Ethische goedkeuring en toestemming om deel te nemen
Deze studie was een analyse van bestaande, publiek beschikbare en gedeïdentificeerde samenvattende gegevens uit de Global Burden of Disease Study 2023 (GBD 2023). Omdat het onderzoek geen directe interactie met menselijke of dierlijke proefpersonen, het verzamelen van nieuwe primaire gegevens of toegang tot individueel identificeerbare informatie omvatte, werd het als vrijgesteld van de eis voor formele goedkeuring door een institutionele beoordelingscommissie (IRB) of ethische commissie. De studie werd uitgevoerd in overeenstemming met de principes uiteengezet in de Verklaring van Helsinki. Het gebruik van GBD-gegevens voldoet aan de gebruiksvoorwaarden en het beleid voor gegevenstoegang.
Gegevensbronnen
Deze studie is een secundaire analyse van gedeidentificeerde geaggregeerde gegevens die zijn gepubliceerd in de GBD 2023-studie. De online zoektool van GHDx (https://ghdx.healthdata.org/gbd–results–tool) werd gebruikt om ziektelastgegevens te verkrijgen met betrekking tot baarmoederprolaps in China en G20-landen van 1990 tot 2023. Gevallen van baarmoederprolaps werden geïdentificeerd met behulp van de GBD 2023 oorzaakhiërarchie onder de categorie "Genitale prolaps", die ook uteriene prolaps omvat. De bijbehorende ICD-10-codes die door het Institute for Health Metrics and Evaluation (IHME) zijn in kaart gebracht, omvatten N81.2 (incomplete uterovaginale prolaps), N81.3 (volledige uterovaginale prolaps), N81.4 (ongespecificeerde uterovaginale prolaps) en N81.9 (ongespecificeerde vrouwelijke genitale prolaps). De GBD-oorzaak-ID voor baarmoederprolaps werd rechtstreeks verkregen met de GBD Results Tool, en schattingen van de ziektelast werden geëxtraheerd volgens de gestandaardiseerde GBD-oorzaakdefinities en coderingsprocedures. De ziektelastanalyse in GBD 2023 schatte de incidentie, prevalentie, sterfte, YLD's, YLLs en DALYs. De studie onderzocht epidemiologische kenmerken door geografische en leeftijdsgroepverschillen in ziektelast over tijd en ruimte te analyseren. De gegevens werden verwerkt met behulp van EAPC (Estimated Annual Percentage Change) analyse, het joinpointmodel, het ARIMA-model, het BAPC-model en decompositieanalyse. De specifieke berekeningsmethoden zijn consistent met die uit eerdere studies 27,33,34,35.
EAPC-analyse
EAPC was een breed geaccepteerde maatstaf om de trend van ASR's over specifieke tijdsintervallen te kwantificeren, en werd berekend op basis van het regressiemodel dat was aangepast aan de natuurlijke logaritme van de snelheden. Het regressiemodel werd gedefinieerd als: ln (snelheid)=α+βx+ε, en EAPC werd berekend als 100×(exp(β)- 1). Het 95% betrouwbaarheidsinterval (BI) werd ook bepaald door het lineaire regressiemodel.
waarbij ln (snelheid) de natuurlijke logaritme van ASR is, x het kalenderjaar aanduidt, α het intercept is, β de hellingscoëfficiënt voorstelt en ε de foutterm is. Als EAPC 0 > en zijn 95% BI ook > 0 is, is er een aanzienlijke opwaartse trend. Als EAPC 0 < en 95% BI < 0 is, is er een aanzienlijke neerwaartse trend. Als de 95% BI 0 bevat, is de trend niet statistisch significant; dat wil zeggen, de verandering was stabiel in de loop van de tijd.
Joinpoint-analyse
Het Joinpoint-regressiemodel werd gebruikt om de jaarlijkse procentuele verandering (APC) en de gemiddelde jaarlijkse procentuele verandering (AAPC) te berekenen, samen met hun respectievelijke 95% betrouwbaarheidsintervallen (BI), om zo de langetermijntrends van significante veranderingen voor UP in China en G20-landen van 1990 tot 2023 te bepalen. Dit model stelt gesegmenteerde regressie vast op basis van de temporele kenmerken van de ziekteverdeling, waarbij het tijdsbereik wordt verdeeld in verschillende intervallen, die elk trendpassing en optimalisatie ondergaan, waardoor de subjectiviteit van typische trendanalyses op basis van lineaire trends effectief wordt vermeden. De trendrichting werd bepaald op basis van de AAPC die uit het uiteindelijke model is berekend; specifiek, wanneer de 95% BI 0 niet bevat, betekent dit dat de trend significant is, AAPC > 0 een stijgende trend, en APPC < 0 een dalende trend.
BAPC-analyse
Het APC-model werd uitgebreid met Bayesiaanse statistische methoden (BAPC), die historische datapatronen, onzekerheidsfactoren en voorkennis integreren om de voorspellingsnauwkeurigheid en robuustheid te verbeteren, waardoor ruis en ambiguïteiten in de data effectief worden verwerkt. BAPC-projecties voor 2024 tot 2038 zijn gemaakt met een gladmakingsparameter van 5 voor leeftijd, periode en cohorteffecten, met gestandaardiseerde gewichten gebaseerd op de wereldstandaardpopulatie.
ARIMA-analyse
Het ARIMA-model is een populair model in de econometrie dat het gedrag van stationaire en niet-stationaire tijdreeksen kan analyseren, evenals de impact van plannen en beleidsmaatregelen op specifieke uitkomsten over de tijd34. In het ARIMA (p, d, q) model vertegenwoordigt 'p' het aantal autoregressieve termen, 'd' de orde van het differentiëren, en 'q' het aantal voortschrijdende gemiddelde termen. De specifieke berekeningsmethoden zijn consistent met die uit eerdere studies. Voor elke voorspelling worden de voorspelde waarde, bovengrens, ondergrens en 95%-CI van elk jaar en de prestatieparameters van het voorspellingsmodel verkregen (_eval.csv bestand). Het ARIMA-tijdreeksmodel werd gebruikt om de komende 27 jaar (2024-2050) te voorspellen, en de prestaties van het model werden geëvalueerd. De modelprestaties werden beoordeeld met behulp van standaard prognosediagnostiek, waaronder Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC), residuele autocorrelatieanalyse en goodness-of-fit evaluatie. Residugrafieken toonden geen grote schendingen van modelaannames aan, wat de geschiktheid van de geselecteerde voorspellingsmodellen voor lastprojectie ondersteunt. Auto.arima werd gebruikt om automatisch de optimale ARIMA(p,d,q)-parameters te selecteren en AICc (aangepaste AIC) werd gebruikt om het beste model te selecteren. Op basis van de bootstrap-voorspellingsmethode werden de voorspellingswaarde en het betrouwbaarheidsinterval berekend door mogelijke toekomstige paden te simuleren.
Decompositieanalyses
We hebben een Das Gupta-decompositie (Kitagawa–Das Gupta-factorisatie) uitgevoerd van de verandering in absolute tellingen tussen 1990 en 2023. De analyse werd voornamelijk opgedeeld in drie componenten: het verouderingseffect (veranderingen in leeftijdsstructuur), het bevolkingsgrootte-effect (groei van de totale bevolking) en het epidemiologische veranderingseffect (veranderingen in leeftijdsspecifieke percentages). De namen van de datakolommen zijn als volgt: 'overall_difference' duidt de totale verandering aan; 'a_effect' duidt op het verouderingseffect; 'p_effect' staat voor het effect van populatiegrootte; 'r_effect' duidt op het epidemiologische veranderingseffect; 'a_percent', 'p_percent' en 'r_percent' duiden het percentage van elk respectievelijk effect aan; 'val_1990' en 'val_2023' vertegenwoordigen respectievelijk het aantal gevallen in 1990 en 2023; en 'change' verwijst naar het verschil in 'diff1'. De grootte van elke factor op de resulterende grafiek illustreert de proportionele invloed ervan, waarbij positieve en negatieve waarden respectievelijk een toename of mitigatie-effect aangeven. Zwarte stippen op het perceel dienen als markeringen voor de totale verandering.
Analysesoftware
Datastatistische analyse en visualisatie in deze studie werden uitgevoerd met behulp van het R-softwarepakket en het Joinpoint-softwareprogramma (zie de Materiaaltabel voor details). Een p-waarde < 0,05 werd als statistisch significant beschouwd.