Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Un flux de travail analytique basé sur GBD 2021 pour estimer la charge globale des néoplasies attribuable à une faible activité physique

90 vues

⸱

DOI :

10.3791/70495

⸱

7 août 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

Dans cet article

Résumé

Ce protocole démontre un flux de travail reproductible pour extraire, traiter, analyser et visualiser les estimations GBD 2021 des néoplases attribuables à une faible activité physique. Ce flux de travail permet aux chercheurs d’évaluer les indicateurs de fardeau, les tendances temporelles, les composantes de décomposition, les inégalités socioéconomiques et les projections basées sur des modèles à l’aide de données standardisées au niveau de la population.

Résumé

Ce protocole décrit un flux de travail analytique reproductible pour estimer la charge globale des néoplasies attribuable à une faible activité physique à l’aide des données de la charge mondiale de la maladie 2021. Le flux de travail comprend l’extraction de données à partir de l’outil de résultats GBD, la définition des critères éligibles et des catégories d’exposition, l’estimation des décès, les années de vie ajustées en fonction du handicap et les taux standardisés par âge, une analyse des tendances temporelles utilisant le changement annuel estimé en pourcentage et la régression du point de jonction, une analyse de décomposition, une évaluation des inégalités socioéconomiques et une projection bayésienne par période d’âge et cohorte. Le protocole décrit également comment interpréter les intervalles d’incertitude, les composantes de décomposition et les métriques d’inégalité dans le contexte d’estimations modélisées au niveau de la population. À titre d’application représentative, le flux de travail a été appliqué au cancer colorectal et au cancer du sein féminin attribuable à une faible activité physique dans 204 pays et territoires de 1990 à 2021, avec des projections jusqu’en 2045. Ce protocole peut être adapté à d’autres paires risque-résultat GBD lorsque les chercheurs ont besoin d’une approche structurée pour l’estimation de la charge attribuable au risque, la caractérisation des tendances, l’évaluation des inégalités et l’analyse de projections.

Introduction

Les néoplasies représentent une catégorie importante de maladies non transmissibles (MDN) contribuant à la mortalité et au handicap mondiaux, posant un défi crucial pour la santé publique à l’échelle mondiale. Les données de Globocan 2022 ont révélé 19,96 millions de nouveaux cas de néoplasie et 9,74 millions de décès dans le monde, les cancers du poumon, du sein (féminin) et colorectaux constituant les cancers prédominants. L’incidence du cancer devrait atteindre 35 millions par an d’ici 2050 (augmentation de 77 % par rapport à 2022), les pays affichant de faibles scores sur l’Indice de développement humain (IDH) étant projetés pour une hausse de 142 %, portée par les transitions démographiques. L’expansion démographique, le vieillissement de la population, les systèmes de dépistage déficients et l’accès limité aux traitements dans les régions à faible IDH alimentent ces tendances, créant un impératif pour une répartition équitable des ressources oncologiquesmondiales 1.

Une faible activité physique (LPA) est un déterminant modifié établi pour les MNT majeures, couvrant les cancers, les troubles métaboliques et les troubles neuropsychiatriques 2,3,4. L’APL constitue un fardeau sanitaire mondial important, affichant une augmentation de 6,6 % de la prévalence standardisée par âge depuis 2000 et contribuant à 7,2 % de la mortalité mondiale toutes causes confondues en 2022(5,6). Une activité physique modérée (AP) confère une protection significative contre les cancers du sein (HR 0,90 ; IC 95 % : 0,87–0,93), du côlon (HR 0,84 ; IC 95 % : 0,77–0,91) et du rectum (HR 0,87 ; IC 95 % : 0,80–0,95), avec des réductions parallèles de la mortalité spécifiqueau site 7. Pour promouvoir l’AP essentielle dans le monde, de nombreux pays et régions ont élaboré des lignes directrices nationales sur l’AP adaptées à leurs contextes spécifiques (par exemple, le Canada, le Royaume-Uni et les États-Unis), largement diffusées par des organisations telles que l’Organisation mondiale de la santé (OMS) et l’Union européenne. Malheureusement, seuls 72,5 % des adultes dans le monde atteignent les niveaux minimaux recommandés de PA définis dans les recommandations de santépublique 8.

Atténuer la faible charge néoplasmique attribuable à l’activité physique est essentielle pour atteindre l’objectif de développement durable (ODD) 2030 des Nations Unies : réduction d’un tiers de la mortalité prématurée des MNT par prévention et soins9. Produire des preuves solides pour élucider la relation entre l’APL et les néoplasies est essentiel pour orienter les futures politiques de santé. L’Étude mondiale sur la charge des maladies, des blessures et des facteurs de risque 2021 (GBD 2021) fournit des estimations comparables au niveau de la population de la mortalité, des années de vie ajustées au handicap (DALY) et du fardeau attribuable au risque dans 204 pays et territoires de 1990 à 2021, en utilisant des approches épidémiologiques standardisées. Dans GBD 2021, les estimations des maladies et blessures couvrent 371 maladies et blessures, tandis que l’analyse des facteurs de risque estime l’exposition, le risque relatif, les fractions attribuables à la population et la charge attribuable pour 88 facteursde risque 10. Cependant, moins d’études ont permis un flux de travail progressif et reproductible pour extraire les données de néoplasmie attribuables à faible activité physique GBD 2021 et appliquer des analyses de tendance, de décomposition, d’inégalités et de projection au sein d’un seul protocole. Ce manuscrit comble cette lacune méthodologique en détaillant les procédures d’extraction des données, de définition des variables, de modélisation statistique et d’interprétation pour cette paire risque-résultat spécifique GBD. Ce protocole décrit une analyse secondaire reproductible des estimations GBD 2021 pour les néoplasies attribuables à une faible activité physique dans 204 pays et territoires de 1990 à 2021, avec des projections jusqu’en 2045. Les objectifs étaient de quantifier les décès, les ADAY, les taux standardisés par âge, les tendances temporelles, les composantes de décomposition, les inégalités socioéconomiques et la charge projetée, sans inférer des effets de causalité individuelle ou d’intervention directe.

Ce flux de travail a été choisi car il intègre plusieurs composantes analytiques complémentaires dans un cadre reproductible unique. Comparé aux études qui ne rapportent que des estimations descriptives du GBD ou des métriques de tendance uniques, ce protocole combine l’estimation de la charge de charge, l’EAPC, la régression du point de jonction, l’analyse de décomposition, l’évaluation des inégalités et la projection BAPC, permettant aux utilisateurs d’examiner non seulement l’ampleur de la charge mais aussi les changements temporels, les moteurs démographiques, les gradients socioéconomiques et les tendances futures. Le protocole est applicable aux chercheurs menant des analyses secondaires d’estimations attribuables au risque des GBD, en particulier lorsque l’objectif est de comparer les schémas de charge selon le temps, le sexe, les groupes d’âge, les pays, les régions ou les catégories SDI.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Cette étude utilisait des estimations publiques et désidentifiées du GBD au niveau de la population 2021. Aucune donnée individuelle de participants humains n’a été consultée. L’étude GBD 2021 a reçu une dérogation au consentement éclairé du Conseil d’examen institutionnel de l’Université de Washington ; par conséquent, aucune approbation éthique institutionnelle supplémentaire n’était requise pour cette analyse secondaire.

REMARQUE : Ce protocole décrit un flux de travail reproductible pour réaliser une analyse secondaire des estimations GBD 2021 pour lesnéoplasmes 11 attribuables à une faible activité physique. Le flux de travail comprend l’extraction de données, la définition des variables, l’estimation de la charge de charge, l’analyse des tendances temporelles, l’analyse de décomposition, l’évaluation des inégalités et la projection bayésienne-période-cohorte. Les résultats sont présentés pour illustrer l’application du protocole plutôt que pour établir une relation causale primaire. Le flux de travail analytique comprenait six étapes séquentielles : extraction des estimations GBD 2021, définition de l’exposition, issues de la maladie et strates SDI, estimation des décès, DALY, taux de mortalité standardisé par âge (ASMR) et taux DALYs standardisé par âge (ASDR), analyse des tendances temporelles utilisant l’évolution annuelle estimée (EAPC) et les analyses de régression des points de jonction, décomposition et inégalités, ainsi que projection bayésienne par période d’âge et cohorte jusqu’en 2045. Chaque résultat et chaque figure a été généré à partir de l’une de ces étapes analytiques liées.

1. Identification et accès aux sources de données

  1. Accédez à l’outil de résultats Global Burden of Disease (GBD) 2021.
    1. Ouvrez un navigateur web et accédez à l’outil Global Burden of Disease Results à https://vizhub.healthdata.org/gbd-results/.
    2. Sélectionnez GBD 2021 comme version d’étude parmi les options de jeu de données disponibles.
    3. Sélectionnez Facteurs de risque dans le menu de la hiérarchie des causes.
  2. Définir les issues de la maladie et les facteurs de risque.
    1. Sélectionnez les néoplasies comme catégorie de maladie.
    2. Sélectionnez une faible activité physique comme facteur de risque.
    3. Sélectionnez les décès, et les années de vie ajustées en fonction de l’invalidité (DALY) comme mesures de résultat.
  3. Spécifiez la population, la géographie et la période.
    1. Sélectionnez séparément les deux sexes, Homme et Femelle , pour des analyses spécifiques au sexe.
    2. Sélectionnez tous les groupes d’âge disponibles ≥25 ans.
    3. Sélectionnez les 204 pays et territoires.
    4. Situez la période d’analyse de 1990 à 2021.
  4. Extraire les mesures de résultats standardisées par âge.
    1. Activez la standardisation par âge en utilisant la population standard GBD 2021.
    2. Sélectionnez le taux de mortalité standardisé par âge (ASMR) et le taux DALYs standardisé selon l’âge (ASDR) comme variables de sortie.
    3. Inclure des intervalles d’incertitude (UI) de 95 % pour toutes les estimations extraites.
    4. Exportez les données extraites au format CSV pour une analyse en aval.
    5. Pour la reproductibilité, utilisez les sélections suivantes de l’outil de résultats GBD : version de l’étude : GBD 2021 ; Contexte : Facteurs de risque ; Risque : Faible activité physique ; cause : Néoplasies ; mesures : décès et DALYs ; métriques : nombre et taux ; âges : Âges standardisés et tous les groupes d’âge disponibles de 5 ans âgés de ≥ 25 ans ; sexes : Homme, et Femme ; emplacements : Global, 21 régions GBD, régions SDI, et 204 pays et territoires ; Années : 1990–2021.
    6. Exportez l’estimation moyenne, l’intervalle d’incertitude inférieur et l’intervalle d’incertitude supérieur pour chaque strate au format CSV.
  5. Obtenir des données stratifiées par indice sociodémographique (IDS).
    1. Permettre la stratification par indice sociodémographique (SDI).
    2. Extraire les données ASMR et ASDR spécifiques à l’IDS pour des analyses comparatives.
  6. Accédez aux sources de données sous-jacentes.
    1. Consultez l’outil de sources d’entrée de données GBD 2021 à https://ghdx.healthdata.org/gbd-2021.
    2. Examinez la documentation accessible au public décrivant les sources de données primaires, y compris les systèmes d’enregistrement civil, les enquêtes de population, les dossiers médicaux et les registres de maladies.

2. Définition des variables clés et des critères de classification

  1. Définissez les néoplases.
    1. Définissez les néoplases comme des tumeurs malignes selon la hiérarchie des causes du Global Burden of Disease (GBD) 2021.
    2. Inclure uniquement les néoplasies malignes caractérisées par une prolifération cellulaire incontrôlée résultant d’une dysrégulation génétique et épigénétique.
    3. Excluez les néoplasies bénignes de toutes les analyses.
  2. Définissez une faible activité physique.
    1. Définir l’intensité de l’activité physique à l’aide des valeurs métaboliques équivalentes de la tâche (MET), où 1 MET équivaut à une consommation d’oxygène de 3,5 mL O₂/kg/min au repos.
    2. Calculez les niveaux d’activité physique hebdomadaires en utilisant le total des minutes MET par semaine.
    3. Classez les niveaux d’activité physique en quatrecatégories 12,13 :
      Moins de 600 minutes MET-par semaine.
      600 à 3 999 minutes MET-minutes par semaine.
      4 000 à 7 999 minutes MET-minutes par semaine.
      8 000 minutes MET ou plus par semaine.
    4. Définir une faible activité physique comme inférieure à 4 000 minutes MET par semaine, conformément à la méthodologie d’attribution des risques GBD 2021.
      REMARQUE : Ce seuil a été adopté à partir de la définition d’attribution du risque GBD 2021 et n’a pas été sélectionné de novo dans la présente étude. Il a été utilisé pour maintenir la cohérence avec le cadre d’évaluation comparative des risques du GBD et la comparabilité avec d’autres estimations basées sur le GBD.
  3. Définissez SDI.
    1. Définissons l’IDS comme un indicateur composite allant de 0 à 1.
    2. Calculez l’IDS à l’aide de la moyenne géométrique du revenu standardisé par habitant, de la scolarité et du taux de fécondité chez les personnes de moins de 25 ans.
    3. Classer les pays et régions en cinq catégoriesd’IDS : 14 : Bas, Bas-Moyen, Moyen, Haut-Moyen et Haut.
    4. Attribuer des pays à l’une des 21 régions GBD en fonction de la stratification SDI.
  4. Définissez les néoplasies attribuables à une faible activité physique.
    1. Identifier les néoplasies attribuables à une faible activité physique à l’aide du cadre d’évaluation comparative des risques GBD 2021.
      1. Dans ce cadre, opérationnalisez la faible charge attribuable à l’activité physique en combinant les distributions d’exposition, les risques relatifs risque-résultats et le niveau minimal théorique d’exposition au risque pour estimer les fractions attribuables à la population. Ensuite, appliquez cela aux décès et aux AVI pour les résultats éligibles aux néoplasies.
    2. Inclure le cancer colorectal et le cancer du sein féminin comme résultats de néoplasie attribuables à une faible exposition à l’activité physique.
      REMARQUE : Ainsi, dans cette étude, les néoplasies attribuables à une faible activité physique ne concernent que le cancer colorectal et le cancer du sein féminin tels que définis dans le cadre d’évaluation comparative du risque GBD 2021, et non toutes les tumeurs malignes.

3. Estimation de la charge globale des néoplasies attribuable à une faible activité physique.

  1. Extraire les indicateurs de charge de la maladie.
    1. Données sur les décès importés et les années de vie ajustées par handicap (DALY) pour les néoplasies attribuables à une faible activité physique, issues de l’outil de résultats Global Burden of Disease (GBD) 2021, suivant le cadre standard d’évaluation comparative des risques du GBD.
    2. Extraire les taux de mortalité standardisés par âge (ASMR) et les taux DALYs standardisés par âge (ASDR) pour 100 000 habitants en utilisant la population standard GBD 2021.
    3. Conserver les intervalles d’incertitude correspondants de 95 % pour toutes les estimations extraites, telles que fournies par la méthodologie GBD 2021.
  2. Calculez les années de vie ajustées en fonction du handicap.
    1. Définissez les années de vie ajustées par handicap (DALY) comme la somme des années de vie perdues (YLL) et des années vécues avec invalidité (YLD), en suivant les définitions standard des GBD.
    2. Calculez les YLL en multipliant la mortalité spécifique à l’âge par l’espérance de vie de référence spécifiée dans le tableau de vie GBD 2021.
    3. Calculez les YLD en multipliant les cas incidents par les pondérations d’invalidité spécifiques à la maladie et la durée de la maladie, comme décrit dans la méthodologie GBD.
    4. Vérifiez que les valeurs DALY calculées correspondent aux estimations rapportées par GBD 2021.

4. Analyse des tendances temporelles

  1. Estimation du pourcentageannuel 15,16.
    1. Importez les données ASMR et ASDR dans le logiciel R (version 4.4.2).
    2. Appliquez la transformation logarithmique naturelle aux taux standardisés par âge.
    3. Ajustez les modèles de régression linéaire avec l’année civile comme variable indépendante pour évaluer les tendances temporelles, en suivant les méthodes établies d’analyse des tendances épidémiologiques.
    4. Calculez le changement annuel estimé en pourcentage (EAPC) à partir de la pente de régression en utilisant la transformation exponentielle standard.
    5. Classez les tendances comme augmentatrices, décroissantes ou stables en fonction du fait que l’intervalle de confiance à 95 % de l’EAPC soit au-dessus, en dessous ou incluant zéro.
  2. Effectuer une analyse de régression par point de jonction.
    1. Ouvrir le programme de régression Joinpoint (version 5.3.0 ; Institut national du cancer).
    2. Importez les jeux de données ASMR et ASDR dans le logiciel.
    3. Sélectionnez un modèle de régression log-linéaire pour l’analyse des tendances, conforme aux directives méthodologiques deJoinpoint 17.
    4. Spécifiez un minimum de 0 et un maximum de 6 points de jonction.
    5. Sélectionnez la méthode du critère d’information bayésienne (BIC) basée sur les données avec optimisation BIC pondérée pour déterminer les points de jonction optimaux.
      1. Sélectionnez le maximum de six points de jonction selon la durée de la série temporelle annuelle de 1990 à 2021 et les recommandations par défaut du programme de régression des points de jonction.
      2. Déterminez le nombre final de points de jonction à l’aide du BIC piloté par les données.
    6. Effectuez l’analyse pour calculer la variation annuelle en pourcentage (APC) et la variation moyenne annuelle en pourcentage (AAPC) avec des intervalles de confiance de 95 %. Pour les strates avec des données rares ou des estimations annuelles instables, les APC spécifiques à chaque segment ont été interprétés avec prudence et n’ont pas été mis en avant à moins que la tendance ajustée ne soit soutenue par des intervalles d’incertitude correspondants et soit épidémiologiquement plausible.
    7. Exportez les résultats des APC et AAPC pour une analyse en aval.
      REMARQUE : EAPC et la régression des points de jonction ont été utilisées à des fins différentes. L’EAPC a fourni une estimation sommaire unique de la tendance log-linéaire moyenne entre 1990 et 2021, tandis que la régression par point de jonction a identifié les périodes calendaires au cours desquelles le taux de variation a évolué et a estimé les CPA spécifiques à chaque segment. Par conséquent, EAPC a été utilisé pour la comparaison globale entre les strates, tandis que la régression des points de jonction a été utilisée pour décrire les schémas d’inflexion temporelle.

5. Analyse de la décomposition

  1. Préparez les entrées de décomposition.
    1. Stratifier les données sur la mortalité et les ADA par groupe d’âge, année civile et région géographique.
    2. Importez des jeux de données stratifiés dans JD_GBDR logiciel (version 2.37.1).
  2. Effectuer une analyse de décomposition.
    1. Décomposer les variations de mortalité et d’ADLY entre certains moments en vieillissement, croissance démographique et changements épidémiologiques en utilisant des méthodes de décompositionétablies 18.
    2. Quantifier la contribution de chaque composant aux changements globaux de la charge de la maladie.
      1. Interprétez les contributions en pourcentage comme la contribution proportionnelle du vieillissement, de la croissance démographique et du changement épidémiologique à la variation nette des décès ou DALY entre deux moments temporels.
      2. Des valeurs dépassant 100 % ou des valeurs négatives peuvent survenir lorsqu’un composant augmente la charge tandis qu’un autre la compense ; interpréter ces valeurs comme des effets de décomposition mathématiques plutôt que comme des effets biologiques directs.
    3. Résultats de décomposition des exportations pour les analyses globales, au niveau SDI et régionales GBD.

6. Analyse des inégalités en santé

  1. Préparez les données pour l’évaluation des inégalités.
    1. Classez tous les pays et territoires selon leurs valeurs de SDI, du plus bas au plus élevé.
    2. Importez ASMR et ASDR dans le logiciel R (version 4.4.2).
  2. Calculez l’indice de pente de l’inégalité.
    1. Attribuer un rang socio-économique relatif à chaque pays en fonction de la répartition cumulative de la population à travers les strates de l’IDS.
    2. Ajustez un modèle de régression linéaire pondérée avec ASMR ou ASDR comme variable dépendante et le rang SDI relatif comme variable indépendante.
    3. Calculer l’indice de pente d’inégalité (SII) comme la différence absolue de charge de la maladie entre les extrémités les plus élevées et les plus basses du gradient SDI, en suivant la méthodologie établie d’analyse des inégalités.
  3. Calculez l’indice de concentration.
    1. Construisez des courbes de concentration en traçant les proportions cumulatives de l’ASMR ou de l’ASDR par rapport aux proportions cumulées de la population classées par IDS.
    2. Calculez l’indice de concentration (CII) comme étant deux fois la surface entre la courbe de concentration et la ligne d’égalité.
    3. Interpréter les valeurs CII proches de zéro comme une faible inégalité et les valeurs proches de −1 ou +1 comme une augmentation de l’inégalité relative, conformément aux méthodes standard de l’économie de la santé19.
  4. Estimez l’incertitude pour les métriques d’inégalité.
    1. Pour l’IBS, il faut obtenir des intervalles de confiance à 95 % à partir du modèle de régression pondéré en utilisant des pondérations de population au niveau des pays.
    2. Pour l’ICI, estimez des intervalles de confiance de 95 % en utilisant le rééchantillonnage bootstrap des pays et territoires avec remplacement.
    3. Lorsque des prélevés postérieurs sont disponibles, répétez les calculs SII et CII entre les tirages et indiquez les 2,5e et 97,5e percentiles comme intervalles d’incertitude.

7. Modélisation bayésienne-période-cohorte

  1. Préparez les données d’entrée pour la projection.
    1. Organiser les décès par âge, les DALY, et les données démographiques correspondantes par groupe d’âge de 5 ans et année civile de 1990 à 2021.
    2. Assurez-vous de la cohérence des définitions par groupes d’âge et des intervalles de temps sur toute la période d’observation.
  2. Appliquer le modèle bayésien-période-cohorte20.
    1. Importez les ensembles de données spécifiques à l’âge et à la population dans R en utilisant un cadre bayésien de modélisation des périodes d’âge et des cohortes.
    2. Spécifier les effets âge, période et cohorte comme des effets aléatoires structurés, avec des priors de marche aléatoire de second ordre utilisés pour lisser les groupes d’âge, les périodes calendaires et les cohortes de naissance adjacents.
    3. Générez des estimations postérieures des taux spécifiques à l’âge puis calculez les ASMR et ASDR projetés en utilisant la population standard GBD 2021.
    4. Évaluer l’ajustement du modèle en comparant les estimations ajustées avec celles observées durant la période historique.
    5. Effectuer une validation interne en retenant les années observées les plus récentes, en réajustant le modèle et en comparant les estimations prédites avec les valeurs observées.
  3. Générez des projections futures.
    1. Prévisions des taux de mortalité standardisés par âge et des taux DALYs standardisés par âge pour les néoplasies attribuables à une faible activité physique de 2022 à 2045.
    2. Extraire les estimations moyennes a posteriori et les intervalles d’incertitude correspondants à 95 % pour tous les résultats projetés. Évaluer l’incertitude de projection en utilisant des intervalles d’incertitude postérieurs à 95 %, et interpréter les estimations plus éloignées de la période observée avec une prudence croissante.
    3. Exportez les résultats de projection pour la visualisation et le rapport.

8. Analyse statistique

  1. Effectuer une analyse statistique générale.
    1. Importez tous les jeux de données nettoyés dans le logiciel R (version 4.4.2).
    2. Utilisez le logiciel R pour effectuer toutes les analyses statistiques et générer des chiffres et des tableaux.
    3. Fixez la signification statistique à une valeur p bilatérale inférieure à 0,05 pour toutes les analyses.
  2. Réaliser des analyses spécialisées des GBD.
    1. Importez des ensembles de données formatés GBD dans JD_GBDR logiciel (version 2.37.1).
    2. Utilisez le logiciel JD_GBDR pour effectuer des calculs de la charge des maladies, des analyses de décomposition et des visualisations standardisées des taux selon les conventions analytiques GBD.
  3. Effectuer une analyse de régression par point de jonction.
    1. Téléchargez et installez le programme de régression Joinpoint (version 5.3.0) depuis le site web du National Cancer Institute (https://surveillance.cancer.gov/joinpoint/download).
    2. Importez des ensembles de données de taux de mortalité standardisés par âge et DALYs standardisés selon l’âge dans le logiciel Joinpoint.
    3. Sélectionnez un modèle de régression log-linéaire et exécutez une analyse de régression par point de jonction pour évaluer les tendances temporelles, en suivant la méthodologie du programme de régression par points de jonction.
    4. Estimations de la tendance à l’exportation, incluant la variation annuelle et la variation moyenne annuelle en pourcentage, avec des intervalles de confiance correspondants à 95 %.
      REMARQUE : Toutes les analyses ont été réalisées avec la version 4.4.2 du logiciel R, la version 5.3.0 du programme de régression Joinpoint, et JD_GBDR version 2.37.1. Les principaux paramètres analytiques comprenaient les modèles EAPC log-linéaires, la régression des points de jonction avec 0 à 6 points de jonction sélectionnés par le critère d’information bayésien basé sur les données, la décomposition en composantes de vieillissement, de croissance démographique et de changement épidémiologique, la régression pondérée pour les SII, le rééchantillonnage bootstrap ou les tirages postérieurs pour l’incertitude CII, et la projection bayésienne-période-cohorte jusqu’en 2045.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

La mise en œuvre réussie de ce protocole devrait générer un ensemble complet d’estimations harmonisées dérivées du GBD sur des emplacements, années, sexes, groupes d’âge, mesures et indicateurs prédéfinis. Les résultats attendus incluent des estimations de charge standardisées par âge et spécifiques à l’âge avec intervalles d’incertitude à 95 %, des estimations EAPC et des tendances de jonction, des composantes de décomposition, des métriques d’inégalités SII et CII, ainsi que des projec...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette analyse GBD 2021 montre deux schémas contrastés dans la faible charge néoplasmique attribuable à l’activité physique. Alors que l’ASMR et l’ASDR pour les néoplasies attribuables à l’APL ont significativement diminué de 1990 à 2021 (ASMR = -19,72 % ; ΔASDR = -18,51 %), les décès absolus et les DALYs ont augmenté respectivement de 95,73 % et 84,79 %. L’augmentation de la charge absolue malgré la baisse des taux standardisés par l’âge s’explique principalement par la croissance démogr...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

Nous reconnaissons les collaborateurs de Global Burden of Disease Study (GBD 2021) pour leurs contributions aux néoplasies attribuables à l’épidémiologie de la LPA, facilitées par les données en libre accès de l’Institute for Health Metrics and Evaluation (IHME). Ce travail a reçu le soutien de Jingding Medical Tech (fournissant JD_GBDR l’autorisation logicielle et le traitement pivotal des données), avec des services de correction linguistique assurés par Home for Researchers (www.home-for-researchers.com). Ce travail a été soutenu par le Projet de Développement des Sciences et Technologies de la Médecine Traditionnelle Chinoise de la Province du Jiangsu (QN202513), ainsi que par le Projet de Fonds de Recherche Interne du Second Hôpital Affilié de l’Université de Médecine Chinoise de Nankin (SEZRC202504, SEZJY202505).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Bayesian Age-Period-Cohort (BAPC) R PackageR Foundation / CRAN Repository https://cran.r-project.org/Utilisé pour les analyses de projection bayésienne âge-période-cohorte. 
Fichiers de données CSVInstitute for Health Metrics and Evaluation (IHME)N/AJeux de données de fardeau exportés à partir de l'outil de résultats GBD 2021 pour l'analyse en aval.
Package R dplyrR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=dplyrUtilisé pour la manipulation et le nettoyage des données dans R.
Outil de sources de données d'entrée GBD 2021Institute for Health Metrics and Evaluation (IHME)https://ghdx.healthdata.org/gbd-2021Dépôt public pour la documentation des sources GBD.
Package R ggplot2R Foundation / CRAN Repositoryhttps://cran.r-project.org/package=ggplot2Utilisé pour la visualisation graphique des tendances temporelles et des analyses d'inégalité. 
Outil de résultats GBD 2021Institute for Health Metrics and Evaluation (IHME)https://vizhub.healthdata.org/gbd-results/Base de données publique utilisée pour l'extraction des données sur les décès, les DALY, l'ASMR et l'ASDR. 
Package R INLAR-INLA Projecthttps://www.r-inla.org/Utilisé pour l'inférence bayésienne dans la modélisation âge-période-cohorte. 
Logiciel JD_GBDR Jingding Medical Technology Co., Ltd.Version 2.37.1Utilisé pour l'estimation du fardeau GBD, l'analyse de décomposition et la visualisation des taux standardisés.
Programme de régression Joinpoint (Version 5.3.0)National Cancer Institute (NCI)https://surveillance.cancer.gov/joinpoint/downloadUtilisé pour l'analyse de régression Joinpoint, l'estimation APC et AAPC. 
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/excelUtilisé pour organiser et nettoyer les jeux de données CSV extraits avant l'analyse. 
Station de travail informatique personnelleToute station de travail informatique standardN/AMinimum recommandé : 8 Go de RAM, Windows 10/11 ou macOS pour les analyses statistiques et les projections.
Logiciel statistique R (Version 4.4.2)R Foundation for Statistical Computinghttps://www.r-project.org/Utilisé pour l'analyse statistique, le calcul EAPC, l'analyse des inégalités, la visualisation et la modélisation bayésienne âge-période-cohorte. 
RStudio DesktopPosit Software, PBChttps://posit.co/download/rstudio-desktop/Environnement de développement intégré pour les analyses R.  

Références

  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).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

MédecineNuméro 234Numéro 234Valeur videNumérocharge mondiale de la maladieindice sociodémographiqueinégalité en santé
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.