Un flusso di lavoro analitico basato sul GBD 2021 per stimare il carico globale delle neoplasie attribuibile a una bassa attività fisica

Yizhou Lu; Yuguang Wu; Hongxin Chen

doi:10.3791/70495

È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Un flusso di lavoro analitico basato sul GBD 2021 per stimare il carico globale delle neoplasie attribuibile a una bassa attività fisica

51 visualizzazioni

⸱

DOI:

10.3791/70495

⸱

7 agosto 2026

Yizhou Lu¹^,² , Yuguang Wu²^,³ , Hongxin Chen²^,⁴

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 questo articolo

Sommario

Questo protocollo dimostra un flusso di lavoro riproducibile per estrarre, elaborare, analizzare e visualizzare le stime GBD 2021 delle neoplasie attribuibili a bassa attività fisica. Il flusso di lavoro consente ai ricercatori di valutare indicatori di onere, tendenze temporali, componenti di decomposizione, disuguaglianze socioeconomiche e proiezioni basate su modelli utilizzando dati standardizzati a livello di popolazione.

Abstract

Questo protocollo descrive un flusso di lavoro analitico riproducibile per stimare il carico globale delle neoplasie attribuibile a una bassa attività fisica utilizzando i dati Global Burden of Disease 2021. Il flusso di lavoro include l'estrazione dei dati dallo strumento GBD Results, la definizione di esiti idonei e categorie di esposizione, la stima dei decessi, gli anni di vita aggiustati per disabilità e i tassi standardizzati per età, analisi temporale delle tendenze utilizzando la variazione percentuale annuale stimata e la regressione del punto di arrivo, analisi di decomposizione, valutazione delle disuguaglianze socioeconomiche e proiezione bayesiana periodo-coorte di età. Il protocollo descrive anche come interpretare intervalli di incertezza, componenti di decomposizione e metriche di disuguaglianza nel contesto di stime modellate a livello di popolazione. Come applicazione rappresentativa, il flusso di lavoro è stato applicato al cancro del colorettale e al cancro al seno femminile attribuibile a bassa attività fisica in 204 paesi e territori dal 1990 al 2021, con proiezioni fino al 2045. Questo protocollo può essere adattato ad altre coppie rischio-esiti GBD quando i ricercatori necessitano di un approccio strutturato per la stima del carico attribuibile al rischio, la caratterizzazione delle tendenze, la valutazione delle disuguaglianze e l'analisi delle proiezioni.

Introduzione

Le neoplasie rappresentano una categoria significativa di malattie non trasmissibili (NCD) che contribuiscono alla mortalità e disabilità globali, rappresentando una sfida critica per la salute pubblica a livello mondiale. I dati Globocan 2022 hanno rivelato 19,96 milioni di nuovi casi di neoplasie e 9,74 milioni di decessi in tutto il mondo, con tumori ai polmoni, al seno (femminile) e al colonretto come le principali neoplasie maligne. L'incidenza prevista del cancro raggiungerà i 35 milioni all'anno entro il 2050 (un aumento del 77% rispetto al 2022), con nazioni che si presentano punteggi bassi nell'Indice di Sviluppo Umano (HDI) che si prevede un aumento del 142%, trainato dalle transizioni demografiche. L'espansione demografica, l'invecchiamento della popolazione, i sistemi di screening deficienti e l'accesso limitato ai trattamenti nelle regioni a basso HDI guidano queste tendenze, creando un imperativo per un'equa allocazione delle risorse oncologiche^{globali 1}.

La bassa attività fisica (LPA) è un determinante stabilito e modificabile per le malattie neuro-nao-naocratiche gravi, che comprendono neoplasie, disturbi metabolici e condizioni^{neuropsichiatriche} ^2,3,4. L'LPA rappresenta un significativo onere globale per la salute, mostrando un aumento della prevalenza standardizzata per età del 6,6% dal 2000 e contribuendo al 7,2% della mortalità globale per tutte le cause nel 2022⁽^5,6). L'attività fisica moderata (PA) conferisce una protezione significativa contro i tumori al seno (HR 0,90; IC 95%: 0,87–0,93), al colon (HR 0,84; IC 95%: 0,77–0,91) e ai tumori rettali (HR 0,87; IC 95%: 0,80–0,95), con riduzioni parallele della mortalità^{site-specific 7}. Per promuovere l'AP essenziale a livello mondiale, numerosi paesi e regioni hanno sviluppato linee guida nazionali sull'AP adattate ai loro contesti specifici (ad esempio, Canada, Regno Unito e Stati Uniti), ampiamente diffuse attraverso organizzazioni come l'Organizzazione Mondiale della Sanità (OMS) e l'Unione Europea. Purtroppo, solo il 72,5% degli adulti a livello globale raggiunge i livelli minimi raccomandati di PA indicati nelle linee guida di sanità^{pubblica 8}.

Mitigare il basso carico di neoplasie attribuibile all'attività fisica è fondamentale per raggiungere l'obiettivo 2030 dell'Obiettivo di Sviluppo Sostenibile (SDG) delle Nazioni Unite: riduzione di un terzo della mortalità prematura per NCD tramite prevenzione e cura⁹. Generare prove solide per chiarire la relazione tra LPA e neoplasie è essenziale per guidare le future politiche sanitarie. Il Global Burden of Diseases, Injuries, and Risk Factors Study 2021 (GBD 2021) fornisce stime comparabili a livello di popolazione della mortalità, degli anni di vita adeguati per disabilità (DALY) e del carico attribuibile al rischio in 204 paesi e territori dal 1990 al 2021 utilizzando approcci epidemiologici standardizzati. Nel GBD 2021, le stime di malattie e lesioni coprono 371 malattie e infortuni, mentre l'analisi dei fattori di rischio stima l'esposizione, il rischio relativo, le frazioni attribuibili alla popolazione e il carico attribuibile per 88 fattori^{di rischio 10}. Tuttavia, meno studi hanno fornito un flusso di lavoro graduale e riproducibile per estrarre i dati di neoplasia attribuibili all'attività fisica bassa GBD 2021 e applicare analisi di tendenza, decomposizione, disuguaglianza e proiezione all'interno di un unico protocollo. Questo manoscritto colma questa lacuna metodologica dettagliando le procedure di estrazione dei dati, definizione delle variabili, modellazione statistica e interpretazione per questa specifica coppia rischio-esito GBD. Questo protocollo descrive un'analisi secondaria riproducibile delle stime GBD 2021 per le neoplasie attribuibili a bassa attività fisica in 204 paesi e territori dal 1990 al 2021, con proiezioni fino al 2045. Gli obiettivi erano quantificare decessi, DALY, tassi standardizzati per età, tendenze temporali, componenti di decomposizione, disuguaglianze socioeconomiche e carico proiettato, senza dedurre causalità a livello individuale o effetti di intervento diretto.

Questo flusso di lavoro è stato scelto perché integra diversi componenti analitici complementari in un unico quadro riproducibile. Rispetto a studi che riportano solo stime descrittive del GBD o metriche di tendenza singole, questo protocollo combina stima del carico, EAPC, regressione del punto di unione, analisi di decomposizione, valutazione delle disuguaglianze e proiezione BAPC, permettendo agli utenti di esaminare non solo la magnitudine del carico ma anche i cambiamenti temporali, i fattori demografici, i gradienti socioeconomici e le tendenze future. Il protocollo è applicabile ai ricercatori che conducono analisi secondarie di stime attribuibili al rischio GBD, in particolare quando l'obiettivo è confrontare i modelli di carico tra tempo, sesso, fasce d'età, paesi, regioni o categorie SDI.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Questo studio ha utilizzato stime a livello di popolazione GBD 2021 disponibili pubblicamente e de-identificate. Non sono stati accessibili dati umani a livello individuale. Lo studio GBD 2021 ha ricevuto una deroga al consenso informato dal Consiglio di Revisione Istituzionale dell'Università di Washington; Pertanto, non era richiesta un'ulteriore approvazione etica istituzionale per questa analisi secondaria.

NOTA: Questo protocollo descrive un flusso di lavoro riproducibile per condurre un'analisi secondaria delle stime GBD 2021 per le^{neoplasie 11} attribuibili a una bassa attività fisica. Il flusso di lavoro include estrazione dati, definizione delle variabili, stima del carico, analisi temporale delle tendenze, analisi di decomposizione, valutazione delle disuguaglianze e proiezione bayesiana-periodi di età-coorte. I risultati sono presentati per illustrare l'applicazione del protocollo piuttosto che per stabilire una relazione causale primaria. Il flusso di lavoro analitico è stato composto da sei passaggi sequenziali: estrazione delle stime GBD 2021, definizione di esposizione, esiti della malattia e strati SDI, stima dei decessi, DALYs, tasso di mortalità standardizzato per età (ASMR) e tasso DALYs standardizzato per età (ASDR), analisi temporale delle tendenze utilizzando la variazione percentuale annua stimata (EAPC) e regressione, analisi di decomposizione e disuguaglianza, e proiezione bayesiana periodo-coorte di età fino al 2045. Ogni risultato e figura è stato generato da uno di questi passaggi analitici collegati.

1. Identificazione e accesso alle fonti dati

Accedi allo strumento Risultati Global Burden of Disease (GBD) 2021.
1. Apri un browser web e accedi allo strumento Globale di Risultati del Carico delle Malattie all'indirizzo https://vizhub.healthdata.org/gbd-results/.
2. Seleziona GBD 2021 come versione dello studio tra le opzioni disponibili nel dataset.
3. Seleziona Fattori di Rischio dal menu gerarchia delle cause.
Definire gli esiti delle malattie e i fattori di rischio.
1. Seleziona le neoplasie come categoria di malattia.
2. Seleziona la bassa attività fisica come fattore di rischio.
3. Seleziona i decessi e gli anni di vita adeguati per disabilità (DALY) come misure di esito.
Specifica popolazione, geografia e periodo storico.
1. Seleziona entrambi i sessi separatamente, Maschio e Femmina , per analisi specifiche per sesso.
2. Seleziona tutte le fasce d'età disponibili ≥25 anni.
3. Seleziona tutti i 204 paesi e territori.
4. Stabilisci il periodo di analisi dal 1990 al 2021.
Estrarre le misure di risultato standardizzate per età.
1. Abilita la standardizzazione per età utilizzando lo standard GBD 2021 della popolazione.
2. Selezionare come variabili di output il tasso di mortalità standardizzato per età (ASMR) e il tasso DALYs standardizzato per età (ASDR ).
3. Includere intervalli di incertezza (UI) del 95% per tutte le stime estratte.
4. Esporta i dati estratti in formato CSV per l'analisi a valle.
5. Per la riproducibilità, utilizzare le seguenti selezioni dello Strumento di Risultati GBD: versione dello studio: GBD 2021; Contesto: Fattori di rischio; rischio: bassa attività fisica; causa: Neoplasie; misure: Decessi e DALYs; metriche: Numero e Tasso; età: standardizzato per età e tutti i gruppi di età disponibili di 5 anni di età ≥ 25 anni; sessi: Entrambi maschili e femminili; località: Globale, 21 regioni GBD, regioni SDI e 204 paesi e territori; Anni: 1990–2021.
6. Esporta la stima media, l'intervallo di incertezza più basso e l'intervallo di incertezza superiore per ciascun strato in formato CSV.
Ottenere dati stratificati dall'indice sociodemografico (SDI).
1. Abilitare la stratificazione tramite Sociodemographic Index (SDI).
2. Estrarre dati ASMR e ASDR specifici per SDI per analisi comparative.
Accedi alle fonti di dati sottostanti.
1. Naviga allo strumento di input dati GBD 2021 su https://ghdx.healthdata.org/gbd-2021.
2. Esaminare la documentazione pubblica che descriva le fonti di dati primarie, inclusi sistemi di registrazione civile, indagini sulla popolazione, cartelle cliniche e registri delle malattie.

2. Definizione delle variabili chiave e dei criteri di classificazione

Definisci le neoplasie.
1. Definire le neoplasie come tumori maligni secondo la gerarchia delle cause Global Burden of Disease (GBD) 2021.
2. Includere solo neoplasie maligne caratterizzate da proliferazione cellulare incontrollata dovuta a disregolazione genetica ed epigenetica.
3. Escludere le neoplasie benigne da tutte le analisi.
Definisci bassa attività fisica.
1. Definire l'intensità dell'attività fisica usando valori metabolici equivalenti del compito (MET), dove 1 MET equivale a un consumo di ossigeno di 3,5 mL O₂/kg/min a riposo.
2. Calcola i livelli settimanali di attività fisica utilizzando il totale dei minuti MET a settimana.
3. Classifica i livelli di attività fisica in quattro categorie^{: 12,13}:
  Meno di 600 minuti MET a settimana.
  Da 600 a 3.999 minuti MET a settimana.
  Da 4.000 a 7.999 minuti MET-minuto a settimana.
  8.000 o più minuti MET a settimana.
4. Definire la bassa attività fisica come meno di 4.000 minuti MET a settimana, in linea con la metodologia di attribuzione del rischio GBD 2021.
  NOTA: Questo cutoff è stato adottato dalla definizione di attribuzione del rischio GBD 2021 e non è stato selezionato de novo nel presente studio. È stato utilizzato per mantenere la coerenza con il quadro di valutazione comparativa del rischio GBD e la comparabilità con altre stime basate su GBD.
Definisci SDI.
1. Definisci l'SDI come un indicatore composito che va da 0 a 1.
2. Calcola l'SDI utilizzando la media geometrica del reddito pro capite standardizzato, del livello di istruzione e del tasso di fertilità negli individui sotto i 25 anni.
3. Classificare paesi e regioni in cinque categorie^{SDI: 14}: Basso, Basso-Medio, Medio, Alto-Medio e Alto.
4. Assegnare i paesi a una delle 21 regioni GBD in base alla stratificazione SDI.
Definire neoplasie attribuibili a una bassa attività fisica.
1. Identificare le neoplasie attribuibili a bassa attività fisica utilizzando il quadro di valutazione comparativa del rischio GBD 2021.
  1. All'interno di questo contesto, si operalizza il basso carico attribuibile all'attività fisica combinando distribuzioni di esposizione, rischi relativi rischio-esito e il livello teorico minimo di esposizione al rischio per stimare le frazioni attribuibili alla popolazione. Poi, applica questo metodo ai decessi e ai DALY per risultati neoplasici idonei.
2. Includere il cancro colorettale e il cancro al seno femminile come esiti neoplasici attribuibili a una bassa esposizione all'attività fisica.
  NOTA: Pertanto, in questo studio, le neoplasie attribuibili a bassa attività fisica si riferiscono solo al cancro colorettale e al seno femminile come definito nel quadro di valutazione comparativa del rischio GBD 2021, piuttosto che a tutti i tumori maligni.

3. Stima del carico globale delle neoplasie attribuibile a una bassa attività fisica.

Estrai gli indicatori del carico della malattia.
1. Dati sui decessi da importazione e sugli anni di vita adeguati per disabilità (DALY) per neoplasie attribuibili a bassa attività fisica dal Global Burden of Disease (GBD) 2021 Results Tool, seguendo il quadro standard di valutazione comparativa del rischio GBD.
2. Estrarre i tassi di mortalità standardizzati per età (ASMR) e i tassi DALYs standardizzati per età (ASDR) per 100.000 abitanti utilizzando la popolazione standard GBD 2021.
3. Mantenere i corrispondenti intervalli di incertezza del 95% per tutte le stime estratte come fornito dalla metodologia GBD 2021.
Calcola gli anni di vita adeguati per invalidità.
1. Definire gli anni di vita aggiustati per disabilità (DALY) come la somma degli anni di vita perduti (YLL) e degli anni vissuti con disabilità (YLD), seguendo le definizioni standard GBD.
2. Calcola le YLL moltiplicando la mortalità specifica per età per l'aspettativa di vita di riferimento specificata nella tabella di vita GBD 2021.
3. Calcolare le YLD moltiplicando i casi incidenti per i pesi di disabilità specifici della malattia e la durata della malattia, come descritto nella metodologia GBD.
4. Verifica che i valori DALY calcolati corrispondano alle stime riportate dal GBD 2021.

4. Analisi temporale delle tendenze

Stima della variazione percentuale^annuale ^15,16.
1. Importare dati ASMR e ASDR nel software R (versione 4.4.2).
2. Applicare la trasformazione logaritmica naturale ai tassi standardizzati per età.
3. Adattare modelli di regressione lineare con l'anno solare come variabile indipendente per valutare le tendenze temporali, seguendo metodi consolidati di analisi epidemiologica delle tendenze.
4. Calcola la variazione percentuale annua stimata (EAPC) dalla pendenza di regressione utilizzando la trasformazione esponenziale standard.
5. Classificare le tendenze come crescenti, decrescenti o stabili in base al fatto che l'intervallo di confidenza del 95% dell'EAPC sia superiore, inferiore o inclusa zero.
Esegui un'analisi di regressione del punto di unione.
1. Apri il Programma di Regressione dei Punti di Inquadramento (versione 5.3.0; Istituto Nazionale del Cancro).
2. Importare dataset ASMR e ASDR nel software.
3. Seleziona un modello di regressione log-lineare per l'analisi delle tendenze, coerente con le linee guida metodologiche di^{Joinpoint 17}.
4. Specifica un minimo di 0 e un massimo di 6 punti di unione.
5. Seleziona il metodo del Criterio d'Informazione Bayesiana Guidata dai Dati (BIC) con ottimizzazione BIC ponderata per determinare i punti di giunzione ottimali.
  1. Seleziona il massimo di sei punti di unione in base alla durata della serie temporale annuale dal 1990 al 2021 e alle raccomandazioni predefinite del Programma di Regressione dei Punti di Inscrizione.
  2. Determina il numero finale di punti di giunzione tramite il BIC guidato dai dati.
6. Esegui l'analisi per calcolare la variazione percentuale annuale (APC) e la variazione percentuale media annua (AAPC) con intervalli di confidenza del 95%. Per gli strati con dati scarsi o stime annuali instabili, gli APC specifici per segmento sono stati interpretati con cautela e non sono stati enfatizzati a meno che la tendenza adattata non fosse supportata da corrispondenti intervalli di incertezza ed epidemiologicamente plausibile.
7. Esportare i risultati APC e AAPC per l'analisi a valle.
  NOTA: EAPC e regressione dei punti di giunzione sono stati utilizzati per scopi diversi. EAPC ha fornito una stima unica e riassuntiva della tendenza log-lineare media tra il 1990 e il 2021, mentre la regressione a punto di unione ha identificato i periodi di calendario in cui il tasso di variazione si è spostato e ha stimato APC specifici per segmento. Pertanto, EAPC è stata utilizzata per il confronto complessivo tra gli strati, mentre la regressione dei punti di giunzione è stata utilizzata per descrivere i modelli di flessione temporale.

5. Analisi della decomposizione

Preparare gli input di decomposizione.
1. Stratificare i dati di mortalità e DALY per fascia d'età, anno solare e regione geografica.
2. Importare dataset stratificati in JD_GBDR software (versione 2.37.1).
Esegui un'analisi di decomposizione.
1. Decomporre i cambiamenti nella mortalità e nei DALY tra momenti temporali selezionati in componenti di invecchiamento, crescita demografica e cambiamento epidemiologico utilizzando metodi di decomposizione^{consolidati 18}.
2. Quantificare il contributo di ciascun componente ai cambiamenti complessivi del carico di malattia.
  1. Interpretare i contributi percentuali come il contributo proporzionale di invecchiamento, crescita demografica e cambiamento epidemiologico alla variazione netta dei decessi o DALY tra due momenti temporali.
  2. Valori superiori al 100% o valori negativi possono verificarsi quando un componente aumenta il carico mentre un altro lo compensa; interpretare tali valori come effetti di decomposizione matematica piuttosto che come effetti biologici diretti.
3. Risultati di decomposizione delle esportazioni per analisi globali, a livello SDI e regionali GBD.

6. Analisi delle disuguaglianze sanitaie

Prepara i dati per la valutazione delle disuguaglianze.
1. Classificare tutti i paesi e territori in base ai loro valori SDI dal più basso al più alto.
2. Importare ASMR e ASDR nel software R (versione 4.4.2).
Calcola l'indice di pendenza di disuguaglianza.
1. Assegnare un rango socioeconomico relativo a ciascun paese basato sulla distribuzione cumulativa della popolazione tra gli strati SDI.
2. Adatta un modello di regressione lineare ponderata con ASMR o ASDR come variabile dipendente e rango relativo SDI come variabile indipendente.
3. Calcola l'indice di disuguaglianza (SII) come la differenza assoluta nel carico di malattia tra i limiti più alti e più bassi del gradiente SDI, seguendo la metodologia consolidata di analisi delle disuguaglianze.
Calcola l'indice di concentrazione.
1. Costruisci curve di concentrazione tracciando le proporzioni cumulative di ASMR o ASDR rispetto alle proporzioni cumulative della popolazione classificate tramite SDI.
2. Calcola l'indice di concentrazione (CII) come il doppio dell'area tra la curva di concentrazione e la linea di uguaglianza.
3. Interpretare i valori CII vicini a zero come bassa disuguaglianza e i valori vicini a −1 o +1 come aumento della disuguaglianza relativa, coerente con i metodi standard dell'economia sanitaria¹⁹.
Stima dell'incertezza per le metriche di disuguaglianza.
1. Per la SII, si derivi intervalli di confidenza del 95% dal modello di regressione ponderata utilizzando pesi di popolazione a livello nazionale.
2. Per il CII, stimare intervalli di confidenza del 95% utilizzando il ricampionamento bootstrap di paesi e territori con sostituzione.
3. Quando sono disponibili prelievi posteriori, ripetere i calcoli SII e CII tra i prelievi e riportare il 2,5° e il 97,5° percentile come intervalli di incertezza.

7. Modellazione bayesiana di età-periodo-coorte

Prepara i dati di input per la proiezione.
1. Organizzare i decessi specifici per età, i DALY e i relativi dati demografici per fascia d'età di 5 anni e anno solare dal 1990 al 2021.
2. Garantire la coerenza delle definizioni di gruppi d'età e degli intervalli di tempo durante l'intero periodo di osservazione.
Applicare il modello bayesiano età-periodo-coorte²⁰.
1. Importare i dataset di carico e popolazione specifici per età in R utilizzando un framework bayesiano di modellazione periodi di età-coorte.
2. Specificare gli effetti di età, periodo e coorte come effetti casuali strutturati, con precedenti di camminata casuale di secondo ordine usati per livellare gruppi di età adiacenti, periodi di calendario e coorti di nascita.
3. Generare stime posteriori dei tassi specifici per età e poi calcolare ASMR e ASDR proiettati utilizzando la popolazione standard GBD 2021.
4. Valutare l'adattamento del modello confrontando le stime adattate con le stime osservate durante il periodo storico.
5. Effettuare la validazione interna trattenendo gli anni più recenti osservati, riadattando il modello e confrontando le stime previste con i valori osservati.
Genera proiezioni future.
1. Previsione dei tassi di mortalità standardizzati per età e dei tassi DALYs standardizzati per le neoplasie attribuibili a bassa attività fisica dal 2022 al 2045.
2. Estrarre le stime medie a posteriori e i corrispondenti intervalli di incertezza del 95% per tutti gli esiti previsti. Valutare l'incertezza della proiezione utilizzando intervalli di incertezza posteriori del 95% e interpretare le stime più lontane dal periodo osservato con crescente cautela.
3. Esporta i risultati delle proiezioni per visualizzazione e reportistica.

8. Analisi statistica

Esegui analisi statistica generale.
1. Importa tutti i dataset puliti nel software R (versione 4.4.2).
2. Usa il software R per condurre tutte le analisi statistiche e generare figure e tabelle.
3. Imposta la significatività statistica a un valore p bilaterale inferiore a 0,05 per tutte le analisi.
Condurre analisi specializzate GBD.
1. Importare dataset formattati GBD nel JD_GBDR software (versione 2.37.1).
2. Utilizzare il software JD_GBDR per eseguire calcoli del carico di malattia, analisi di decomposizione e visualizzazioni standardizzate dei tassi secondo le convenzioni analitiche GBD.
Esegui un'analisi di regressione del punto di unione.
1. Scarica e installa il Programma di Regressione Joinpoint (versione 5.3.0) dal sito web del National Cancer Institute (https://surveillance.cancer.gov/joinpoint/download).
2. Importare dataset di tassi di mortalità standardizzati per età e DALY standardizzati per età nel software Joinpoint.
3. Seleziona un modello di regressione log-lineare ed esegui un'analisi di regressione dei punti di giunzione per valutare le tendenze temporali, seguendo la metodologia del Programma di Regressione Puntuale.
4. Stime della tendenza delle esportazioni, inclusa variazione percentuale annuale e media annua di variazione percentuale, con corrispondenti intervalli di confidenza del 95%.
  NOTA: Tutte le analisi sono state condotte utilizzando la versione software R 4.4.2, la versione 5.3.0 del programma Joinpoint Regression Program e JD_GBDR versione software 2.37.1. I principali contesti analitici includevano modelli EAPC log-lineari, regressione dei punti di unione con 0–6 punti di unione selezionati dal Criterio Informativo Bayesiano guidato dai dati, la decomposizione in componenti di invecchiamento, crescita della popolazione e cambiamento epidemiologico, regressione ponderata per SII, ricampionamento bootstrap o estrazioni posteriori per incertezza CII, e proiezione bayesiana periodo-coorte di età fino al 2045.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

L'implementazione di successo di questo protocollo dovrebbe generare un insieme completo di stime armonizzate derivate dal GBD su località, anni, sessi, fasce d'età, misure e metriche predefinite. I risultati attesi includono stime di carico standardizzate per età e specifiche per età con intervalli di incertezza del 95%, stime EAPC e di tendenza dei punti di congiunzione, componenti di decomposizione, metriche di disuguaglianza SII e CII, e proiezioni basate su BAPC con intervalli di in...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questa analisi GBD 2021 mostra due modelli contrastanti nel basso carico di neoplasie attribuibile all'attività fisica. Mentre ASMR e ASDR per le neoplasie attribuibili alla LPA sono diminuite significativamente dal 1990 al 2021 (ASMR = -19,72%; ΔASDR = -18,51%), i decessi assoluti e i DALYs sono aumentati rispettivamente del 95,73% e dell'84,79%. L'aumento del carico assoluto nonostante il calo dei tassi standardizzati per età è stato spiegato principalmente dalla crescita e dall'invecc...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno nulla da rivelare.

Ringraziamenti

Riconosciamo i collaboratori del Global Burden of Disease Study (GBD 2021) per i loro contributi alle neoplasie attribuibili all'epidemiologia LPA, facilitati dai dati ad accesso aperto dell'Institute for Health Metrics and Evaluation (IHME). Questo lavoro ha ricevuto il supporto di Jingding Medical Tech (che fornisce autorizzazione JD_GBDR software e elaborazione dei dati pivotal), con servizi di editing linguistico di Home for Researchers (www.home-for-researchers.com). Questo lavoro è stato sostenuto dal Progetto di Sviluppo della Scienza e Tecnologia della Medicina Tradizionale Cinese della Provincia del Jiangsu (QN202513) e dal Progetto Fondo di Ricerca Interno del Secondo Ospedale Affiliato dell'Università di Medicina Cinese di Nanchino (SEZRC202504, SEZJY202505).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

```html

Elenco dei materiali utilizzati in questo articolo
Nome	Azienda	Numero di catalogo	Commenti
Bayesian Age-Period-Cohort (BAPC) R Package	R Foundation / CRAN Repository	https://cran.r-project.org/	Usato per analisi di proiezione Bayesian age-period-cohort.
CSV Data Files	Institute for Health Metrics and Evaluation (IHME)	N/A	Dataset di carico esportati dallo strumento GBD 2021 Results Tool per analisi successive.
dplyr R Package	R Foundation / CRAN Repository	https://cran.r-project.org/package=dplyr	Usato per la manipolazione e pulizia dei dati in R.
GBD 2021 Data Input Sources Tool	Institute for Health Metrics and Evaluation (IHME)	https://ghdx.healthdata.org/gbd-2021	Repository pubblico per la documentazione delle fonti GBD.
ggplot2 R Package	R Foundation / CRAN Repository	https://cran.r-project.org/package=ggplot2	Usato per la visualizzazione grafica delle tendenze temporali e delle analisi di disuguaglianza.
Global Burden of Disease (GBD) 2021 Results Tool	Institute for Health Metrics and Evaluation (IHME)	https://vizhub.healthdata.org/gbd-results/	Database pubblico utilizzato per l'estrazione di dati su decessi, DALY, ASMR e ASDR.
INLA R Package	R-INLA Project	https://www.r-inla.org/	Usato per l'inferenza Bayesiana all'interno della modellazione age-period-cohort.
JD_GBDR Software	Jingding Medical Technology Co., Ltd.	Versione 2.37.1	Usato per la stima del carico di malattia GBD, analisi di decomposizione e visualizzazione dei tassi standardizzati.
Joinpoint Regression Program (Version 5.3.0)	National Cancer Institute (NCI)	https://surveillance.cancer.gov/joinpoint/download	Usato per l'analisi di regressione joinpoint, stima APC e AAPC.
Microsoft Excel	Microsoft Corporation	https://www.microsoft.com/excel	Usato per organizzare e pulire i dataset CSV estratti prima dell'analisi.
Personal Computer Workstation	Qualsiasi workstation di calcolo standard	N/A	Minimo raccomandato: 8 GB RAM, Windows 10/11 o macOS per analisi statistiche e proiezioni.
R Statistical Software (Version 4.4.2)	R Foundation for Statistical Computing	https://www.r-project.org/	Usato per analisi statistiche, calcolo EAPC, analisi di disuguaglianza, visualizzazione e modellazione Bayesian age-period-cohort.
RStudio Desktop	Posit Software, PBC	https://posit.co/download/rstudio-desktop/	Ambiente di sviluppo integrato per analisi R.

```

Riferimenti

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).
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).
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).
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).
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).
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).
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).
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).
Sustainable Development Goals. , United Nations Development Programme. Available from: https://www.undp.org/sustainable-development-goals (2022).
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).
Martincorena, I., Campbell, P. J. Somatic mutation in cancer and normal cells. Science. 349 (6255), 1483-1489 (2015).
Jetté, M., Sidney, K., Blümchen, G. Metabolic equivalents (METS) in exercise testing and prescription. Clin Cardiol. 13 (8), 555-565 (1990).
Zhang, J., et al. Global burden of cardiovascular diseases and type 2 diabetes attributable to low physical activity. Front Cardiovasc Med. 10, 1247705(2023).
GBD 2015 Healthcare Access and Quality Collaborators. Healthcare access and quality index based on mortality from amenable causes. Lancet. 390 (10091), 231-266 (2017).
GBD 2019 Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries, 1990–2019. Lancet. 396 (10258), 1204-1222 (2020).
Zhao, G., et al. Global burden of osteoarthritis associated with high body mass index. Endocrine. 79 (1), 60-71 (2023).
Tuo, Y., et al. Global, regional, and national burden of thalassemia, 1990–2021. EClinicalMedicine. 72, 102619(2024).
Liu, C., et al. Global burden of liver cancer due to non-alcoholic steatohepatitis. J Gastroenterol. 58 (12), 1222-1236 (2023).
Cao, F., et al. Global burden and cross-country inequalities in autoimmune diseases. Autoimmun Rev. 22 (6), 103326(2023).
Chen, J., et al. Global burden of noncommunicable diseases attributable to kidney dysfunction. Chin Med J (Engl). 138 (11), 1334-1344 (2024).
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).
Hurvitz, S. A., et al. Trastuzumab deruxtecan versus trastuzumab emtansine in HER2-positive metastatic breast cancer. Lancet. 401 (10371), 105-117 (2023).
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).
An, L., et al. Trends of robotic-assisted surgery for thyroid, colorectal, stomach and hepatopancreaticobiliary cancer. Asian J Surg. 44 (1), 199-205 (2021).
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).
World Health Organization. WHO Guidelines on Physical Activity and Sedentary Behaviour. , World Health Organization. Geneva. (2020).
World Health Organization. Noncommunicable Diseases Progress Monitor 2022. , World Health Organization. Geneva. (2022).
Nunez, C., Bauman, A., Egger, S., Sitas, F., Nair-Shalliker, V. Obesity, physical activity and cancer risks. Cancer Epidemiol. 47, 56-63 (2017).
Abdel-Wahab, M., et al. Status of radiotherapy resources in Africa. Lancet Oncol. 14 (4), e168-e175 (2013).
Sallis, J. F., et al. Progress in physical activity over the Olympic quadrennium. Lancet. 388 (10051), 1325-1336 (2016).
Popkin, B. M., Adair, L. S., Ng, S. W. Global nutrition transition and the pandemic of obesity. Nutr Rev. 70 (1), 3-21 (2012).
Porcherie, M., et al. Relationship between urban green spaces and cancer. Int J Environ Res Public Health. 18 (4), 1751(2021).
Rushton, L. Health impact of environmental tobacco smoke in the home. Rev Environ Health. 19 (3-4), 291-310 (2021).
Li, Y., et al. Global burden of female breast cancer: age–period–cohort analysis. Front Oncol. 12, 891824(2022).
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).
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).
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).
Abbasi, I. N. Socio-cultural barriers to attaining recommended physical activity among females. Quest. 66 (4), 448-467 (2014).
Giovannucci, E. Molecular biologic and epidemiologic insights for preventability of colorectal cancer. J Natl Cancer Inst. 114 (5), 645-650 (2022).
la Torre, A., Lo Vecchio, F., Greco, A. Epigenetic mechanisms of aging and aging-associated diseases. Cells. 12 (8), 1163(2023).
Courties, A., Kouki, I., Soliman, N., Mathieu, S., Sellam, J. Osteoarthritis year in review 2024. Osteoarthritis Cartilage. 32 (11), 1397-1404 (2024).
Cruz-Jentoft, A. J., et al. Sarcopenia: revised European consensus on definition and diagnosis. Age Ageing. 48 (4), 601(2019).
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).
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).
Global Burden of Disease Health Financing Collaborator Network. Past, present, and future of global health financing, 1995–2050. Lancet. 393 (10187), 2233-2260 (2019).
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).
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).
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).
GBD 2019 Risk Factors Collaborators. Global burden of 87 risk factors, 1990–2019. Lancet. 396 (10258), 1223-1249 (2020).
Moradi, T., et al. Breast cancer risk and lifetime physical activity. Cancer Causes Control. 11 (6), 523-531 (2000).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Medicina Numero 234 Numero 234 Valore vuoto Numero carico globale della malattia Indice sociodemografico Disuguaglianza sanitaria