الموافقة الأخلاقية والموافقة على المشاركة
كانت هذه الدراسة تحليلا لبيانات ملخصة موجودة ومتاحة للجمهور وغير المحددة من دراسة العبء العالمي للأمراض 2023 (GBD 2023). ونظرا لأن البحث لم يتضمن تفاعلا مباشرا مع أشخاص أو حيوانات، أو جمع بيانات أولية جديدة، أو الوصول إلى أي معلومات يمكن التعرف عليها بشكل فردي، فقد اعتبرت معفاة من متطلبات الموافقة الرسمية من قبل لجنة مراجعة مؤسسية (IRB) أو لجنة أخلاقيات. أجريت الدراسة وفقا للمبادئ المنصوص عليها في إعلان هلسنكي. يتوافق استخدام بيانات GBD مع شروط الاستخدام وسياسات الوصول إلى البيانات.
مصادر البيانات
هذه الدراسة هي تحليل ثانوي للبيانات المجمعة غير المحددة التي نشرت في دراسة GBD لعام 2023. تم استخدام أداة الاستعلام الإلكترونية GHDx (https://ghdx.healthdata.org/gbd results–tool) للحصول على بيانات عبء الأمراض المتعلقة بهبوط الرحم في الصين ودول مجموعة العشرين من عام 1990 إلى 2023. تم تحديد حالات هبوط الرحم باستخدام تسلسل الأسباب القائم على GBD 2023 تحت فئة "هبوط الرحم التناسلي"، والتي تشمل تدلي الرحم. تشمل رموز ICD-10 المقابلة التي رسمها معهد مقاييس الصحة والتقييم (IHME) N81.2 (هبوط المهبل غير الكامل)، N81.3 (هبوط المهبل الكامل)، N81.4 (هبوط المهبل غير المحدد)، وN81.9 (هبوط غير محدد للأعضاء التناسلية الأنثوية). تم الحصول على معرف السبب لمرض GBD لتدلي الرحم مباشرة من أداة نتائج GBD، وتم استخراج تقديرات عبء المرض وفقا لتعريفات وإجراءات الترميز المعيارية لأسباب GBD. قدر تحليل عبء المرض في GBD 2023 الحدوث والانتشار والوفاة وYLDs وYLLs وDALYs. فحصت الدراسة السمات الوبائية من خلال تحليل الفروق الجغرافية ومجموعات العمر في عبء الأمراض عبر الزمن والمكان. تمت معالجة البيانات باستخدام تحليل EAPC (التغير السنوي المقدر)، ونموذج نقطة الالتحم، ونموذج ARIMA، ونموذج BAPC، وتحليل التفكيك. طرق الحساب المحددة تتوافق مع تلك المبلغ عنها في الدراسات السابقة 27,33,34,35.
تحليل EAPC
كان EAPC مقياسا مقبولا على نطاق واسع لقياس اتجاه ASRs على فترات زمنية محددة، وتم حسابه بناء على نموذج الانحدار الملائم مع اللوغاريتم الطبيعي للمعدلات. تم تعريف نموذج الانحدار على أنم: ln (rate)=α+βx+ε، وتم حساب EAPC ك 100×(exp(β)-1). تم تحديد فترة الثقة 95٪ (CI) أيضا بواسطة نموذج الانحدار الخطي.
حيث ln (المعدل) هو اللوغاريتم الطبيعي ل ASR، وx يرمز إلى السنة التقويمية، و α هو القاطع، و β يمثل معامل الميل، و ε هو مصطلح الخطأ. إذا كان مؤشر EAPC > 0 ومتوسط ثقته 95٪ هو أيضا > 0، فهناك اتجاه صعودي كبير. إذا كان مؤشر EAPC < 0 و95٪ CI هو < 0، فهناك اتجاه هبوطي كبير. إذا كان الثقة 95٪ تشمل 0، فإن الاتجاه ليس ذا دلالة إحصائية؛ أي أن التغيير كان مستقرا مع مرور الوقت.
تحليل نقطة الانضمام
تم استخدام نموذج الانحدار بنقطة الانضمام لحساب التغير النسبي السنوي (APC) ومتوسط التغير السنوي المئوية (AAPC)، إلى جانب فترات الثقة 95٪ (CI) الخاصة بهما، لتحديد الاتجاهات طويلة الأمد للتغيرات الملحوظة في UP في الصين ودول مجموعة العشرين من 1990 إلى 2023. يؤسس هذا النموذج الانحدار المجزأ بناء على الخصائص الزمنية لتوزيع المرض، ويقسم النطاق الزمني إلى فترات مختلفة، كل منها يخضع لتناسب وتحسين الاتجاهات، مما يتجنب فعليا ذاتية تحليلات الاتجاهات النموذجية المبنية على الاتجاهات الخطية. تم تحديد اتجاه الاتجاه بناء على AAPC المحسوب من النموذج النهائي؛ تحديدا، عندما لا يشمل CI 95٪ صفر، فهذا يعني أن الاتجاه مهم، وAAPC > 0 يشير إلى اتجاه تصاعدي، وAPPC < 0 يشير إلى اتجاه تنازلي.
تحليل BAPC
تم توسيع نموذج APC باستخدام طرق إحصائية بايزية (BAPC)، التي تدمج أنماط البيانات التاريخية، وعوامل عدم اليقين، والمعرفة السابقة لتحسين دقة التنبؤ والمتانة، وبالتالي التعامل مع الضوضاء والغموض في البيانات بفعالية. تم إنشاء توقعات BAPC للفترة من 2024 إلى 2038 باستخدام معامل تنويع 5 لتأثيرات العمر والدورة وتأثيرات المجموعة، مع أوزان موحدة بناء على المعيار السكاني العالمي.
تحليل ARIMA
نموذج ARIMA هو نموذج شائع في الاقتصاد القياسي يمكنه تحليل سلوك السلاسل الزمنية الثابتة وغير الثابتة بالإضافة إلى تأثير الخطط والسياسات على النتائج المحددة عبر الزمن.34. في نموذج ARIMA (p, d, q)، يمثل 'p' عدد المصطلحات الذاتية الانحدار، و'd' يرمز إلى ترتيب الاختلافات، و'q' يرمز إلى عدد المتوسطات المتحركة. طرق الحساب المحددة تتوافق مع تلك التي أبلغ عنها في الدراسات السابقة. لكل توقع، سيتم الحصول على القيمة المتوقعة، والحد الأعلى، والحد الأدنى، و95٪ CI لكل سنة، بالإضافة إلى معايير الأداء لنموذج التنبؤ (_eval.csv الملف). تم استخدام نموذج السلاسل الزمنية ARIMA للتنبؤ بالسنوات ال 27 القادمة (2024-2050)، وتم تقييم أداء النموذج. تم تقييم أداء النموذج باستخدام تشخيصات التنبؤ القياسية، بما في ذلك معيار معلومات أكايكي (AIC)، ومعيار المعلومات البايزي (BIC)، وتحليل الارتباط الذاتي المتبقي، وتقييم جودة الملاءمة. أظهرت المخططات المتبقية عدم وجود انتهاكات كبيرة لافتراضات النموذج، مما يدعم ملاءمة نماذج التنبؤ المختارة لتوقع العبء. تم استخدام Auto.arima لاختيار معلمات ARIMA(p,d,q) المثلى تلقائيا، وتم استخدام AICc (AIC المعدل) لاختيار أفضل نموذج. استنادا إلى طريقة التنبؤ بنظام التمهيد، تم حساب قيمة التنبؤ وفترة الثقة عن طريق محاكاة المسارات المستقبلية المحتملة.
تحليلات التحليل
قمنا بتحليل داس جوبتا (تحليل كيتاجاوا–داس جوبتا) للتغير في العد المطلق بين عامي 1990 و2023. تم تقسيم التحليل بشكل أساسي إلى ثلاثة مكونات: تأثير الشيخوخة (تغيرات في هيكل العمر)، تأثير حجم السكان (نمو إجمالي السكان)، وتأثير التغير الوبائي (تغيرات في معدلات العمر المحددة). أسماء أعمدة البيانات كما يلي: 'overall_difference' تشير إلى التغيير الكلي؛ 'a_effect' تشير إلى تأثير الشيخوخة؛ يمثل 'p_effect' تأثير حجم السكان؛ تشير كلمة 'r_effect' إلى تأثير التغير الوبائي؛ تشير 'a_percent'، 'p_percent'، و'r_percent' إلى نسبة المساهمة لكل تأثير على حدة؛ تمثل 'val_1990' و'val_2023' عدد الحالات في عامي 1990 و2023 على التوالي؛ ويشير 'التغيير' إلى الفرق في 'diff1'. توضح مقدار كل عامل في المخطط الناتج تأثيره النسبي، حيث تشير القيم الإيجابية والمالية إلى زيادة أو تأثير تخفيف على التوالي. النقاط السوداء على المخطط تعمل كعلامات على التغيير الكلي.
برامج التحليل
تم إجراء تحليل إحصائي للبيانات وتصورها في هذه الدراسة باستخدام حزمة برنامج R وبرنامج Joinpoint (راجع جدول المواد لمزيد من التفاصيل). تم اعتبار قيمة p < 0.05 ذات دلالة إحصائية.