Approvazione etica e consenso alla partecipazione
Questo studio è stato un'analisi di dati riassuntivi esistenti, pubblicamente disponibili e de-identificati dal Global Burden of Disease Study 2023 (GBD 2023). Poiché la ricerca non ha comportato interazioni dirette con soggetti umani o animali, la raccolta di nuovi dati primari o l'accesso a qualsiasi informazione identificabile individualmente, è stata ritenuta esentata dal requisito di approvazione formale da parte di un comitato di revisione istituzionale (IRB) o di un comitato etico. Lo studio è stato condotto in conformità con i principi delineati nella Dichiarazione di Helsinki. L'uso dei dati GBD è conforme ai suoi termini di utilizzo e alle politiche di accesso ai dati.
Fonti dei Dati
Questo studio è un'analisi secondaria di dati aggregati non identificati pubblicati nello studio GBD 2023. Lo strumento di ricerca online GHDx (https://ghdx.healthdata.org/gbd–results–tool) è stato utilizzato per ottenere dati sul carico di malattie relativi al prolasso uterino in Cina e nei paesi del G20 dal 1990 al 2023. I casi di prolasso uterino sono stati identificati utilizzando la gerarchia delle cause GBD 2023 nella categoria "Prolasso genitale", che comprende il prolasso uterino. I corrispondenti codici ICD-10 mappati dall'Institute for Health Metrics and Evaluation (IHME) includono N81.2 (prolasso uterovaginale incompleto), N81.3 (prolasso uterovaginale completo), N81.4 (prolasso uterovaginale non specificato) e N81.9 (prolasso genitale femminile non specificato). L'identificazione della causa GBD per il prolasso uterino è stata ottenuta direttamente dallo strumento GBD Results, e le stime del carico di malattia sono state estratte seguendo le definizioni standardizzate della causa GBD e le procedure di codifica. L'analisi del carico di malattia nel GBD 2023 ha stimato l'incidenza, la prevalenza, la mortalità, le YLD, le YLL e le DALY. Lo studio ha esaminato i tratti epidemiologici analizzando le differenze geografiche e di fascia d'età nel carico della malattia nel tempo e nello spazio. I dati sono stati elaborati utilizzando l'analisi EAPC (Estimated Annual Percentage Change), il modello del punto di unione, il modello ARIMA, il modello BAPC e l'analisi di decomposizione. I metodi di calcolo specifici sono coerenti con quelli riportati negli studiprecedenti 27,33,34,35.
Analisi EAPC
EAPC era una misura ampiamente accettata per quantificare la tendenza degli ASR su intervalli di tempo specifici, e veniva calcolata sulla base del modello di regressione adattato al logaritmo naturale dei tassi. Il modello di regressione era definito come: ln (tasso)=α+βx+ε, e l'EAPC era calcolato come 100×(exp(β)- 1). L'intervallo di confidenza (IC) del 95% è stato determinato anche dal modello di regressione lineare.
dove ln (tasso) è il logaritmo naturale di ASR, x indica l'anno solare, α è l'intercetto, β rappresenta il coefficiente di pendenza, e ε è il termine di errore. Se l'EAPC > 0 e il suo IC al 95% è anch'esso > 0, si verifica una significativa tendenza al rialzo. Se l'EAPC < 0 e l'IC al 95% è < 0, si verifica una significativa tendenza al ribasso. Se l'IC al 95% include 0, la tendenza non è statisticamente significativa; cioè, il cambiamento è rimasto stabile nel tempo.
Analisi del punto di congiunzione
Il modello di regressione Joinpoint è stato utilizzato per calcolare la variazione percentuale annuale (APC) e la variazione percentuale media annuale (AAPC), insieme ai rispettivi intervalli di confidenza (CI) del 95%, al fine di determinare le tendenze a lungo termine dei cambiamenti significativi per l'UP in Cina e nei paesi del G20 dal 1990 al 2023. Questo modello stabilisce una regressione segmentata basata sulle caratteristiche temporali della distribuzione della malattia, dividendo l'intervallo temporale in diversi intervalli, ciascuno dei quali subisce un adattamento e ottimizzazione delle tendenze, evitando di fatto la soggettività delle tipiche analisi di tendenza basate su tendenze lineari. La direzione della tendenza è stata determinata sulla base dell'AAPC calcolato dal modello finale; nello specifico, quando l'IC al 95% non include 0, significa che la tendenza è significativa, AAPC > 0 indica una tendenza in aumento, e APPC < 0 indica una tendenza in discesa.
Analisi BAPC
Il modello APC è stato esteso utilizzando metodi statistici bayesiani (BAPC), che integrano modelli di dati storici, fattori di incertezza e conoscenze pregresse per migliorare la precisione e la robustezza delle previsioni, gestendo così efficacemente il rumore e le ambiguità nei dati. Le proiezioni BAPC per il periodo 2024-2038 sono state create utilizzando un parametro di levigatura di 5 per età, periodo e effetti di coorte, con pesi standardizzati basati sulla popolazione standard mondiale.
Analisi ARIMA
Il modello ARIMA è un modello popolare in econometria che può analizzare il comportamento delle serie temporali stazionarie e non stazionarie, nonché l'impatto di piani e politiche su risultati specifici neltempo 34. Nel modello ARIMA (p, d, q), 'p' rappresenta il conteggio dei termini autoregressivi, 'd' indica l'ordine di differenziazione e 'q' indica il conteggio dei termini della media mobile. I metodi di calcolo specifici sono coerenti con quelli riportati in studi precedenti. Per ogni previsione, verranno ottenuti (file _eval.csv il valore previsto, il limite superiore, il limite inferiore inferiore e il 95% CI di ogni anno, insieme ai parametri di prestazione del modello di previsione). Il modello della serie temporale ARIMA è stato utilizzato per prevedere i successivi 27 anni (2024-2050) e le prestazioni del modello sono state valutate. Le prestazioni del modello sono state valutate utilizzando diagnostiche standard di previsione, tra cui Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), analisi di autocorrelazione residua e valutazione della buona compatibilità. I grafici residui non hanno mostrato violazioni gravi delle assunzioni del modello, supportando l'idoneità dei modelli di previsione selezionati per la proiezione del carico. Auto.arima veniva utilizzato per selezionare automaticamente i parametri ottimali ARIMA(p,d,q) e AICc (AIC modificato) veniva usato per selezionare il modello migliore. Basandosi sul metodo di previsione bootstrap, il valore di previsione e l'intervallo di confidenza sono stati calcolati simulando i possibili percorsi futuri.
Analisi di decomposizione
Abbiamo effettuato una decomposizione Das Gupta (fattorizzazione Kitagawa–Das Gupta) della variazione dei conteggi assoluti tra il 1990 e il 2023. L'analisi è stata principalmente suddivisa in tre componenti: l'effetto dell'invecchiamento (cambiamenti nella struttura per età), l'effetto sulla dimensione della popolazione (crescita della popolazione totale) e l'effetto del cambiamento epidemiologico (variazioni nei tassi specifici per età). I nomi delle colonne dei dati sono i seguenti: 'overall_difference' indica la variazione totale; 'a_effect' indica l'effetto dell'invecchiamento; 'p_effect' rappresenta l'effetto della dimensione della popolazione; 'r_effect' indica l'effetto del cambiamento epidemiologico; 'a_percent', 'p_percent' e 'r_percent' indicano il contributo percentuale di ciascun rispettivo effetto; 'val_1990' e 'val_2023' rappresentano rispettivamente il numero di casi nel 1990 e nel 2023; e 'cambiamento' si riferisce alla differenza in 'diff1'. La grandezza di ciascun fattore sul grafico risultante ne illustra l'influenza proporzionale, con valori positivi e negativi che indicano rispettivamente un effetto di aumento o mitigazione. I puntini neri sul grafico fungono da indicatori per il cambiamento totale.
Software di analisi
L'analisi statistica dei dati e la visualizzazione in questo studio sono state effettuate utilizzando il pacchetto software R e il programma software Joinpoint (vedi la Tabella dei Materiali per i dettagli). Un p-valore < 0,05 è stato considerato statisticamente significativo.