCHG 是账单费用，需 CCR 文件折算	CCR 文件说明页
NIS 与 NEDS 的记录可以拼在一起算总量	两库抽样框与权重体系不同，不能简单相加	各库概览与权重说明

FAQ

Q1：HCUP 是开放的免费数据集吗？
不是。八个数据库逐个要通过 HCUP Central Distributor 付费购买并签数据使用协议。免费的只有聚合查询与分组工具，后者不含任何患者数据。

Q2：为什么说 HCUP 的价值在分组而不在数据？
因为数据要钱、要协议、要数月流程，而 CCSR 与 Elixhauser 免费下载、能套在任何 ICD 编码数据集上。多数人真正用到的 HCUP 成果是这两套分组。

Q3：NIS 能不能做州级或市级估计？
不能。AHRQ 有专页说明 NIS 在医院层不是按州代表性抽取的，州级加权估计既无设计基础也无方差估计。州级请用 SID。

Q4：跨 2015 年做趋势要怎么处理？
2015 年 10 月 1 日起切换编码体系，2015 年文件拆成前九个月与第四季度两套。跨断点的曲线要么分段，要么用两套体系都存在的分组重定义指标，并在图注写明断点。

Q5：哪个库能追踪同一个人多次住院？
NRD 提供年内加密患者链接号，可跨医院识别同年的重复住院，但跨年不行。跨年追踪要回到各州 SID 的加密标识，并确认该州允许跨年链接。

Q6：CCSR 和 CCS 是什么关系？
CCS 是针对 ICD-9 的旧版工具，CCSR 是针对 ICD-10 的重做版本，两者不通用。ICD-9 时代的分析用 CCS，2016 年以后用 CCSR。

Q7：Elixhauser 和 Charlson 哪个更好？
没有定论，两者都是行政数据上的合并症度量。HCUP 只提供 Elixhauser，Charlson 由社区实现。同一份数据用两种指数会得到不同结论，选哪个要在方法里写清并在敏感性分析里给出另一个。

Q8：买了一年 NIS，能不能拿来训练开源模型？
不能把记录级数据放进可公开分发的训练集。DUA 禁止再分发，模型可以用但在数据来源与使用范围上受限。要用可公开分发的替代，考虑合成理赔数据。

Q9：HCUPnet 能替代买数据吗？
不能。HCUPnet 只提供预设的聚合视图，不能自定义交叉表、不能做建模、不能导出记录级数据。它的价值是快速建直觉与对表。

Q10：中国机构申请 HCUP 数据有额外门槛吗？
各州数据组织自行规定申请条件，部分组织要求申请方提供用途说明并对境外机构设定额外审查。具体以目标州的申请套件与 CDORS 的说明为准，本文未逐州核实。

Q11：数据年与发布时间差多久？
NIS 一类的全国库通常滞后两年上下发布，州库更慢。核实时的官方公告显示 2023 年 NRD 于 2026 年 9 月发布，2025 年州库在 2026 年下半年陆续上线。做规划时应留出这个滞后。

Q12：可以只用 CCSR 而不碰 HCUP 数据吗？
可以，而且很常见。CCSR 的映射表与 SAS 程序独立于 HCUP 数据库，任何人下载后就能把自己的 ICD 编码数据映射成临床类别，无需签署数据协议。

术语表

术语	含义
AHRQ	美国医疗研究与质量局，HCUP 的运营方与资助方
HCUP	医疗成本与利用项目，本词条的主题
NIS	全国住院样本，住院侧主库
SID	州住院数据库，参与州住院全量
SASD	州门诊手术与服务数据库
SEDD	州急诊数据库，收未住院的急诊
KID	儿童住院数据库，三年一版
NRD	全国再入院数据库，含年内患者链接
NEDS	全国急诊样本
NASS	全国门诊手术样本
HCUPnet	免费在线聚合查询工具
CCS	基于 ICD-9 的旧版临床分类软件
CCSR	基于 ICD-10 的新版临床分类软件
CCIR	慢病指标，把诊断码压成慢性病标记
Elixhauser	合并症度量方法，ICD-10 版含 38 项
POA	入院时已存在标记，判断合并症是否院内新发
DISCWT	出院权重，用于外推全国出院量
HOSPWT	医院权重，用于外推全国医院数
分层	抽样前按普查区、所有权、城乡、教学、床位数分组
医院簇抽样	抽医院，再把该医院全部出院纳入样本
复杂抽样方差	按分层与簇结构估计标准误，非常规简单随机
加权估计	用权重还原总体量，避免样本构成偏斜
TOTCHG	总费用，账单口径，不是成本
CCR	费用成本比文件，用于把费用折算成成本
DUA	数据使用协议，规定使用边界与发表要求
CDORS	HCUP 中央分发系统，下单付款与下载入口
DRG	诊断相关组，医院付费分组
MDC	主要诊断类别，DRG 的上层归属
主题域	CCSR 手术版把类别归入的三十一个大类
人体系统	CCSR 诊断版把类别归入的二十二个系统之一
默认类别	一码多类时为排序指定的唯一代表类别
加权均值	用权重修正样本构成后的总体均值
设计效应	复杂抽样方差与简单随机方差之比
泰勒线性化	估计复杂抽样方差的常用近似方法
趋势权重	2012 年重新设计后发布的调整权重，用于跨设计变更的长期序列
年报滞后	数据年与实际发布年份之间的间隔

附录 A：核心数字核对表

项	值	来源	来源层级
NIS 每年未加权出院	约 700 万	NIS 概览页原文	官方
NIS 加权后全国住院	3,300 万次以上	NIS 概览页原文	官方
NIS 抽样比例	约 20% 分层样本（2012 起）	NIS 概览页原文	官方
NIS 数据年	1988 至 2023	NIS 概览页原文	官方
NIS 参与州	首年 8 州，2023 年 45 州加特区	NIS 概览页原文	官方
SID 参与州	49	SID 概览页原文	官方
SID 覆盖出院比例	约 97% 社区医院出院	SID 概览页原文	官方
SASD 参与州	35	SASD 概览页原文	官方
SEDD 参与州	42	SEDD 概览页原文	官方
KID 未加权规模	每年约 300 万儿科出院	KID 概览页原文	官方
KID 加权规模	约 600 万次住院	KID 概览页原文	官方
KID 参与州	首年 22 州，2022 年 48 州含特区	KID 概览页原文	官方
NRD 未加权规模	每年 1,300 万至 1,700 万出院	NRD 概览页原文	官方
NRD 加权规模	2,800 万至 3,500 万出院	NRD 概览页原文	官方
NRD 数据年	2010 至 2023	NRD 概览页原文	官方
NASS 未加权规模	每年约 900 万门诊手术	NASS 概览页原文	官方
NASS 加权规模	约一千三百万次	NASS 概览页原文	官方
CCSR 诊断输入码	七万多个 ICD-10-CM	CCSR 概览页原文	官方
CCSR 诊断输出类	五百三十多个，二十二系统	CCSR 概览页原文	官方
CCSR 手术输入码	八万多个 ICD-10-PCS	CCSR 概览页原文	官方
CCSR 手术输出类	三百二十多个，三十一域	CCSR 概览页原文	官方
Elixhauser 指标数	ICD-9 版 29 项，ICD-10 Refined 版 38 项	工具页原文	官方
Elixhauser 依赖 POA 的项数	18 项	ICD-10 工具页原文	官方
工具版本	v2026.1（2025-11-19 发布）	工具页原文	官方
ICD-10 切换日	2015 年 10 月 1 日	各库概览页	官方
瓣膜病患者占髋置换比例	5.56%	Europe PMC 摘要	论文
主动脉瓣狭窄占比	0.03%	Europe PMC 摘要	论文
中国机构 HCUP 文献命中	58 条	Europe PMC 检索计数	论文库

附录 B：数字的来源分层

第一层：官方页面。 八个库的规模、参与州数、数据年、覆盖比例，全部取自各库的官方概览页原文。CCSR 与 Elixhauser 的类别数、指标数、版本号，取自工具页原文。ICD-10 切换日与 2015 年文件拆分的说明，取自各库概览页与数据库文档页。

第二层：论文摘要。 瓣膜病与主动脉瓣狭窄的两个比例、以及中国机构命中五十八条的检索计数，来自 Europe PMC 的检索接口与摘要原文。这些数字与方法、数据窗口绑定，换一个时间窗就不成立。

第三层：未核实。 各库的具体价格、逐州申请门槛、历年参与州清单的逐年变化、CCSR 映射表的行数，本文均未核实。价格官方只说「由州自定、见 CDORS」，未公开价目表；参与州逐年变化需查 Availability 页面逐项比对，本文只给现行数量。

三层的性质不同：官方数字是承诺，论文数字是观测，未核实项是空白。混在一起读，最容易把观测当成承诺。

附录 C：完整参考文献

1. Agency for Healthcare Research and Quality. Healthcare Cost and Utilization Project (HCUP) 主页. https://hcup-us.ahrq.gov/
2. AHRQ. HCUP Databases 概览页. https://hcup-us.ahrq.gov/databases.jsp
3. AHRQ. NIS Overview. https://hcup-us.ahrq.gov/nisoverview.jsp
4. AHRQ. NIS Database Documentation. https://hcup-us.ahrq.gov/db/nation/nis/nisdbdocumentation.jsp
5. AHRQ. Why the NIS should not be used to make State-level estimates. https://hcup-us.ahrq.gov/db/nation/nis/nis_statelevelestimates.jsp
6. AHRQ. SID Overview. https://hcup-us.ahrq.gov/sidoverview.jsp
7. AHRQ. SASD Overview. https://hcup-us.ahrq.gov/sasdoverview.jsp
8. AHRQ. SEDD Overview. https://hcup-us.ahrq.gov/seddoverview.jsp
9. AHRQ. KID Overview. https://hcup-us.ahrq.gov/kidoverview.jsp
10. AHRQ. NRD Overview. https://hcup-us.ahrq.gov/nrdoverview.jsp
11. AHRQ. NASS Overview. https://hcup-us.ahrq.gov/nassoverview.jsp
12. AHRQ. Clinical Classifications Software Refined (CCSR). https://hcup-us.ahrq.gov/toolssoftware/ccsr/ccs_refined.jsp
13. AHRQ. CCSR for ICD-10-CM Diagnoses. https://hcup-us.ahrq.gov/toolssoftware/ccsr/dxccsr.jsp
14. AHRQ. Elixhauser Comorbidity Software (ICD-9-CM, v3.7). https://hcup-us.ahrq.gov/toolssoftware/comorbidity/comorbidity.jsp
15. AHRQ. Elixhauser Comorbidity Software Refined for ICD-10-CM. https://hcup-us.ahrq.gov/toolssoftware/comorbidityicd10/comorbidity_icd10.jsp
16. AHRQ. CCS for ICD-9-CM. https://hcup-us.ahrq.gov/toolssoftware/ccs/ccs.jsp
17. AHRQ. Cost-to-Charge Ratio Files. https://hcup-us.ahrq.gov/db/ccr/costtocharge.jsp
18. AHRQ. Requirements for Publishing with HCUP Data. https://hcup-us.ahrq.gov/db/publishing.jsp
19. AHRQ. Purchase HCUP Data（HCUP Central Distributor）. https://hcup-us.ahrq.gov/tech_assist/centdist.jsp
20. AHRQ. HCUPnet. https://datatools.ahrq.gov/hcupnet
21. Lian Q, Wang J, Lian Y, Yang Q, Zhao M, Zhang Y. Impact of valvular heart disease on hip replacement: a retrospective nationwide inpatient sample database study. BMC Musculoskeletal Disorders. 2021;22:860. DOI: 10.1186/s12891-021-04738-z
22. Europe PMC REST 接口，用于检索与计数. https://www.ebi.ac.uk/europepmc/webservices/rest/search

附录 D：任务代码

下面把「用 HCUP 口径做全国负担统计」的最小骨架写出来。它不连真实的 NIS 文件（本文未购买数据），而是演示三个必须写对的环节：加权、按医院簇算方差、断点标记。

#-- 全国负担统计骨架：加权估计 + 医院簇方差 + 断点标记
import numpy as np
import pandas as pd

def hcup_national_estimate(df, weight="DISCWT", y="DIED",
                           psu=("NIS_STRATUM", "HOSP_NIS")):
    """加权总量与加权比例，方差按分层 + 医院簇的 Taylor 线性化近似。"""
    w = df[weight].to_numpy(dtype=float)
    v = df[y].to_numpy(dtype=float)
    total = float((w * v).sum()) / float(w.mean())   #-- 总量 = 权重和 × 加权均值
    p = float((w * v).sum() / w.sum())

    wn = w / w.sum()
    group = df.groupby(list(psu)).indices
    z = np.array([(wn[i] * (v[i] - p)).sum() for i in group.values()])
    strata = df.loc[[i[0] for i in group.values()], psu[0]].to_numpy()
    var = 0.0
    for s in np.unique(strata):
        zs = z[strata == s]
        if len(zs) > 1:
            var += len(zs) / (len(zs) - 1) * ((zs - zs.mean()) ** 2).sum()
    return total, p, float(np.sqrt(var))

def icd_break_flag(year_quarter):
    """2015Q4 起为 ICD-10 口径，早于它为 ICD-9 口径。"""
    y, q = year_quarter
    return "ICD-10" if (y, q) >= (2015, 4) else "ICD-9"

if __name__ == "__main__":
    #-- 示意：用一个小表验证函数能跑通，真实分析替换为 NIS 核心文件
    demo = pd.DataFrame({
        "DIED": [0, 1, 0, 0, 1, 0, 1, 0],
        "DISCWT": [5.1, 4.8, 5.2, 4.9, 5.0, 5.1, 4.7, 5.3],
        "NIS_STRATUM": [1, 1, 1, 1, 2, 2, 2, 2],
        "HOSP_NIS": [101, 101, 102, 102, 201, 201, 202, 202],
    })
    total, rate, se = hcup_national_estimate(demo)
    print(f"national deaths≈{total:.1f}  rate={rate:.3f}  se≈{se:.4f}")
    print("2015Q3 →", icd_break_flag((2015, 3)))
    print("2015Q4 →", icd_break_flag((2015, 4)))

这段代码的三点价值分别是：加权让样本回到总体；医院簇方差让标准误不被低估；断点函数让每一条记录自带编码口径。三件事都做对，才算真正用上了 HCUP 的方法学。

附录 E：如果只记五件事

序	要点
1	HCUP 是八个库的家族，不是一个库；选库先于选年
2	数据付费、要签 DUA、不可再分发；工具免费、可脱钩使用
3	它最值钱的是 CCSR 与 Elixhauser 这两套分组，不是任何一年的 NIS
4	全国估计必须加权，方差必须按分层与医院簇算
5	2015 年 10 月的编码切换是所有跨年趋势图上的硬断口

附录 F：八个库的选型决策表

你的问题	该选	不该选	理由
全国住院量十年趋势	NIS	NEDS	急诊不含住院侧口径
本州住院全量	SID	NIS	NIS 州层无代表性
儿童住院罕见病	KID	NIS	KID 儿科样本更详
年内再入院	NRD	NIS	只有 NRD 有年内链接
急诊就诊负担	NEDS	SID	SID 只含收住院的急诊
门诊手术迁移	NASS 或 SASD	NIS	住院库看不到门诊
手术从住院转门诊	SID + SASD 并用	单库	需两库同州同年
医院成本核算	SID + CCR	NIS 单用	费用不是成本

附录 G：一次分析前的检查清单

检查项	为什么重要
库选对了吗	选错库，后面全部作废
权重列选对了吗	不同库权重不同，混用即错
方差按设计算了吗	当简单随机算会低估标准误
断点标出来了吗	跨 2015 年的图必须处理
一码多类去重了吗	CCSR 不指定默认类别会重复计人
POA 有吗	缺 POA 时 Elixhauser 只能取 20 项
费用折算成本了吗	TOTCHG 不是成本
发表单元格合规吗	不得小于等于十、不得单指一家医院
引用与致谢写了吗	DUA 要求引用项目与数据伙伴
再分发边界清楚吗	记录级数据不得外传

附录 H：CCSR 与 Elixhauser 的分工

维度	CCSR	Elixhauser
回答的问题	这次就诊是什么病	这个人还有哪些合并症
输出形态	诊断/手术类别号	合并症二值标记与指数
一码多类	诊断允许	部分合并症允许重叠
依赖 POA	否	是，18 项
典型用途	负担统计、排序、分组比较	风险调整、结局预测
与旧版对应	对应旧 CCS	对应旧 ICD-9 版 29 项
核实时版本	v2026.1	v2026.1

编辑说明

核验方式：逐页读取 hcup-us.ahrq.gov 上的项目主页、数据库概览页、工具页、购买页、发表要求页与 NIS 州级估计说明页，以及 datatools.ahrq.gov 的 HCUPnet 页；规模与结构数字一律取自这些页面的原文。论文层面只取 Europe PMC 检索接口返回的摘要与命中计数，未获取全文。本文所处的网络环境以 curl 直连 hcup-us.ahrq.gov 未能取回响应，因此工具 ZIP 未做哈希核验，端点可用性以官方页面链接为准。各库价格、逐州申请门槛、参与州逐年清单均未核实，文中已注明。本文的定位是数据集选型与方法学参考，不含诊断或治疗建议。核验日期：2026-10-27。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• meps — 共享标签：电子健康记录 / 医保理赔 / 调查数据 / 卫生服务研究
• hcup-nis — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• apcd — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• hcup-neds — 共享标签：电子健康记录 / 调查数据 / 卫生服务研究
• nhis-nhid — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• marketscan — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• seer-medicare — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• premier-pinc-ai — 共享标签：电子健康记录 / 医保理赔 / 卫生服务研究
• cms-de-synpuf — 共享标签：医保理赔 / 卫生服务研究
• komodo-healthcare-map — 共享标签：电子健康记录 / 医保理赔

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。