אישור אתי והסכמה להשתתפות
מחקר זה היה ניתוח של נתוני סיכום קיימים, זמינים לציבור וללא זיהוי ממחקר Global Burden of Disease Research 2023 (GBD 2023). מכיוון שהמחקר לא כלל אינטראקציה ישירה עם נבדקים של בני אדם או בעלי חיים, איסוף נתונים ראשוניים חדשים או גישה למידע מזוהה באופן אישי, הוא נחשב פטור מהדרישה לאישור פורמלי על ידי ועדת ביקורת מוסדית (IRB) או ועדת אתיקה. המחקר נערך בהתאם לעקרונות המפורטים בהצהרת הלסינקי. השימוש בנתוני GBD עומד בתנאי השימוש ובמדיניות הגישה לנתונים.
מקורות נתונים
מחקר זה הוא ניתוח משני של נתונים מצטברים שלא מזוהים שפורסמו במחקר GBD 2023. כלי השאילתות המקוון GHDx (https://ghdx.healthdata.org/gbd results–tool) שימש לקבלת נתוני עומס מחלה הקשורים לצניחת הרחם בסין ובמדינות ה-G20 בין השנים 1990 ל-2023. מקרים של צניחת רחם זוהו באמצעות היררכיית הסיבה של GBD 2023 תחת הקטגוריה "צניחת גניטל", הכוללת צניחת רחם. קודי ICD-10 המתאימים שמופו על ידי המכון למדדי בריאות והערכה (IHME) כוללים N81.2 (צניחת רחם לא שלמה), N81.3 (צניחת רחם וגינלית מלאה), N81.4 (צניחת רחם לא מוגדרת), ו-N81.9 (צניחת איבר מין נשי לא מוגדרת). מזהה סיבת GBD לצניחת הרחם התקבל ישירות מכלי תוצאות GBD, והערכות עומס המחלה הופקו בהתאם להגדרות הסטנדרטיות של סיבת GBD ונהלי קידוד. ניתוח עומס המחלה ב-GBD 2023 העריך את השכיחות, השכיחות, התמותה, YLDs, YLLs ו-DALYs. המחקר בחן תכונות אפידמיולוגיות על ידי ניתוח הבדלים גאוגרפיים וקבוצות גיל בעומס המחלה לאורך זמן ומרחב. הנתונים עובדו באמצעות ניתוח EAPC (שינוי שנתי משוער), מודל נקודת הצטרפות, מודל ARIMA, מודל BAPC וניתוח פירוק. שיטות החישוב הספציפיות תואמות את אלו שדווחו במחקרים קודמים 27,33,34,35.
ניתוח EAPC
EAPC היה מדד מקובל לכימות מגמת ה-ASR לאורך פרקי זמן מסוימים, והוא חושב על בסיס מודל רגרסיה מותאם ללוגריתם הטבעי של השיעורים. מודל הרגרסיה הוגדר כך: ln (rate)=α+βx+ε, ו-EAPC חושב כ-100×(exp(β)-1). רווח האמון של 95% (CI) נקבע גם הוא על ידי מודל רגרסיה ליניארית.
כאשר ln (rate) הוא הלוגריתם הטבעי של ASR, x מציין שנה קלנדרית, α הוא החיתוך, β מייצג את מקדם השיפוע, ו-ε הוא מונח השגיאה. אם EAPC > 0 ו-95% CI שלו גם הוא > 0, יש מגמת עלייה משמעותית. אם EAPC < 0 ו-95% CI הוא < 0, יש מגמת ירידה משמעותית. אם רווח ה-CI של 95% כולל 0, המגמה אינה מובהקת סטטיסטית; כלומר, השינוי היה יציב לאורך זמן.
ניתוח נקודות חיבור
מודל הרגרסיה של נקודת הצטרפות שימש לחישוב השינוי האחוזי השנתי (APC) והשינוי האחוזי השנתי הממוצע (AAPC), יחד עם רווחי האמון של 95% (CI) שלהם, במטרה לקבוע את המגמות ארוכות הטווח של שינויים משמעותיים ב-UP בסין ובמדינות ה-G20 בין השנים 1990 ל-2023. מודל זה קובע רגרסיה מקוטעת המבוססת על מאפייני הזמן של התפלגות המחלה, ומחלק את טווח הזמן למרווחים שונים, שכל אחד מהם עובר התאמת מגמות ואופטימיזציה, ובכך נמנע ביעילות מהסובייקטיביות של ניתוחי מגמות טיפוסיים המבוססים על מגמות ליניאריות. כיוון המגמה נקבע על בסיס ה-AAPC שחושב מהמודל הסופי; בפרט, כאשר רווח הרווח של 95% אינו כולל 0, זה אומר שהמגמה משמעותית, AAPC > 0 מציין מגמה עולה, ו-APPC < 0 מציין מגמה יורדת.
ניתוח BAPC
מודל ה-APC הורחב באמצעות שיטות סטטיסטיות בייסיאניות (BAPC), המשלבות דפוסי נתונים היסטוריים, גורמי אי-ודאות וידע מוקדם לשיפור דיוק ועמידות החיזוי ובכך לטפל ברעש ובאי-בהירות בנתונים. תחזיות BAPC לשנים 2024 עד 2038 נוצרו באמצעות פרמטר החלקה של 5 להשפעות גיל, תקופה וקוהורט, עם משקלים סטנדרטיים המבוססים על אוכלוסייה הסטנדרטית העולמית.
ניתוח ARIMA
מודל ARIMA הוא מודל פופולרי באקונומטריקה שיכול לנתח את התנהגות סדרות הזמן הנייחות והלא-סטציונריות וכן את השפעת התוכניות והמדיניות על תוצאות ספציפיות לאורך זמן34. במודל ARIMA (p, d, q), 'p' מייצג את ספירת האיברים האוטורגרסיביים, 'd' מסמן את סדר ההבדלים, ו-'q' מציין את ספירת האיברים בממוצע נע. שיטות החישוב הספציפיות תואמות את אלו שדווחו במחקרים קודמים. לכל תחזית, יתקבלו ערך, גבול עליון, גבול תחתון ו-95% CI של כל שנה ופרמטרי הביצועים של מודל החיזוי (קובץ _eval.csv). מודל סדרות הזמן ARIMA שימש לחיזוי 27 השנים הבאות (2024-2050), וביצועי המודל הוערכו. ביצועי המודל הוערכו באמצעות אבחון חיזוי סטנדרטי, כולל קריטריון המידע של אקאיקה (AIC), קריטריון מידע בייסיאני (BIC), ניתוח אוטוקורלציה שאריתית והערכת התאמה טובה. גרפים שאריתיים לא הראו הפרות משמעותיות של הנחות המודל, מה שתמך בהתאמת מודלי החיזוי הנבחרים להקרנת עומס. Auto.arima שימש לבחירת הפרמטרים האופטימליים של ARIMA(p,d,q) ו-AICc (AIC מותאם) שימש לבחירת המודל הטוב ביותר. בהתבסס על שיטת החיזוי של בוטסטרפ, ערך החיזוי ורווח האמון חושבו על ידי סימולציה של המסלולים העתידיים האפשריים.
ניתוחי פירוק
ביצענו פירוק דאס גופטה (פירוק קיטאגאווה–דאס גופטה) של השינוי בספירות האבסולוטיות בין 1990 ל-2023. הניתוח פורק בעיקר לשלושה רכיבים: אפקט ההזדקנות (שינויים במבנה הגיל), אפקט גודל האוכלוסייה (גידול באוכלוסייה הכוללת), ואפקט השינוי האפידמיולוגי (שינויים בשיעורים ספציפיים לגיל). שמות עמודות הנתונים הם כדלקמן: 'overall_difference' מציין את השינוי הכולל; 'a_effect' מציין את אפקט ההזדקנות; 'p_effect' מייצג את אפקט גודל האוכלוסייה; 'r_effect' מסמל את אפקט השינוי האפידמיולוגי; 'a_percent', 'p_percent' ו-'r_percent' מציינים את אחוז התרומה של כל אפקט; 'val_1990' ו-'val_2023' מייצגים את מספר המקרים ב-1990 ו-2023, בהתאמה; ו'שינוי' מתייחס להבדל ב-'diff1'. גודל כל גורם בגרף המתקבל ממחיש את השפעתו הפרופורציונלית, כאשר ערכים חיוביים ושליליים מצביעים על עלייה או הפחתה, בהתאמה. נקודות שחורות על העלילה משמשות כסימנים לשינוי הכולל.
תוכנת ניתוח
ניתוח סטטיסטי של נתונים והדמיה במחקר זה בוצעו באמצעות חבילת התוכנה R ותוכנת Joinpoint (לפרטים ראו טבלת חומרים). ערך p < 0.05 נחשב למובהק סטטיסטית.