Approbation éthique et consentement à la participation
Cette étude était une analyse de données sommaires existantes, publiques et désidentifiées issues de l’Étude Global Burden of Disease 2023 (GBD 2023). Comme la recherche n’impliquait pas d’interaction directe avec des sujets humains ou animaux, la collecte de nouvelles données primaires, ni l’accès à toute information identifiable individuellement, elle a été jugée exemptée de l’exigence d’approbation formelle par un comité d’éthique institutionnel (IRB) ou un comité d’éthique. L’étude a été menée conformément aux principes énoncés dans la Déclaration d’Helsinki. L’utilisation des données GBD est conforme à ses conditions d’utilisation et à ses politiques d’accès aux données.
Sources de données
Cette étude est une analyse secondaire de données agrégées non identifiées publiées dans l’étude GBD 2023. L’outil de requête en ligne GHDx (https://ghdx.healthdata.org/gbd–results–tool) a été utilisé pour obtenir des données sur la charge de la maladie liée au prolapsus utérin en Chine et dans les pays du G20 de 1990 à 2023. Les cas de prolapsus utérin ont été identifiés à l’aide de la hiérarchie des causes GBD 2023 sous la catégorie « prolapsus génital », qui englobe le prolapsus utérin. Les codes CIM-10 correspondants cartographiés par l’Institut pour les Métriques et l’Évaluation de la Santé (IHME) incluent N81.2 (prolapsus utérovaginal incomplet), N81.3 (prolapsus utérovaginal complet), N81.4 (prolapsus utérovaginal non spécifié) et N81.9 (prolapsus génital féminin non spécifié). L’identification de la cause du prolapsus utérin du GBD a été obtenue directement à partir de l’outil de résultats GBD, et les estimations de la charge de la maladie ont été extraites selon les définitions standardisées des causes et les procédures de codage du GBD. L’analyse de la charge de la maladie dans GBD 2023 a estimé l’incidence, la prévalence, la mortalité, les YLD, YLL et DALY. L’étude a examiné les traits épidémiologiques en analysant les différences géographiques et d’âge dans la charge de la maladie au fil du temps et de l’espace. Les données ont été traitées à l’aide de l’analyse EAPC (Estimation Annual Percentage Change), du modèle de jonction, du modèle ARIMA, du modèle BAPC et de l’analyse de décomposition. Les méthodes de calcul spécifiques sont cohérentes avec celles rapportées dans les étudesprécédentes 27,33,34,35.
Analyse EAPC
L’EAPC était une mesure largement acceptée pour quantifier la tendance des ASR sur des intervalles de temps spécifiques, et elle a été calculée à partir du modèle de régression adapté au logarithme naturel des débits. Le modèle de régression était défini comme : ln (taux)=α+βx+ε, et l’EAPC était calculé comme 100×(exp(β)- 1). L’intervalle de confiance (IC) à 95 % a également été déterminé par le modèle de régression linéaire.
où ln (débit) est le logarithme naturel de l’ASR, x désigne l’année civile, α est l’interception, β représente le coefficient de pente, et ε est le terme d’erreur. Si l’EAPC > 0 et que son IC à 95 % est également > 0, il y a une tendance à la hausse significative. Si l’EAPC < 0 et que l’IC à 95 % est < 0, il y a une tendance à la baisse significative. Si l’IC à 95 % inclut 0, la tendance n’est pas statistiquement significative ; c’est-à-dire que le changement est resté stable au fil du temps.
Analyse du point de jonction
Le modèle de régression Joinpoint a été utilisé pour calculer le changement annuel en pourcentage (APC) et le changement annuel moyen (AAPC), ainsi que leurs intervalles de confiance (IC) respectifs à 95 %, afin de déterminer les tendances à long terme des changements significatifs pour l’UP en Chine et dans les pays du G20 de 1990 à 2023. Ce modèle établit une régression segmentée basée sur les caractéristiques temporelles de la distribution des maladies, divisant la plage de temps en différents intervalles, chacun subissant un ajustement et une optimisation des tendances, évitant ainsi la subjectivité des analyses de tendances typiques basées sur des tendances linéaires. La direction de la tendance a été déterminée à partir de l’AAPC calculée à partir du modèle final ; plus précisément, lorsque l’IC à 95 % n’inclut pas 0, cela signifie que la tendance est significative, AAPC > 0 indique une tendance à la hausse, et APPC < 0 indique une tendance à la baisse.
Analyse BAPC
Le modèle APC a été étendu à l’aide de méthodes statistiques bayésiennes (BAPC), qui intègrent des schémas historiques de données, des facteurs d’incertitude et des connaissances préalables afin d’améliorer la précision et la robustesse des prédictions, gérant ainsi efficacement le bruit et les ambiguïtés dans les données. Les projections BAPC pour 2024 à 2038 ont été créées en utilisant un paramètre de lissage de 5 pour les effets d’âge, de période et de cohorte, avec des pondérations standardisées basées sur la population standard mondiale.
Analyse ARIMA
Le modèle ARIMA est un modèle populaire en économétrie, capable d’analyser le comportement des séries temporelles stationnaires et non stationnaires ainsi que l’impact des plans et politiques sur des résultats spécifiques sur le temps34. Dans le modèle ARIMA (p, d, q), « p » représente le nombre de termes autorégressifs, « d » indique l’ordre de différenciation, et « q » désigne le nombre de termes de moyenne mobile. Les méthodes de calcul spécifiques sont cohérentes avec celles rapportées dans les études précédentes. Pour chaque prédiction, la valeur prédite, la limite supérieure, la limite inférieure et l’IC à 95 % de chaque année ainsi que les paramètres de performance du modèle de prédiction seront obtenus (fichier _eval.csv). Le modèle de série temporelle ARIMA a été utilisé pour prédire les 27 prochaines années (2024-2050), et la performance du modèle a été évaluée. La performance du modèle a été évaluée à l’aide de diagnostics de prévision standard, incluant le Critère d’Information d’Akaike (AIC), le Critère d’Information Bayésien (BIC), l’analyse d’autocorrélation résiduelle et l’évaluation de la bonté de l’ajustement. Les graphiques résiduels n’ont montré aucune violation majeure des hypothèses du modèle, ce qui a confirmé la pertinence des modèles de prévision sélectionnés pour la projection de la charge. Auto.arima était utilisé pour sélectionner automatiquement les paramètres optimaux ARIMA(p,d,q) et AICc (AIC modifié) était utilisé pour sélectionner le meilleur modèle. Sur la base de la méthode de prédiction bootstrap, la valeur de prédiction et l’intervalle de confiance ont été calculés en simulant les chemins futurs possibles.
Analyses de décomposition
Nous avons réalisé une décomposition de Das Gupta (factorisation de Kitagawa–Das Gupta) du changement des comptages absolus entre 1990 et 2023. L’analyse a été principalement décomposée en trois composantes : l’effet du vieillissement (changements de la structure d’âge), l’effet de taille de la population (croissance de la population totale) et l’effet de changement épidémiologique (changements dans les taux spécifiques à chaque âge). Les noms des colonnes de données sont les suivants : « overall_difference » désigne le changement total ; « a_effect » indique l’effet de vieillissement ; « p_effect » représente l’effet de taille de la population ; « r_effect » désigne l’effet de changement épidémiologique ; « a_percent », « p_percent » et « r_percent » désignent le pourcentage de contribution de chaque effet respectif ; « val_1990 » et « val_2023 » représentent respectivement le nombre d’affaires en 1990 et 2023 ; et « changement » fait référence à la différence dans « diff1 ». La magnitude de chaque facteur sur le graphique résultant illustre son influence proportionnelle, avec des valeurs positives et négatives indiquant respectivement un effet d’augmentation ou d’atténuation. Des points noirs sur la parcelle servent de marqueurs pour le changement total.
Logiciels d’analyse
L’analyse statistique des données et la visualisation de cette étude ont été réalisées à l’aide du logiciel R et du logiciel Joinpoint (voir le tableau des matériaux pour plus de détails). Une valeur p < 0,05 était considérée comme statistiquement significative.