Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Ein analytischer Workflow basierend auf GBD 2021 zur Schätzung der globalen Belastung von Neoplasien, die auf geringe körperliche Aktivität zurückzuführen ist,

51 Ansichten

⸱

DOI:

10.3791/70495

⸱

7. August 2026

 ,  , 
1Department of Gastroenterology, Changshu Hospital of Traditional Chinese Medicine, 2The First School of Clinical Medicine, Nanjing University of Chinese Medicine, 3Department of Traditional Chinese Medicine, Inner Mongolia Medical University Affiliated Hospital, 4Department of Gastroenterology, Jiangsu Second Chinese Medicine Hospital

In diesem Artikel

Zusammenfassung

Dieses Protokoll demonstriert einen reproduzierbaren Workflow zur Extraktion, Verarbeitung, Analyse und Visualisierung von GBD 2021-Schätzungen von Neoplasien, die auf geringe körperliche Aktivität zurückzuführen sind. Der Workflow ermöglicht es Forschern, Belastungsindikatoren, zeitliche Trends, Zerlegungskomponenten, sozioökonomische Ungleichheiten und modellbasierte Projektionen anhand standardisierter Bevölkerungsdaten zu bewerten.

Zusammenfassung

Dieses Protokoll beschreibt einen reproduzierbaren analytischen Workflow zur Schätzung der globalen Belastung von Neoplasien, die auf geringe körperliche Aktivität zurückzuführen sind, anhand von Global Burden of Disease 2021-Daten. Der Workflow umfasst Datenextraktion aus dem GBD Results Tool, Definition geeigneter Ergebnisse und Expositionskategorien, Schätzung von Todesfällen, behinderungsbereinigte Lebensjahre und altersstandardisierte Raten, zeitliche Trendanalyse mittels geschätzter jährlicher prozentualer Veränderung und Joinpoint-Regression, Dekompositionsanalyse, sozioökonomische Ungleichheitsbewertung sowie bayessche Altersperioden-Kohortenprojektion. Das Protokoll beschreibt außerdem, wie Unsicherheitsintervalle, Dekompositionskomponenten und Ungleichheitsmetriken im Kontext modellierter populationsbezogener Schätzungen interpretiert werden. Als repräsentative Anwendung wurde der Arbeitsablauf von 1990 bis 2021 auf Darmkrebs und weiblichen Brustkrebs angewendet, der auf geringe körperliche Aktivität in 204 Ländern und Gebieten zurückzuführen ist, mit Prognosen bis 2045. Dieses Protokoll kann für andere GBD-Risiko-Ergebnis-Paare angepasst werden, wenn Forscher einen strukturierten Ansatz zur risikozugeordneten Lastabschätzung, Trendcharakterisierung, Ungleichheitsbewertung und Projektionsanalyse benötigen.

Einleitung

Neoplasien stellen eine bedeutende Kategorie von nichtübertragbaren Krankheiten (NCDs) dar, die zur globalen Sterblichkeit und Behinderung beitragen und weltweit eine kritische Herausforderung für die öffentliche Gesundheit darstellen. Die Daten von Globocan 2022 zeigten weltweit 19,96 Millionen neue Neoplasmafälle und 9,74 Millionen Todesfälle, wobei Lungen-, Brust- (weiblich) und Darmkrebs die vorherrschenden Malignitäten darstellen. Die prognostizierte Krebsrate wird bis 2050 jährlich 35 Millionen erreichen (77 % Anstieg gegenüber 2022), wobei Länder, die im Human Development Index (HDI) niedrig abschneiden, voraussichtlich einen Anstieg von 142 % erleben, verursacht durch demografische Übergänge. Demografische Ausweitung, Alterung der Bevölkerung, mangelhafte Screening-Systeme und eingeschränkter Zugang zu Behandlungen in Regionen mit niedrigem HDI treiben diese Trends an und schaffen eine Notwendigkeit für eine gerechte Verteilung globaler onkologischer Ressourcen1.

Niedrige körperliche Aktivität (LPA) ist ein etablierter modifizierbarer Determinant für schwere NCDs, die sich über Malignitäten, Stoffwechselstörungen und neuropsychiatrische Erkrankungenerstrecken 2,3,4. LPA stellt eine erhebliche globale Gesundheitsbelastung dar, zeigt einen Anstieg der altersstandardisierten Prävalenz um 6,6 % seit 2000 und trägt 2022 zu 7,2 % der weltweiten Gesamtsterblichkeit bei, 5,6. Mäßige körperliche Aktivität (PA) bietet signifikanten Schutz gegen Brustkrebs (HR 0,90; 95 % KI: 0,87–0,93), Darmkrebs (HR 0,84; 95 % KI: 0,77–0,91) und Darmkrebs (HR 0,87; 95 % KI: 0,80–0,95) mit parallelen Reduktionen der ortsspezifischen Mortalität7. Um weltweit wichtige PA zu fördern, haben zahlreiche Länder und Regionen nationale PA-Richtlinien entwickelt, die auf ihre spezifischen Kontexte zugeschnitten sind (z. B. Kanada, das Vereinigte Königreich und die USA), die über Organisationen wie die Weltgesundheitsorganisation (WHO) und die Europäische Union breit verbreitet wurden. Bedauerlicherweise erfüllen weltweit nur 72,5 % der Erwachsenen die in den Gesundheitsrichtlinien8 festgelegten Mindestwerte für PA.

Die Minderung der geringen, körperlich aktivitätsbedingten Neoplasmalast ist entscheidend für die Erreichung des Ziels 2030 der UN für nachhaltige Entwicklung (SDG): eine Drittel-Reduktion der Mortalität von vorzeitigen NCDs durch Prävention und Versorgung9. Die Schaffung fundierter Beweise zur Aufklärung des Zusammenhangs zwischen LPA und Neoplasien ist entscheidend, um zukünftige Gesundheitspolitiken zu steuern. Die Global Burden of Diseases, Injuries, and Risk Factors Study 2021 (GBD 2021) liefert vergleichbare bevölkerungsbezogene Schätzungen der Sterblichkeit, der behinderungsbereinigten Lebensjahre (DALYs) und der risikozugeordneten Belastung in 204 Ländern und Gebieten von 1990 bis 2021 unter Verwendung standardisierter epidemiologischer Ansätze. Im GBD 2021 decken Schätzungen zu Krankheiten und Verletzungen 371 Krankheiten und Verletzungen ab, während die Risikofaktorenanalyse Exposition, relatives Risiko, populationszuschreibbare Fraktionen und zurechenbare Belastung für 88 Risikofaktorenschätzt. Allerdings haben weniger Studien einen schrittweisen und reproduzierbaren Workflow zur Extraktion von GBD-2021-Neoplasmadaten mit geringer körperlicher Aktivität bereitgestellt und Trend-, Dekompositions-, Ungleichheits- und Projektionsanalysen innerhalb eines einzigen Protokolls angewendet. Dieses Manuskript adressiert diese methodische Lücke, indem es die Datenextraktion, Variablendefinition, statistische Modellierung und Interpretationsverfahren für dieses spezifische GBD-Risiko-Ergebnis-Paar detailliert darlegt. Dieses Protokoll beschreibt eine reproduzierbare sekundäre Analyse der GBD-Schätzungen von 2021 für Neoplasmen, die auf geringe körperliche Aktivität in 204 Ländern und Gebieten von 1990 bis 2021 zurückzuführen sind, mit Prognosen bis 2045. Die Ziele waren die Quantifizierung von Todesfällen, DALYs, altersstandardisierten Raten, zeitlichen Trends, Zersetzungskomponenten, sozioökonomischen Ungleichheiten und der projizierten Belastung, ohne individuelle Kausalität oder direkte Interventionseffekte abzuleiten.

Dieser Workflow wurde gewählt, weil er mehrere komplementäre analytische Komponenten in einem einzigen reproduzierbaren Rahmen integriert. Im Vergleich zu Studien, die nur deskriptive GBD-Schätzungen oder einzelne Trendmetriken berichten, kombiniert dieses Protokoll Lastschätzung, EAPC, Joinpoint-Regression, Dekompositionsanalyse, Ungleichheitsbewertung und BAPC-Prognose, sodass Nutzer nicht nur das Ausmaß der Belastung, sondern auch zeitliche Veränderungen, demografische Treiber, sozioökonomische Gradienten und zukünftige Trends untersuchen können. Das Protokoll ist für Forscher anwendbar, die Sekundäranalysen von GBD-risikozugeordneten Schätzungen durchführen, insbesondere wenn das Ziel ist, Belastungsmuster über Zeit, Geschlecht, Altersgruppen, Länder, Regionen oder SDI-Kategorien hinweg zu vergleichen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese Studie nutzte öffentlich verfügbare, de-identifizierte GBD-Schätzungen auf Bevölkerungsebene 2021. Es wurden keine individuellen menschlichen Teilnehmerdaten abgerufen. Die GBD-Studie 2021 erhielt eine Ausnahmegenehmigung von der informierten Einwilligung vom Institutional Review Board der University of Washington; Daher war für diese sekundäre Analyse keine zusätzliche institutionelle ethische Genehmigung erforderlich.

HINWEIS: Dieses Protokoll beschreibt einen reproduzierbaren Workflow zur Durchführung einer sekundären Analyse der GBD-2021-Schätzungen für Neoplasien11 , die auf geringe körperliche Aktivität zurückzuführen sind. Der Workflow umfasst Datenextraktion, Variablendefinition, Lastschätzung, zeitliche Trendanalyse, Dekompositionsanalyse, Ungleichheitsbewertung und Bayessche Altersperioden-Kohortenprojektion. Die Ergebnisse werden präsentiert, um die Anwendung des Protokolls zu veranschaulichen, anstatt eine primäre kausale Beziehung herzustellen. Der analytische Workflow bestand aus sechs aufeinanderfolgenden Schritten: Extraktion der GBD-2021-Schätzungen, Definition von Exposition, Krankheitsergebnissen und SDI-Schichten, Schätzung von Todesfällen, DALYs, altersstandardisierter Sterblichkeitsrate (ASMR) und altersstandardisierter DALYs-Rate (ASDR), zeitliche Trendanalyse mittels geschätzter jährlicher prozentualer Veränderung (EAPC) und Joinpoint-Regression, Dekompositions- und Ungleichheitsanalysen sowie Bayessche Altersperioden-Kohortenprojektion bis 2045. Jedes Ergebnis und jede Abbildung wurde aus einem dieser verknüpften analytischen Schritte generiert.

1. Identifikation und Zugriff auf Datenquellen

  1. Greifen Sie auf das Global Burden of Disease (GBD) 2021 Ergebnis-Tool zu.
    1. Öffnen Sie einen Webbrowser und navigieren Sie zum Global Burden of Disease Results Tool unter https://vizhub.healthdata.org/gbd-results/.
    2. Wählen Sie GBD 2021 als Studienversion aus den verfügbaren Datensatzoptionen aus.
    3. Wählen Sie Risikofaktoren im Ursachen-Hierarchiemenü aus.
  2. Definieren Sie Krankheitsverläufe und Risikofaktoren.
    1. Wählen Sie Neoplasien als Krankheitskategorie aus.
    2. Wählen Sie geringe körperliche Aktivität als Risikofaktor.
    3. Wählen Sie Todesfälle und invaliditätsbereinigte Lebensjahre (DALYs) als Ergebnismaße aus.
  3. Gib Bevölkerung, Geografie und Zeitraum an.
    1. Wählen Sie beide Geschlechter, männlich und weiblich , separat für geschlechtsspezifische Analysen aus.
    2. Wählen Sie alle verfügbaren Altersgruppen ≥25 Jahre aus.
    3. Wählen Sie alle 204 Länder und Gebiete aus.
    4. Setzen Sie den Analysezeitraum auf 1990 bis 2021.
  4. Extraktion altersstandardisierter Ergebnismaße.
    1. Aktiviere die Altersstandardisierung mit dem GBD-Standard 2021.
    2. Wählen Sie altersstandardisierte Sterblichkeitsrate (ASMR) und altersstandardisierte DALYs-Rate (ASDR) als Ausgabevariablen aus.
    3. Beziehen Sie 95%-Unsicherheitsintervalle (UIs) für alle extrahierten Schätzungen ein.
    4. Exportieren Sie die extrahierten Daten im CSV-Format zur nachgelagerten Analyse.
    5. Für die Reproduzierbarkeit verwenden Sie die folgenden GBD Results Tool-Auswahl: Studienversion: GBD 2021; Kontext: Risikofaktoren; Risiko: Geringe körperliche Aktivität; Ursache: Neoplasmen; Messungen: Todesfälle und DALYs; Kennzahlen: Anzahl und Rate; Alter: Altersstandardisierte und alle verfügbaren 5-Jahres-Altersgruppen ≥ 25 Jahren; Geschlechter: Beide, männlich und weiblich; Standorte: Global, 21 GBD-Regionen, SDI-Regionen sowie 204 Länder und Territorien; Jahre: 1990–2021.
    6. Exportieren Sie die Mittelwertschätzung, das untere Unsicherheitsintervall und das obere Unsicherheitsintervall für jede Schicht im CSV-Format.
  5. Erhalten Sie soziodemografische Index-(SDI)-stratifizierte Daten.
    1. Stratifizierung nach soziodemografischem Index (SDI) ermöglichen.
    2. Extrahieren Sie SDI-spezifische ASMR- und ASDR-Daten für vergleichende Analysen.
  6. Greifen Sie auf zugrundeliegende Datenquellen zu.
    1. Navigieren Sie zum GBD 2021 Data Input Sources Tool unter https://ghdx.healthdata.org/gbd-2021.
    2. Prüfen Sie öffentlich zugängliche Dokumente, die Primärdaten beschreiben, einschließlich Personenstandsregistrierungssystemen, Bevölkerungsumfragen, medizinischen Unterlagen und Krankheitsregistern.

2. Definition der Schlüsselvariablen und Klassifikationskriterien

  1. Definiere Neoplasmen.
    1. Neoplasien als bösartige Tumore gemäß der Global Burden of Disease (GBD) 2021 Ursachenhierarchie definieren.
    2. Nur bösartige Neoplasien werden eingeschlossen, die durch unkontrollierte zelluläre Proliferation infolge einer genetischen und epigenetischen Dysregulation gekennzeichnet sind.
    3. Gutartige Neoplasien werden von allen Analysen ausgeschlossen.
  2. Definiere geringe körperliche Aktivität.
    1. Definieren Sie die körperliche Aktivitätsintensität anhand der metabolischen Äquivalente von Aufgaben (MET), wobei 1 MET einem Sauerstoffverbrauch von 3,5 mL O₂/kg/min in Ruhe entspricht.
    2. Berechnen Sie wöchentliche körperliche Aktivitätsniveaus anhand der gesamten MET-Minuten pro Woche.
    3. Klassifizieren Sie das Niveau der körperlichen Aktivität in vier Kategorien: 12,13:
      Weniger als 600 MET-Minuten pro Woche.
      600 bis 3.999 MET-Minuten pro Woche.
      4.000 bis 7.999 MET-Minuten pro Woche.
      8.000 oder mehr MET-Minuten pro Woche.
    4. Niedrige körperliche Aktivität definieren Sie als weniger als 4.000 MET-Minuten pro Woche, im Einklang mit der GBD-Attributionsmethodik von 2021.
      HINWEIS: Dieser Cutoff wurde aus der GBD-Risikoattributionsdefinition 2021 übernommen und in der vorliegenden Studie nicht de novo ausgewählt. Sie wurde verwendet, um die Konsistenz mit dem GBD-Rahmenwerk zur vergleichenden Risikobewertung und die Vergleichbarkeit mit anderen GBD-basierten Schätzungen zu gewährleisten.
  3. Definiere SDI.
    1. Definieren Sie die SDI als einen zusammengesetzten Indikator von 0 bis 1.
    2. Berechnen Sie SDI mit dem geometrischen Mittelwert des standardisierten Pro-Kopf-Einkommens, des Bildungsabschlusses und der Geburtenrate bei Personen unter 25 Jahren.
    3. Klassifizieren Sie Länder und Regionen in fünf SDI-Kategorien14: Niedrig, Niedrig-Mittel, Mittel, Hoch-Mittel und Hoch.
    4. Weisen Sie Länder einer von 21 GBD-Regionen basierend auf der SDI-Stratifizierung zu.
  4. Neoplasien definieren, die auf geringe körperliche Aktivität zurückzuführen sind.
    1. Identifizieren Sie Neoplasien, die auf geringe körperliche Aktivität zurückzuführen sind, mithilfe des GBD 2021 vergleichenden Risikobewertungsrahmens.
      1. Innerhalb dieses Rahmens operationalisiert man die Belastung mit geringer körperlicher Aktivität, indem man Expositionsverteilungen, Risiko-Ergebnis-Relativrisiken und das theoretische Mindestrisiko-Expositionsniveau kombiniert, um populationszuschreibbare Fraktionen zu schätzen. Dann wenden Sie dies auf Todesfälle und DALYs an, um geeignete Neoplasmus-Ergebnisse zu erhalten.
    2. Zählen Sie Darmkrebs und weiblicher Brustkrebs als Neoplasie-Ergebnisse, die auf geringe körperliche Aktivität zurückzuführen sind.
      HINWEIS: Daher beziehen sich in dieser Studie Neoplasien, die auf geringe körperliche Aktivität zurückzuführen sind, nur auf Darmkrebs und weiblichen Brustkrebs, wie sie im GBD 2021 Rahmenwerk für vergleichende Risikobewertung definiert sind, und nicht auf alle bösartigen Tumore.

3. Schätzung der globalen Belastung von Neoplasien, die auf geringe körperliche Aktivität zurückzuführen ist.

  1. Indikatoren für Krankheitsbelastung extrahieren.
    1. Importieren Sie Todesfälle und behinderungsbereinigte Lebensjahre (DALYs) Daten für Neoplasmen, die auf geringe körperliche Aktivität zurückzuführen sind, aus dem Global Burden of Disease (GBD) 2021 Results Tool, basierend auf dem standardisierten GBD-Rahmen zur vergleichenden Risikobewertung.
    2. Extraktion altersstandardisierter Sterblichkeitsraten (ASMR) und altersstandardisierter DALYs-Raten (ASDR) pro 100.000 Bevölkerung anhand der GBD-Standardpopulation von 2021.
    3. Beibehalten Sie entsprechende 95%-Unsicherheitsintervalle für alle extrahierten Schätzungen, wie sie durch die GBD-2021-Methodik bereitgestellt werden.
  2. Berechnen Sie die erwerbsunfähig bereinigten Lebensjahre.
    1. Definieren Sie erwerbsunfähige Lebensjahre (DALYs) als die Summe der verlorenen Lebensjahre (YLLs) und der mit Behinderung gelebten Jahre (YLDs), gemäß den Standarddefinitionen von GBD.
    2. Berechnen Sie YLLs, indem Sie die altersspezifische Sterblichkeit mit der in der GBD 2021 angegebenen Referenzlebenserwartung multiplizieren.
    3. Berechnen Sie YLDs durch Multiplikation der Vorfälle mit krankheitsspezifischen Behinderungsgewichten und Krankheitsdauern, wie in der GBD-Methodik beschrieben.
    4. Überprüfen Sie, dass die berechneten DALY-Werte den von GBD 2021 gemeldeten Schätzungen entsprechen.

4. Temporale Trendanalyse

  1. Geschätzte jährliche prozentuale Veränderung:15,16.
    1. Importiere ASMR- und ASDR-Daten in die R-Software (Version 4.4.2).
    2. Wenden Sie die natürliche logarithmische Transformation auf altersstandardisierte Raten an.
    3. Lineare Regressionsmodelle mit dem Kalenderjahr als unabhängige Variable anpassen, um zeitliche Trends zu bewerten, basierend auf etablierten epidemiologischen Trendanalysemethoden.
    4. Berechnen Sie die geschätzte jährliche prozentuale Veränderung (EAPC) aus der Regressionsneigung mit der Standardexponentialtransformation.
    5. Klassifizieren Sie Trends als steigend, abnehmend oder stabil, basierend darauf, ob das 95%-Konfidenzintervall des EAPC über, darunter oder null liegt.
  2. Führen Sie eine Joinpoint-Regressionsanalyse durch.
    1. Öffnen Sie das Joinpoint-Regressionsprogramm (Version 5.3.0; Nationales Krebsinstitut).
    2. Importiere ASMR- und ASDR-Datensätze in die Software.
    3. Wählen Sie ein log-lineares Regressionsmodell für die Trendanalyse aus, das mit den methodologischen Richtlinien von Joinpoint17 übereinstimmt.
    4. Geben Sie mindestens 0 und maximal 6 Joinpoints an.
    5. Wählen Sie die Data-Driven Bayesian Information Criterion (BIC)- Methode mit gewichteter BIC-Optimierung, um optimale Joinpoints zu bestimmen.
      1. Wählen Sie das Maximum von sechs Joinpoints entsprechend der Länge der jährlichen Zeitreihe von 1990 bis 2021 und den Standardempfehlungen des Joinpoint-Regressionsprogramms.
      2. Bestimmen Sie die endgültige Anzahl der Joinpoints durch den datengetriebenen BIC.
    6. Führen Sie die Analyse durch, um die jährliche prozentuale Veränderung (APC) und die durchschnittliche jährliche prozentuale Veränderung (AAPC) mit 95%-Konfidenzintervallen zu berechnen. Für Schichten mit spärlichen Daten oder instabilen jährlichen Schätzungen wurden segmentspezifische APCs vorsichtig interpretiert und nicht betont, es sei denn, der angepasste Trend wurde durch entsprechende Unsicherheitsintervalle unterstützt und war epidemiologisch plausibel.
    7. APC- und AAPC-Ergebnisse für nachgelagerte Analysen exportieren.
      HINWEIS: EAPC und Joinpoint-Regression wurden für unterschiedliche Zwecke verwendet. EAPC lieferte eine einzige zusammenfassende Schätzung des durchschnittlichen log-linearen Trends über 1990–2021, während die Joinpoint-Regression Kalenderperioden identifizierte, in denen sich die Änderungsrate verschob und segmentspezifische APCs schätzte. Daher wurde EAPC für den Gesamtvergleich zwischen den Schichten verwendet, während die Joinpoint-Regression zur Beschreibung temporaler Inflektionsmuster verwendet wurde.

5. Zerlegungsanalyse

  1. Bereite Dekompositionseingaben vor.
    1. Schichten Sie Sterblichkeits- und DALY-Daten nach Altersgruppe, Kalenderjahr und geografischer Region.
    2. Importiere geschichtete Datensätze in JD_GBDR Software (Version 2.37.1).
  2. Führen Sie eine Dekompositionsanalyse durch.
    1. Zerlegen Sie Veränderungen in Sterblichkeit und DALYs zwischen ausgewählten Zeitpunkten in Alterung, Populationswachstum und epidemiologische Veränderungen mit etablierten Dekompositionsmethoden18.
    2. Quantifizieren Sie den Beitrag jeder Komponente zur Gesamtveränderung der Krankheitslast.
      1. Prozentuale Beiträge interpretieren als den proportionalen Anteil von Alterung, Bevölkerungswachstum und epidemiologischer Veränderung zur Nettoänderung der Todesfälle oder DALYs zwischen zwei Zeitpunkten.
      2. Werte über 100 % oder negative Werte können auftreten, wenn eine Komponente die Belastung erhöht, während eine andere sie ausgleicht; Interpretiere solche Werte als mathematische Zerlegungseffekte und nicht als direkte biologische Effekte.
    3. Exporte von Dekompositionsergebnissen für globale, SDI-Ebene und GBD-Regionalanalysen.

6. Analyse von Gesundheitsungleichheit

  1. Bereiten Sie Daten für die Ungleichheitsbewertung vor.
    1. Ordne alle Länder und Gebiete nach ihren SDI-Werten von niedrigst bis hoch.
    2. Importiere ASMR und ASDR in die R-Software (Version 4.4.2).
  2. Berechnen Sie den Steigungsindex der Ungleichheit.
    1. Jedem Land wird ein relativer sozioökonomischer Rang basierend auf der kumulativen Bevölkerungsverteilung über die SDI-Schichten zugewiesen.
    2. Passen Sie ein gewichtetes lineares Regressionsmodell mit ASMR oder ASDR als abhängige Variable und relativem SDI als unabhängige Variable an.
    3. Berechnen Sie den Steigungsindex der Ungleichheit (SII) als absolute Differenz in der Krankheitslast zwischen den höchsten und niedrigsten Enden des SDI-Gradienten, basierend auf der etablierten Ungleichheitsanalysemethodik.
  3. Berechnen Sie den Konzentrationsindex.
    1. Konstruieren Sie Konzentrationskurven, indem Sie kumulative Anteile von ASMR oder ASDR gegen kumulative Bevölkerungsanteile nach SDI darstellen.
    2. Berechnen Sie den Konzentrationsindex (CII) als das Doppelte der Fläche zwischen der Konzentrationskurve und der Gleichheitslinie.
    3. CII-Werte nahe Null als geringe Ungleichung interpretieren und Werte nahe −1 oder +1 als zunehmende relative Ungleichheit, was mit den Standardmethoden der Gesundheitsökonomie19 übereinstimmt.
  4. Unsicherheit für Ungleichheitsmetriken schätzen.
    1. Für SII leiten Sie 95%-Konfidenzintervalle aus dem gewichteten Regressionsmodell unter Verwendung von Bevölkerungsgewichten auf Landesebene ab.
    2. Für CII werden 95%-Konfidenzintervalle anhand von Bootstrap-Neusproben von Ländern und Gebieten mit Ersatz geschätzt.
    3. Wenn posteriore Zeichnungen verfügbar sind, wiederholen Sie SII- und CII-Berechnungen über die Ziehungen hinweg und geben die 2,5. und 97,5. Perzentile als Unsicherheitsintervalle an.

7. Bayessche Modellierung von Altersperioden-Kohorten

  1. Bereite die Eingabedaten für die Projektion vor.
    1. Organisieren Sie altersspezifische Todesfälle, DALYs und entsprechende Bevölkerungsdaten nach 5-Jahres-Altersgruppe und Kalenderjahr von 1990 bis 2021.
    2. Stellen Sie die Konsistenz der Altersgruppendefinitionen und Zeitintervalle über den gesamten Beobachtungszeitraum sicher.
  2. Wenden Sie das Bayessche Alters-Perioden-Kohorten-Modell20 an.
    1. Importieren Sie die altersspezifischen Last- und Populationsdatensätze in R mithilfe eines bayesschen Altersperioden-Kohorten-Modellierungsrahmens.
    2. Spezifizieren Sie Alters-, Perioden- und Kohorteneffekte als strukturierte Zufallseffekte, wobei sekundäre Random-Walk-Priors verwendet werden, um benachbarte Altersgruppen, Kalenderperioden und Geburtskohorten zu glätten.
    3. Erstellen Sie posteriore Schätzungen altersspezifischer Raten und berechnen Sie dann die projizierten ASMR- und ASDR-Werte anhand der GBD-Standardpopulation von 2021.
    4. Bewerten Sie den Modellpass, indem Sie angepasste Schätzungen mit den beobachteten Schätzungen im historischen Zeitraum vergleichen.
    5. Führen Sie interne Validierung durch, indem Sie die zuletzt beobachteten Jahre zurückhalten, das Modell neu anpassen und vorhergesagte Schätzungen mit beobachteten Werten vergleichen.
  3. Erstelle zukünftige Prognosen.
    1. Vorhersage altersstandardisierte Sterblichkeitsraten und altersstandardisierte DALY-Raten für Neoplasien, die auf geringe körperliche Aktivität von 2022 bis 2045 zurückzuführen sind.
    2. Extrahiere posteriore Mittelwerte und entsprechende 95%-Unsicherheitsintervalle für alle projizierten Ergebnisse. Bewerten Sie die Projektionsunsicherheit mit posteriorenen 95%-Unsicherheitsintervallen und interpretieren Sie Schätzungen, die weiter vom beobachteten Zeitraum entfernt sind, mit zunehmender Vorsicht.
    3. Exportieren Sie Projektionsergebnisse für Visualisierung und Berichterstattung.

8. Statistische Analyse

  1. Führen Sie allgemeine statistische Analysen durch.
    1. Importiere alle bereinigten Datensätze in die R-Software (Version 4.4.2).
    2. Verwenden Sie die R-Software, um alle statistischen Analysen durchzuführen und Zahlen sowie Tabellen zu erstellen.
    3. Setzen Sie die statistische Signifikanz für alle Analysen auf einen beidseitigen p-Wert von weniger als 0,05.
  2. Führen Sie spezialisierte GBD-Analysen durch.
    1. Importiere GBD-formatierte Datensätze in JD_GBDR Software (Version 2.37.1).
    2. Verwenden Sie die JD_GBDR-Software, um Krankheitslastberechnungen, Dekompositionsanalysen und standardisierte Ratenvisualisierungen gemäß GBD-Analysekonventionen durchzuführen.
  3. Führen Sie eine Joinpoint-Regressionsanalyse durch.
    1. Laden Sie das Joinpoint-Regressionsprogramm (Version 5.3.0) von der Website des National Cancer Institute herunter und installieren Sie es (https://surveillance.cancer.gov/joinpoint/download).
    2. Importiere altersstandardisierte Sterblichkeitsraten und altersstandardisierte DALYs-Datensätze in die Joinpoint-Software.
    3. Wählen Sie ein log-lineares Regressionsmodell und führen Sie eine Joinpoint-Regressionsanalyse durch, um zeitliche Trends nach der Methodik des Joinpoint-Regressionsprogramms zu bewerten.
    4. Schätzungen des Exporttrends, einschließlich jährlicher prozentualer und durchschnittlicher jährlicher prozentualer Änderung, mit entsprechenden 95%-Konfidenzintervallen.
      HINWEIS: Alle Analysen wurden mit R-Softwareversion 4.4.2, Joinpoint Regression Program Version 5.3.0 und JD_GBDR Softwareversion 2.37.1 durchgeführt. Die wichtigsten analytischen Bereiche umfassten log-lineare EAPC-Modelle, Joinpoint-Regression mit 0–6 Joinpoints, ausgewählt durch das datengetriebene Bayessche Informationskriterium, Zerlegung in Komponenten Alterung, Populationswachstum und epidemiologische Veränderungen, gewichtete Regression für SII, Bootstrap-Resampling oder posteriore Draws für CII-Unsicherheit sowie Bayessche Altersperioden-Kohortenprojektion bis 2045.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Eine erfolgreiche Umsetzung dieses Protokolls sollte eine vollständige Sammlung harmonisierter, GBD-abgeleiteter Schätzungen über vordefinierte Orte, Jahre, Geschlechter, Altersgruppen, Messgrößen und Kennzahlen liefern. Die erwarteten Ergebnisse umfassen altersstandardisierte und altersspezifische Lastschätzungen mit 95%-Unsicherheitsintervallen, EAPC- und Joinpoint-Trendschätzungen, Dekompositionskomponenten, SII- und CII-Ungleichheitsmetriken sowie BAPC-basierte Projektionen mit poste...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese GBD-Analyse von 2021 zeigt zwei gegensätzliche Muster bei der niedrigen körperlich aktivitätsbedingten Tumorbelastung. Während ASMR und ASDR für auf LPA zurückzuführene Neoplasien von 1990 bis 2021 signifikant zurückgingen (ΔASMR = -19,72 %; ΔASDR = -18,51 %), stiegen absolute Todesfälle und DALYs um 95,73 % bzw. 84,79 %. Der Anstieg der absoluten Belastung trotz sinkender altersstandardisierter Raten wurde hauptsächlich durch Bevölkerungswachstum und Alterung erklärt. Abnehmende A...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben nichts offenzulegen.

Danksagungen

Wir würdigen die Mitarbeiter der Global Burden of Disease Study (GBD 2021) für ihre Beiträge zu Neoplasien, die auf die LPA-Epidemiologie zurückzuführen sind, ermöglicht durch die Open-Access-Daten des Institute for Health Metrics and Evaluation (IHME). Diese Arbeit wurde von Jingding Medical Tech unterstützt (die JD_GBDR Softwareautorisierung und zentrale Datenverarbeitung bereitstellte) sowie Sprachbearbeitungsdienste von Home for Researchers (www.home-for-researchers.com). Diese Arbeit wurde vom Wissenschafts- und Technologieentwicklungsprogramm der Provinz Jiangsu Provinz (QN202513) sowie vom Internal Research Fund Project des Zweiten angeschlossenen Krankenhauses der Nanjing-Universität für Chinesische Medizin (SEZRC202504, SEZJY202505) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

```html
Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Bayesian Age-Period-Cohort (BAPC) R PackageR Foundation / CRAN Repository https://cran.r-project.org/Verwendet für Bayes'sche Age-Period-Cohort-Projektionsanalysen. 
CSV Data FilesInstitute for Health Metrics and Evaluation (IHME)N/AExportierte Belastungsdatensätze aus dem GBD 2021 Results Tool für die weiterführende Analyse.
dplyr R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=dplyrVerwendet für Datenmanipulation und -bereinigung in R.
GBD 2021 Data Input Sources ToolInstitute for Health Metrics and Evaluation (IHME)https://ghdx.healthdata.org/gbd-2021Öffentliches Repository für GBD-Quelldokumentation.
ggplot2 R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=ggplot2Verwendet für die grafische Visualisierung temporaler Trends und Ungleichheitsanalysen. 
Global Burden of Disease (GBD) 2021 Results ToolInstitute for Health Metrics and Evaluation (IHME)https://vizhub.healthdata.org/gbd-results/Öffentliche Datenbank, die zur Extraktion von Todesfällen, DALYs, ASMR und ASDR Daten verwendet wird. 
INLA R PackageR-INLA Projecthttps://www.r-inla.org/Verwendet für Bayes'sche Inferenz innerhalb des Age-Period-Cohort-Modells. 
JD_GBDR Software Jingding Medical Technology Co., Ltd.Version 2.37.1Verwendet für GBD-Belastungsschätzung, Dekompositionsanalyse und standardisierte Ratenvisualisierung.
Joinpoint Regression Program (Version 5.3.0)National Cancer Institute (NCI)https://surveillance.cancer.gov/joinpoint/downloadVerwendet für Joinpoint-Regressionsanalyse, APC und AAPC-Schätzung. 
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/excelVerwendet für die Organisation und Bereinigung extrahierter CSV-Datensätze vor der Analyse. 
Personal Computer WorkstationJede Standard-Computer-WorkstationN/AEmpfohlenes Minimum: 8 GB RAM, Windows 10/11 oder macOS für statistische Analysen und Projektionen.
R Statistical Software (Version 4.4.2)R Foundation for Statistical Computinghttps://www.r-project.org/Verwendet für statistische Analyse, EAPC-Berechnung, Ungleichheitsanalyse, Visualisierung und Bayes'sches Age-Period-Cohort-Modell. 
RStudio DesktopPosit Software, PBChttps://posit.co/download/rstudio-desktop/Integrierte Entwicklungsumgebung für R-Analysen.  
```

Referenzen

  1. Bray, F., et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 74 (3), 229-263 (2024).
  2. Liang, M., Pan, Y., Zhong, T., Zeng, Y., Cheng, A. S. K. Effects of aerobic, resistance, and combined exercise on metabolic syndrome parameters and cardiovascular risk factors: a systematic review and network meta-analysis. Rev Cardiovasc Med. 22 (4), 1523-1533 (2021).
  3. Man, J., et al. Spatiotemporal trends of colorectal cancer mortality due to low physical activity and high body mass index from 1990 to 2019. Front Med. 8, 800426(2021).
  4. Saqib, Z. A., et al. Physical activity is a medicine for noncommunicable diseases: a survey study regarding the perception of physical activity impact on health wellbeing. Risk Manag Healthc Policy. 13, 2949-2962 (2020).
  5. GBD 2021 Risk Factors Collaborators. Global burden and strength of evidence for 88 risk factors in 204 countries and 811 subnational locations, 1990-2021. Lancet. 403 (10440), 2162-2203 (2024).
  6. Strain, T., et al. National, regional, and global trends in insufficient physical activity among adults from 2000 to 2022. Lancet Glob Health. 12 (8), e1232-e1243 (2024).
  7. Moore, S. C., et al. Association of leisure-time physical activity with risk of 26 types of cancer. JAMA Intern Med. 176 (6), 816-825 (2016).
  8. Guthold, R., Stevens, G. A., Riley, L. M., Bull, F. C. Worldwide trends in insufficient physical activity from 2001 to 2016. Lancet Glob Health. 6 (10), e1077-e1086 (2018).
  9. Sustainable Development Goals. , United Nations Development Programme. Available from: https://www.undp.org/sustainable-development-goals (2022).
  10. GBD 2021 Causes of Death Collaborators. Global burden of 288 causes of death and life expectancy decomposition, 1990–2021. Lancet. 403 (10440), 2100-2132 (2024).
  11. Martincorena, I., Campbell, P. J. Somatic mutation in cancer and normal cells. Science. 349 (6255), 1483-1489 (2015).
  12. Jetté, M., Sidney, K., Blümchen, G. Metabolic equivalents (METS) in exercise testing and prescription. Clin Cardiol. 13 (8), 555-565 (1990).
  13. Zhang, J., et al. Global burden of cardiovascular diseases and type 2 diabetes attributable to low physical activity. Front Cardiovasc Med. 10, 1247705(2023).
  14. GBD 2015 Healthcare Access and Quality Collaborators. Healthcare access and quality index based on mortality from amenable causes. Lancet. 390 (10091), 231-266 (2017).
  15. GBD 2019 Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries, 1990–2019. Lancet. 396 (10258), 1204-1222 (2020).
  16. Zhao, G., et al. Global burden of osteoarthritis associated with high body mass index. Endocrine. 79 (1), 60-71 (2023).
  17. Tuo, Y., et al. Global, regional, and national burden of thalassemia, 1990–2021. EClinicalMedicine. 72, 102619(2024).
  18. Liu, C., et al. Global burden of liver cancer due to non-alcoholic steatohepatitis. J Gastroenterol. 58 (12), 1222-1236 (2023).
  19. Cao, F., et al. Global burden and cross-country inequalities in autoimmune diseases. Autoimmun Rev. 22 (6), 103326(2023).
  20. Chen, J., et al. Global burden of noncommunicable diseases attributable to kidney dysfunction. Chin Med J (Engl). 138 (11), 1334-1344 (2024).
  21. Wu, Z., Xia, F., Lin, R. Global burden of cancer and associated risk factors in 204 countries and territories, 1980–2021. J Hematol Oncol. 17 (1), 119(2024).
  22. Hurvitz, S. A., et al. Trastuzumab deruxtecan versus trastuzumab emtansine in HER2-positive metastatic breast cancer. Lancet. 401 (10371), 105-117 (2023).
  23. Basu, P., et al. Status of implementation and organization of cancer screening in the European Union Member States. Int J Cancer. 142 (1), 44-56 (2018).
  24. An, L., et al. Trends of robotic-assisted surgery for thyroid, colorectal, stomach and hepatopancreaticobiliary cancer. Asian J Surg. 44 (1), 199-205 (2021).
  25. Seong, M., Kim, Y., Park, S., Kim, H., Kwon, O. Association between diet quality and cardiorespiratory fitness in Korean adults. Nutrients. 12 (11), 3226(2020).
  26. World Health Organization. WHO Guidelines on Physical Activity and Sedentary Behaviour. , World Health Organization. Geneva. (2020).
  27. World Health Organization. Noncommunicable Diseases Progress Monitor 2022. , World Health Organization. Geneva. (2022).
  28. Nunez, C., Bauman, A., Egger, S., Sitas, F., Nair-Shalliker, V. Obesity, physical activity and cancer risks. Cancer Epidemiol. 47, 56-63 (2017).
  29. Abdel-Wahab, M., et al. Status of radiotherapy resources in Africa. Lancet Oncol. 14 (4), e168-e175 (2013).
  30. Sallis, J. F., et al. Progress in physical activity over the Olympic quadrennium. Lancet. 388 (10051), 1325-1336 (2016).
  31. Popkin, B. M., Adair, L. S., Ng, S. W. Global nutrition transition and the pandemic of obesity. Nutr Rev. 70 (1), 3-21 (2012).
  32. Porcherie, M., et al. Relationship between urban green spaces and cancer. Int J Environ Res Public Health. 18 (4), 1751(2021).
  33. Rushton, L. Health impact of environmental tobacco smoke in the home. Rev Environ Health. 19 (3-4), 291-310 (2021).
  34. Li, Y., et al. Global burden of female breast cancer: age–period–cohort analysis. Front Oncol. 12, 891824(2022).
  35. Nelson, S. H., et al. Impact of very low physical activity, BMI, and comorbidities on mortality among breast cancer survivors. Breast Cancer Res Treat. 155 (3), 551-557 (2016).
  36. Wu, Y., Zhang, D., Kang, S. Physical activity and risk of breast cancer: a meta-analysis. Breast Cancer Res Treat. 137 (3), 869-882 (2013).
  37. de Boer, M. C., Wörner, E. A., Verlaan, D., van Leeuwen, P. A. M. Mechanisms and effects of physical activity on breast cancer. Clin Breast Cancer. 17 (4), 272-278 (2017).
  38. Abbasi, I. N. Socio-cultural barriers to attaining recommended physical activity among females. Quest. 66 (4), 448-467 (2014).
  39. Giovannucci, E. Molecular biologic and epidemiologic insights for preventability of colorectal cancer. J Natl Cancer Inst. 114 (5), 645-650 (2022).
  40. la Torre, A., Lo Vecchio, F., Greco, A. Epigenetic mechanisms of aging and aging-associated diseases. Cells. 12 (8), 1163(2023).
  41. Courties, A., Kouki, I., Soliman, N., Mathieu, S., Sellam, J. Osteoarthritis year in review 2024. Osteoarthritis Cartilage. 32 (11), 1397-1404 (2024).
  42. Cruz-Jentoft, A. J., et al. Sarcopenia: revised European consensus on definition and diagnosis. Age Ageing. 48 (4), 601(2019).
  43. Bray, F., Jemal, A., Grey, N., Ferlay, J., Forman, D. Global cancer transitions according to the Human Development Index. Lancet Oncol. 13 (8), 790-801 (2012).
  44. Gautam, S., BNK,, Akashanand,, Roy, A., Banandur, P. S., et al. Assessment of resources for physical activity in an Indian city. BMC Public Health. 23 (1), 1969(2023).
  45. Global Burden of Disease Health Financing Collaborator Network. Past, present, and future of global health financing, 1995–2050. Lancet. 393 (10187), 2233-2260 (2019).
  46. Friedenreich, C. M., Neilson, H. K., Farris, M. S., Courneya, K. S. Physical activity and cancer outcomes. Clin Cancer Res. 22 (19), 4766-4775 (2016).
  47. Gaitonde, R., San Sebastian, M., Muraleedharan, V. R., Hurtig, A. K. Community action for health in India's National Rural Health Mission. Soc Sci Med. 188, 82-90 (2017).
  48. Gabarron, E., Larbi, D., Rivera-Romero, O., Denecke, K. Human factors in AI-driven digital solutions for increasing physical activity. JMIR Hum Factors. 11, e55964(2024).
  49. GBD 2019 Risk Factors Collaborators. Global burden of 87 risk factors, 1990–2019. Lancet. 396 (10258), 1223-1249 (2020).
  50. Moradi, T., et al. Breast cancer risk and lifetime physical activity. Cancer Causes Control. 11 (6), 523-531 (2000).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Schlagwörter

MedizinAusgabe 234Ausgabe 234Leerer WertAusgabeglobale Krankheitslastsozio demografischer Indexgesundheitliche Ungleichheit
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.