Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Een analytische workflow gebaseerd op GBD 2021 om de wereldwijde last van neoplasma's te schatten die toegeschreven is aan lage lichamelijke activiteit

90 weergaven

⸱

DOI:

10.3791/70495

⸱

7 augustus 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

In dit artikel

Samenvatting

Dit protocol demonstreert een reproduceerbare workflow voor het extraheren, verwerken, analyseren en visualiseren van GBD 2021-schattingen van neoplasma's die toegeschreven kunnen worden aan lage fysieke activiteit. De workflow stelt onderzoekers in staat om lastindicatoren, temporele trends, decompositiecomponenten, sociaaleconomische ongelijkheden en modelgebaseerde projecties te evalueren met behulp van gestandaardiseerde populatiegegevens.

Samenvatting

Dit protocol beschrijft een reproduceerbare analytische workflow voor het schatten van de wereldwijde last van neoplasma's die toegeschreven worden aan lage fysieke activiteit met behulp van Global Burden of Disease 2021-gegevens. De workflow omvat gegevensextractie uit de GBD Results Tool, definitie van in aanmerking komende uitkomsten en blootstellingscategorieën, schatting van sterfgevallen, door arbeidsongeschiktheid gecorrigeerde levensjaren en leeftijdsgestandaardiseerde percentages, tijdstrendanalyse met geschatte jaarlijkse procentuele verandering en joinpoint-regressie, decompositieanalyse, beoordeling van sociaaleconomische ongelijkheid en Bayesiaanse leeftijdsperiode-cohortprojectie. Het protocol beschrijft ook hoe onzekerheidsintervallen, decompositiecomponenten en ongelijkheidsmetrieken geïnterpreteerd moeten worden in de context van gemodelleerde populatieniveau-schattingen. Als representatieve toepassing werd de workflow toegepast op colorectale kanker en vrouwelijke borstkanker, toegeschreven aan lage lichamelijke activiteit in 204 landen en gebieden van 1990 tot 2021, met prognoses tot 2045. Dit protocol kan worden aangepast voor andere GBD-risico-uitkomstparen wanneer onderzoekers een gestructureerde aanpak nodig hebben voor risico-toeschrijfbare lastschatting, trendkarakterisering, ongelijkheidsbeoordeling en projectieanalyse.

Inleiding

Neoplasmatische vormen een belangrijke categorie van niet-overdraagbare ziekten (NCD's) die bijdragen aan wereldwijde sterfte en invaliditeit, en vormen wereldwijd een kritieke volksgezondheidsuitdaging. Globocan 2022-gegevens toonden wereldwijd 19,96 miljoen nieuwe neoplasmagevallen en 9,74 miljoen sterfgevallen aan, waarbij long-, borst- (vrouwelijke) en darmkanker de overheersende maligniteiten vormen. De verwachte kankerincidentie zal tegen 2050 jaarlijks 35 miljoen bereiken (77% stijging ten opzichte van 2022), waarbij landen die laag scoren op de Human Development Index (HDI) naar verwachting een stijging van 142% zullen ervaren, gedreven door demografische transities. Demografische uitbreiding, veroudering van de bevolking, gebrekkige screeningssystemen en beperkte toegang tot behandelingen in regio's met lage HDI drijven deze trends aan, waardoor een noodzaak ontstaat voor een eerlijke verdeling van wereldwijde oncologiemiddelen1.

Lage lichamelijke activiteit (LPA) is een gevestigde aanpasbare factor voor ernstige NCD's, die maligniteiten, stofwisselingsstoornissen en neuropsychiatrische aandoeningen omvatten 2,3,4. LPA vormt een aanzienlijke wereldwijde gezondheidslast, met een leeftijdsgestandaardiseerde prevalentiestijging van 6,6% sinds 2000 en een bijdrage aan 7,2% van de wereldwijde sterfte door alle oorzaken in 2022, 5,6. Matige lichamelijke activiteit (PA) biedt significante bescherming tegen borstkanker (HR 0,90; 95% BI: 0,87–0,93), darmkanker (HR 0,84; 95% BI: 0,77–0,91) en rectale kanker (HR 0,87; 95% BI: 0,80–0,95), met parallelle afnames in locatie-specifieke sterfte7. Om essentiële PA wereldwijd te promoten, hebben tal van landen en regio's nationale PA-richtlijnen ontwikkeld die zijn afgestemd op hun specifieke contexten (bijv. Canada, het VK en de VS), die breed zijn verspreid via organisaties zoals de Wereldgezondheidsorganisatie (WHO) en de Europese Unie. Helaas voldoet slechts 72,5% van de volwassenen wereldwijd aan de minimaal aanbevolen PA-niveaus zoals vastgelegd in de richtlijnen voor volksgezondheid8.

Het verminderen van een last van een laag door lichamelijke activiteit toegeschreven neoplasma is cruciaal voor het behalen van het doel van het VN-Duurzame Ontwikkelingsdoel (SDG) 2030: een derde vermindering van de voortijdige sterfte van NCD's via preventie en zorg9. Het genereren van robuust bewijs om de relatie tussen LPA en neoplasma te verduidelijken is essentieel voor het sturen van toekomstig zorgbeleid. De Global Burden of Diseases, Injuries, and Risk Factors Study 2021 (GBD 2021) biedt vergelijkbare bevolkingsschattingen van sterfte, invaliditeitsgecorrigeerde levensjaren (DALY's) en risico-toeschrijfbare last in 204 landen en gebieden van 1990 tot 2021, met behulp van gestandaardiseerde epidemiologische benaderingen. In GBD 2021 dekken schattingen van ziekte en letsel 371 ziekten en verwondingen, terwijl de risicofactoranalyse blootstelling, relatieve risico, populatie-toewijsbare fracties en toerekenbare last voor 88 risicofactorenschat. Minder studies hebben echter een stapsgewijze en reproduceerbare workflow geleverd voor het extraheren van GBD 2021 neoplasmatische data met lage fysieke activiteit en het toepassen van trend-, decompositie-, ongelijkheids- en projectieanalyses binnen één protocol. Dit manuscript pakt deze methodologische kloof aan door de procedures voor gegevensextractie, variabelendefinitie, statistische modellering en interpretatie voor deze specifieke GBD-risico-uitkomstcombinatie te beschrijven. Dit protocol beschrijft een reproduceerbare secundaire analyse van GBD 2021-schattingen voor neoplasma's die te wijten zijn aan lage fysieke activiteit in 204 landen en gebieden van 1990 tot 2021, met prognoses tot 2045. De doelstellingen waren het kwantificeren van sterfgevallen, DALY's, leeftijdsgestandaardiseerde cijfers, temporele trends, ontbindingscomponenten, sociaaleconomische ongelijkheden en geprojecteerde last, zonder individuele causaliteit of directe interventie-effecten af te leiden.

Deze workflow is gekozen omdat het verschillende complementaire analytische componenten integreert in één reproduceerbaar raamwerk. In vergelijking met studies die alleen beschrijvende GBD-schattingen of single trend-metrics rapporteren, combineert dit protocol burden estimation, EAPC, joinpoint regressie, decompositieanalyse, ongelijkheidsbeoordeling en BAPC-projectie, waardoor gebruikers niet alleen de omvang van de last kunnen onderzoeken, maar ook temporele veranderingen, demografische factoren, sociaaleconomische gradiënten en toekomstige trends. Het protocol is van toepassing op onderzoekers die secundaire analyses uitvoeren van GBD-risico-toeschrijfbare schattingen, met name wanneer het doel is om lastpatronen over tijd, geslacht, leeftijdsgroepen, landen, regio's of SDI-categorieën te vergelijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Deze studie gebruikte publiek toegankelijke, gedeïdentificeerde GBD 2021 bevolkingsniveau-schattingen. Er werden geen individuele menselijke deelnemersgegevens geraadpleegd. De GBD 2021-studie kreeg een vrijstelling van informed consent van de University of Washington Institutional Review Board; Daarom was er geen aanvullende institutionele ethische goedkeuring nodig voor deze secundaire analyse.

OPMERKING: Dit protocol beschrijft een reproduceerbare workflow voor het uitvoeren van een secundaire analyse van GBD 2021-schattingen voor neoplasma11 die toegeschreven worden aan lage fysieke activiteit. De workflow omvat gegevensextractie, variabelendefinitie, lastschatting, analyse van temporele trends, decompositieanalyse, ongelijkheidsbeoordeling en Bayesiaanse leeftijdsperiode-cohortprojectie. De resultaten worden gepresenteerd om de toepassing van het protocol te illustreren in plaats van om een primaire causale relatie vast te stellen. De analytische workflow bestond uit zes opeenvolgende stappen: extractie van GBD 2021-schattingen, definitie van blootstelling, ziekte-uitkomsten en SDI-lagen, schatting van sterfgevallen, DALY's, leeftijdsgestandaardiseerde sterftegraad (ASMR) en leeftijdsgestandaardiseerde DALYs-rate (ASDR), temporele trendanalyse met behulp van geschatte jaarlijkse procentuele verandering (EAPC) en joinpoint-regressie, decompositie- en ongelijkheidsanalyses, en Bayesiaanse leeftijdsperiode-cohortprojectie tot 2045. Elk resultaat en figuur is gegenereerd uit een van deze gekoppelde analytische stappen.

1. Identificatie en toegang tot gegevensbronnen

  1. Toegang tot de Global Burden of Disease (GBD) 2021 Resultatentool.
    1. Open een webbrowser en navigeer naar de Global Burden of Disease Results Tool op https://vizhub.healthdata.org/gbd-results/.
    2. Selecteer GBD 2021 als studieversie uit de beschikbare datasetopties.
    3. Selecteer Risicofactoren uit het oorzaak-hiërarchiemenu.
  2. Definieer ziekte-uitkomsten en risicofactoren.
    1. Selecteer neoplasmatische als ziektecategorie.
    2. Kies lage lichamelijke activiteit als risicofactor.
    3. Selecteer sterfgevallen en arbeidsongeschiktheidsgecorrigeerde levensjaren (DALY's) als uitkomstmaten.
  3. Specificeer bevolking, geografie en tijdsperiode.
    1. Selecteer beide geslachten, man en vrouw, afzonderlijk voor geslachtsspecifieke analyses.
    2. Selecteer alle beschikbare leeftijdsgroepen ≥25 jaar.
    3. Selecteer alle 204 landen en gebieden.
    4. Stel de analyseperiode vast van 1990 tot 2021.
  4. Haal leeftijdsgestandaardiseerde uitkomstmaten uit.
    1. Schakel leeftijdsstandaardisatie in met de GBD 2021-standaardpopulatie.
    2. Selecteer leeftijdsgestandaardiseerde sterftecijfers (ASMR) en leeftijdsgestandaardiseerde DALYs-cijfers (ASDR) als outputvariabelen.
    3. Neem 95% onzekerheidsintervallen (UI's) op voor alle geëxtraheerde schattingen.
    4. Exporteer de geëxtraheerde gegevens in CSV-formaat voor downstream analyse.
    5. Voor reproduceerbaarheid, gebruik de volgende GBD Results Tool selecties: studieversie: GBD 2021; context: Risicofactoren; Risico: Weinig lichamelijke activiteit; oorzaak: Neoplasma's; Maatregelen: Overlijdens en DALY's; Meetpunten: Aantal en Tarief; leeftijden: Leeftijdsgestandaardiseerde en alle beschikbare 5-jarige leeftijdsgroepen ≥ 25 jaar; geslachten: zowel mannelijk als vrouwelijk; locaties: Globaal, 21 GBD-regio's, SDI-regio's en 204 landen en gebieden; jaren: 1990–2021.
    6. Exporteer de gemiddelde schatting, het onderste onzekerheidsinterval en het bovenste onzekerheidsinterval voor elke laag in CSV-formaat.
  5. Verkrijg gegevens met sociodemografische index (SDI)-stratificatie.
    1. Schakel stratificatie in op basis van de Sociodemografische Index (SDI).
    2. Haal SDI-specifieke ASMR- en ASDR-gegevens uit voor vergelijkende analyses.
  6. Toegang tot onderliggende databronnen.
    1. Navigeer naar de GBD 2021 Data Input Sources Tool op https://ghdx.healthdata.org/gbd-2021.
    2. Bekijk openbaar beschikbare documentatie die primaire gegevensbronnen beschrijft, waaronder vitale registratiesystemen, bevolkingsonderzoeken, medische dossiers en ziekteregisters.

2. Definitie van sleutelvariabelen en classificatiecriteria

  1. Definieer neoplasma's.
    1. Definieer neoplasmatische als kwaadaardige tumoren volgens de Global Burden of Disease (GBD) 2021 oorzaakhiërarchie.
    2. Alleen kwaadaardige neoplasma's die worden gekenmerkt door ongecontroleerde cellulaire proliferatie als gevolg van genetische en epigenetische ontregeling.
    3. Sluit goedaardige neoplasma's uit van alle analyses.
  2. Definieer lage lichamelijke activiteit.
    1. Definieer de intensiteit van lichamelijke activiteit met behulp van metabole equivalenten van taken (MET), waarbij 1 MET gelijkstaat aan een zuurstofverbruik van 3,5 mL O₂/kg/min in rust.
    2. Bereken wekelijkse fysieke activiteit met behulp van het totale aantal MET-minuten per week.
    3. Classificeer lichamelijke activiteitsniveaus in vier categorieën:12,13:
      Minder dan 600 MET-minuten per week.
      600 tot 3.999 MET-minuten per week.
      4.000 tot 7.999 MET-minuten per week.
      8.000 of meer MET-minuten per week.
    4. Definieer lage lichamelijke activiteit als minder dan 4.000 MET-minuten per week, in overeenstemming met de GBD 2021 risicotoeschreveningsmethode.
      OPMERKING: Deze cutoff is overgenomen uit de GBD 2021 risicoattributiedefinitie en is niet de novo geselecteerd in de huidige studie. Het werd gebruikt om consistentie te behouden met het GBD-raamwerk voor vergelijkende risicobeoordeling en om vergelijkbaarheid met andere GBD-gebaseerde schattingen te waarborgen.
  3. Definieer SDI.
    1. Definieer de SDI als een samengestelde indicator van 0 tot 1.
    2. Bereken SDI met behulp van het geometrische gemiddelde van gestandaardiseerd inkomen per hoofd van de bevolking, opleidingsniveau en vruchtbaarheidscijfer bij personen jonger dan 25 jaar.
    3. Classificeer landen en regio's in vijf SDI-categorieën14: Laag, Laag-Midden, Midden, Hoog-Midden en Hoog.
    4. Ken landen toe aan een van de 21 GBD-regio's op basis van SDI-stratificatie.
  4. Definieer neoplasma's die te wijten zijn aan lage lichamelijke activiteit.
    1. Identificeer neoplasma's die toegeschreven kunnen worden aan lage lichamelijke activiteit met behulp van het GBD 2021 vergelijkende risicobeoordelingskader.
      1. Binnen dit kader operationaliseren we de last van lage fysieke activiteit door blootstellingsverdelingen, risico-uitkomst relatieve risico's en het theoretische minimale risicoblootstellingsniveau te combineren om populatie-toewijzingsfracties te schatten. Pas dit vervolgens toe op sterfgevallen en DALY's voor in aanmerking komende neoplasma-uitkomsten.
    2. Neem darmkanker en vrouwelijke borstkanker op als neoplasmatische uitkomsten die te wijten zijn aan lage blootstelling aan lichamelijke activiteit.
      OPMERKING: In deze studie verwijzen neoplasma's die toegeschreven kunnen worden aan lage lichamelijke activiteit alleen naar colorectale kanker en vrouwelijke borstkanker zoals gedefinieerd in het GBD 2021 vergelijkende risicobeoordelingskader, en niet naar alle kwaadaardige tumoren.

3. Schatting van de wereldwijde last van neoplasma's die toegeschreven worden aan lage lichamelijke activiteit.

  1. Haal indicatoren van de ziektelast eruit.
    1. Importeer sterfgevallen en invaliditeitsgecorrigeerde levensjaren (DALYs) gegevens voor neoplasmata die toegeschreven kunnen worden aan lage lichamelijke activiteit uit het Global Burden of Disease (GBD) 2021 Results Tool, volgens het standaard GBD-raamwerk voor vergelijkende risicobeoordeling.
    2. Extraheren leeftijdsgestandaardiseerde sterftecijfers (ASMR) en leeftijdsgestandaardiseerde DALYs-percentages (ASDR) per 100.000 bevolking met behulp van de GBD 2021 standaardpopulatie.
    3. Bebehoud overeenkomstige 95% onzekerheidsintervallen voor alle geëxtraheerde schattingen zoals voorzien door de GBD 2021-methodologie.
  2. Bereken de levensjaren op basis van arbeidsongeschiktheid.
    1. Definieer arbeidsongeschiktheidsgecorrigeerde levensjaren (DALY's) als de som van verloren levensjaren (YLLs) en jaren geleefd met arbeidsongeschiktheid (YLD's), volgens de standaard GBD-definities.
    2. Bereken YLL's door leeftijdsspecifieke sterfte te vermenigvuldigen met de referentielevensverwachting gespecificeerd in de GBD 2021-levenstabel.
    3. Bereken YLD's door incidentgevallen te vermenigvuldigen met ziekte-specifieke invaliditeitsgewichten en ziekteduur, zoals beschreven in de GBD-methodologie.
    4. Controleer dat berekende DALY-waarden overeenkomen met de GBD 2021 gerapporteerde schattingen.

4. Temporele trendanalyse

  1. Geschatte jaarlijkse procentuele verandering:15,16.
    1. Importeer ASMR- en ASDR-gegevens in R-software (versie 4.4.2).
    2. Pas natuurlijke logaritmische transformatie toe op leeftijdsgestandaardiseerde snelheden.
    3. Pas lineaire regressiemodellen aan met het kalenderjaar als onafhankelijke variabele om temporele trends te beoordelen, volgens gevestigde epidemiologische trendanalysemethoden.
    4. Bereken de geschatte jaarlijkse procentuele verandering (EAPC) van de regressiehelling met behulp van de standaard exponentiële transformatie.
    5. Classificeer trends als stijgend, dalend of stabiel op basis van of het 95% betrouwbaarheidsinterval van de EAPC boven, onder of nul ligt.
  2. Voer joinpoint-regressieanalyse uit.
    1. Open het Joinpoint Regression Program (versie 5.3.0; Nationaal Kankerinstituut).
    2. Importeer ASMR- en ASDR-datasets in de software.
    3. Kies een log-lineair regressiemodel voor trendanalyse, in overeenstemming met de methodologische richtlijnen van Joinpoint17.
    4. Specificeer een minimum van 0 en maximaal 6 joinpoints.
    5. Selecteer de Data-Driven Bayesian Information Criterion (BIC)- methode met gewogen BIC-optimalisatie om optimale joinpoints te bepalen.
      1. Selecteer het maximum van zes joinpoints op basis van de lengte van de jaarlijkse tijdreeks van 1990 tot 2021 en de standaardaanbevelingen van het Joinpoint Regression Program.
      2. Bepaal het uiteindelijke aantal joinpoints met de datagedreven BIC.
    6. Voer de analyse uit om de jaarlijkse procentuele verandering (APC) en de gemiddelde jaarlijkse procentuele verandering (AAPC) te berekenen met 95% betrouwbaarheidsintervallen. Voor strata met schaarse gegevens of instabiele jaarlijkse schattingen werden segmentspecifieke APC's voorzichtig geïnterpreteerd en niet benadrukt tenzij de passende trend werd ondersteund door overeenkomstige onzekerheidsintervallen en epidemiologisch plausibel was.
    7. Exporteer APC- en AAPC-resultaten voor downstream-analyse.
      OPMERKING: EAPC en joinpointregressie werden voor verschillende doeleinden gebruikt. EAPC leverde een enkele samenvattende schatting van de gemiddelde log-lineaire trend over 1990–2021, terwijl joinpoint-regressie kalenderperioden identificeerde waarin het veranderingstempo verschoof en segmentspecifieke APC's schatte. Daarom werd EAPC gebruikt voor algehele vergelijking tussen strata, terwijl joinpointregressie werd gebruikt om temporele verbuigingspatronen te beschrijven.

5. Decompositieanalyse

  1. Bereid decompositie-invoer voor.
    1. Stratificeer sterfte- en DALY-gegevens op leeftijdsgroep, kalenderjaar en geografische regio.
    2. Importeer gestratificeerde datasets in JD_GBDR software (versie 2.37.1).
  2. Voer decompositieanalyse uit.
    1. Ontbind veranderingen in sterfte en DALY's tussen geselecteerde tijdstippen in veroudering, populatiegroei en epidemiologische veranderingscomponenten met behulp van gevestigde ontbindingsmethoden18.
    2. Kwantificeer de bijdrage van elk onderdeel aan de algehele veranderingen in de ziektelast.
      1. Interpreteer procentuele bijdragen als de evenredige bijdrage van veroudering, bevolkingsgroei en epidemiologische verandering aan de netto verandering in sterfgevallen of DALY's tussen twee tijdstip.
      2. Waarden die boven de 100% uitkomen of negatieve waarden kunnen optreden wanneer het ene onderdeel de belasting verhoogt terwijl een ander dit compenseert; interpreteer dergelijke waarden als wiskundige decompositie-effecten in plaats van directe biologische effecten.
    3. Exportdecompositieresultaten voor globale, SDI-niveau en GBD regionale analyses.

6. Analyse van gezondheidsongelijkheid

  1. Bereid gegevens voor voor ongelijkheidsbeoordeling.
    1. Rangschik alle landen en gebieden op basis van hun SDI-waarden van laagst naar hoog.
    2. Importeer ASMR en ASDR in R-software (versie 4.4.2).
  2. Bereken de hellingsindex van ongelijkheid.
    1. Ken elk land een relatieve sociaaleconomische rang toe op basis van de cumulatieve bevolkingsverdeling over SDI-lagen.
    2. Pas een gewogen lineair regressiemodel aan met ASMR of ASDR als afhankelijke variabele en relatieve SDI-rang als onafhankelijke variabele.
    3. Bereken de hellingsindex van ongelijkheid (SII) als het absolute verschil in ziektelast tussen de hoogste en laagste uiteinden van de SDI-gradiënt, volgens de vastgestelde ongelijkheidsanalysemethodologie.
  3. Bereken de concentratie-index.
    1. Bouw concentratiecurves door cumulatieve verhoudingen van ASMR of ASDR te plotten tegen cumulatieve bevolkingsverhoudingen, gerangschikt door SDI.
    2. Bereken de concentratieindex (CII) als tweemaal de oppervlakte tussen de concentratiecurve en de gelijkheidslijn.
    3. Interpreteer CII-waarden dicht bij nul als lage ongelijkheid en waarden die naar −1 of +1 toekomen als toenemende relatieve ongelijkheid, in overeenstemming met standaard gezondheidseconomiemethoden19.
  4. Schat de onzekerheid voor ongelijkheidsmetrics.
    1. Voor SII leidt u 95% betrouwbaarheidsintervallen af uit het gewogen regressiemodel met behulp van landniveau-bevolkingsgewichten.
    2. Voor CII, schat 95% betrouwbaarheidsintervallen met bootstrap-resampling van landen en gebieden met vervanging.
    3. Wanneer posterior draws beschikbaar zijn, herhaal je de SII- en CII-berekeningen over draws en rapporteer je de 2,5e en 97,5e percentielen als onzekerheidsintervallen.

7. Bayesiaanse leeftijdsperiode-cohort modellering

  1. Bereid invoergegevens voor voor projectie.
    1. Organiseer leeftijdsspecifieke sterfgevallen, DALY's en bijbehorende bevolkingsgegevens per 5-jaar leeftijdsgroep en kalenderjaar van 1990 tot 2021.
    2. Zorg voor consistentie in leeftijdsgroepdefinities en tijdsintervallen gedurende de volledige observatieperiode.
  2. Pas het Bayesiaanse leeftijds-periode-cohort model20 toe.
    1. Importeer de leeftijdsspecifieke last- en populatiedatasets in R met behulp van een Bayesiaans modelbouwkader voor leeftijdsperiode-cohorten.
    2. Specificeer leeftijd-, menstruatie- en cohorteffecten als gestructureerde willekeurige effecten, waarbij tweederangs random-walk-priors worden gebruikt om aangrenzende leeftijdsgroepen, kalenderperioden en geboortecohorten te verzachten.
    3. Genereer posterior schattingen van leeftijdsspecifieke percentages en bereken vervolgens de geprojecteerde ASMR en ASDR met behulp van de GBD 2021 standaardpopulatie.
    4. Beoordeel de modelfit door passende schattingen te vergelijken met waargenomen schattingen in de historische periode.
    5. Voer interne validatie uit door de meest recent geobserveerde jaren achter te houden, het model opnieuw aan te passen en voorspelde schattingen te vergelijken met waargenomen waarden.
  3. Maak toekomstige projecties.
    1. Prognose van leeftijdsgestandaardiseerde sterftecijfers en leeftijdsgestandaardiseerde DALYs-percentages voor neoplasma's die toegeschreven zijn aan lage lichamelijke activiteit van 2022 tot 2045.
    2. Extraheren posterior gemiddelde schattingen en overeenkomstige 95% onzekerheidsintervallen voor alle geprojecteerde uitkomsten. Evalueer projectie-onzekerheid met posterieure 95% onzekerheidsintervallen en interpreteer schattingen verder van de waargenomen periode met toenemende voorzichtigheid.
    3. Exporteer projectieresultaten voor visualisatie en rapportage.

8. Statistische analyse

  1. Voer algemene statistische analyses uit.
    1. Importeer alle opgeschonen datasets in R-software (versie 4.4.2).
    2. Gebruik R-software om alle statistische analyses uit te voeren en cijfers en tabellen te genereren.
    3. Stel de statistische significantie in op een tweezijdige p-waarde van minder dan 0,05 voor alle analyses.
  2. Voer gespecialiseerde GBD-analyses uit.
    1. Importeer GBD-geformatteerde datasets in JD_GBDR software (versie 2.37.1).
    2. Gebruik de JD_GBDR-software om ziektelastberekeningen, decompositieanalyses en gestandaardiseerde snelheidsvisualisaties uit te voeren volgens GBD-analytische conventies.
  3. Voer joinpoint-regressieanalyse uit.
    1. Download en installeer het Joinpoint Regression Program (versie 5.3.0) van de website van het National Cancer Institute (https://surveillance.cancer.gov/joinpoint/download).
    2. Importeer leeftijdsgestandaardiseerde sterftecijfers en leeftijdsgestandaardiseerde DALYs-datasets in de Joinpoint-software.
    3. Selecteer een log-lineair regressiemodel en voer joinpoint-regressieanalyse uit om temporele trends te evalueren, volgens de methodologie van het Joinpoint Regression Program.
    4. Exporttrendschattingen, inclusief jaarlijkse procentuele en gemiddelde jaarlijkse procentuele verandering, met bijbehorende 95% betrouwbaarheidsintervallen.
      OPMERKING: Alle analyses zijn uitgevoerd met R-softwareversie 4.4.2, Joinpoint Regression Program versie 5.3.0 en JD_GBDR softwareversie 2.37.1. De belangrijkste analytische settings omvatten log-lineaire EAPC-modellen, joinpointregressie met 0–6 joinpoints geselecteerd door het datagedreven Bayesian Information Criterion, decompositie in verouderings-, populatiegroei- en epidemiologische veranderingscomponenten, gewogen regressie voor SII, bootstrap-resampling of posterior draws voor CII-onzekerheid, en Bayesiaanse leeftijdsperiode-cohortprojectie tot 2045.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Succesvolle implementatie van dit protocol moet een volledige set geharmoniseerde GBD-afgeleide schattingen genereren over vooraf gedefinieerde locaties, jaren, geslachten, leeftijdsgroepen, maten en metrics. De verwachte outputs omvatten leeftijdsgestandaardiseerde en leeftijdsspecifieke lastschattingen met 95% onzekerheidsintervallen, EAPC- en joinpointtrendschattingen, decompositiecomponenten, SII- en CII-ongelijkheidsmetrieken, en BAPC-gebaseerde projecties met posterieure onzekerhei...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Deze GBD 2021-analyse toont twee contrasterende patronen in de door lage fysieke activiteit toegeschreven tumorlast. Terwijl ASMR en ASDR voor neoplasmata die aan LPA worden toegeschreven significant daalden van 1990 tot 2021 (ΔASMR = -19,72%; ΔASDR = -18,51%), stegen absolute sterfgevallen en DALYs respectievelijk met 95,73% en 84,79%. De toename van de absolute last ondanks dalende leeftijdsgestandaardiseerde cijfers werd voornamelijk verklaard door bevolkingsgroei en veroudering. Dale...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Dankbetuigingen

Wij erkennen de Global Burden of Disease Study (GBD 2021) medewerkers voor hun bijdragen aan neoplasma's die te wijten zijn aan LPA-epidemiologie, mogelijk gemaakt door de open access data van het Institute for Health Metrics and Evaluation (IHME). Dit werk kreeg ondersteuning van Jingding Medical Tech (dat JD_GBDR softwareautorisatie en cruciale gegevensverwerking leverde), met taalbewerkingsdiensten door Home for Researchers (www.home-for-researchers.com). Dit werk werd ondersteund door het Jiangsu Provinciale Traditionele Chinese Geneeskunde Science and Technology Development Program Project (QN202513) en het Internal Research Fund Project van het Tweede Geaffilieerde Ziekenhuis van de Nanjing Universiteit voor Chinese Geneeskunde (SEZRC202504, SEZJY202505).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Bayesian Age-Period-Cohort (BAPC) R PackageR Foundation / CRAN Repository https://cran.r-project.org/Gebruikt voor Bayesiaanse age-period-cohort projectieanalyses. 
CSV Data FilesInstitute for Health Metrics and Evaluation (IHME)N/AGeëxporteerde belastingsdatasets uit GBD 2021 Resultaten Tool voor downstream analyse.
dplyr R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=dplyrGebruikt voor datamanipulatie en -opschoning in R.
GBD 2021 Data Input Sources ToolInstitute for Health Metrics and Evaluation (IHME)https://ghdx.healthdata.org/gbd-2021Publiek repository voor GBD brongegevensdocumentatie.
ggplot2 R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=ggplot2Gebruikt voor grafische visualisatie van temporele trends en ongelijkheidsanalyses. 
Global Burden of Disease (GBD) 2021 Results ToolInstitute for Health Metrics and Evaluation (IHME)https://vizhub.healthdata.org/gbd-results/Publieke database gebruikt voor extractie van sterfgevallen, DALYs, ASMR, en ASDR gegevens. 
INLA R PackageR-INLA Projecthttps://www.r-inla.org/Gebruikt voor Bayesiaanse inferentie binnen age-period-cohort modellering. 
JD_GBDR Software Jingding Medical Technology Co., Ltd.Version 2.37.1Gebruikt voor GBD belastingsschatting, decompositie-analyse en gestandaardiseerde snelheidsvisualisatie.
Joinpoint Regression Program (Version 5.3.0)National Cancer Institute (NCI)https://surveillance.cancer.gov/joinpoint/downloadGebruikt voor joinpoint regressieanalyse, APC en AAPC schatting. 
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/excelGebruikt voor het organiseren en opschonen van geëxporteerde CSV datasets voorafgaand aan analyse. 
Personal Computer WorkstationAny standard computing workstationN/AAanbevolen minimum: 8 GB RAM, Windows 10/11 of macOS voor statistische analyses en projecties.
R Statistical Software (Version 4.4.2)R Foundation for Statistical Computinghttps://www.r-project.org/Gebruikt voor statistische analyse, EAPC berekening, ongelijkheidsanalyse, visualisatie en Bayesiaanse age-period-cohort modellering. 
RStudio DesktopPosit Software, PBChttps://posit.co/download/rstudio-desktop/Geïntegreerde ontwikkelomgeving voor R analyses.  

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

GeneeskundeEditie 234Editie 234Lege waardeEditiemondiale ziektelastSociodemografische IndexGezondheidsongelijkheid
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.