Artykuł metodologiczny

Prognozowanie śmiertelności z powodu raka wątrobowokomórkowego przy użyciu modelu regresji ważonej w celu oszacowania efektów kohortowych na Tajwanie

DOI:

10.3791/62253

⸱

6 sierpnia 2021

 ,  , 
1Department of Research, Taipei Tzu Chi Hospital, Buddhist Tzu Chi Medical Foundation, 2Department of Gastroenterology, Taipei Tzu Chi Hospital, Buddhist Tzu Chi Medical Foundation and School of Medicine, Tzu Chi University

* These authors contributed equally

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przedstawiamy wieloetapową metodę pomiaru efektu kohorty za pomocą danych dotyczących wieku, co pozwala na eliminację danych w wielu sytuacjach bez poświęcania jakości danych. Protokół demonstruje strategię i zapewnia ważony model regresji do analizy danych dotyczących raka wątrobowokomórkowego

.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aby wyeliminować wpływ wieku i okresu w danych tabeli kontyngencji cyklu wiekowego, zastosowano metodę wieloetapową do oceny efektu kohorty. Najbardziej ogólnym pierwotnym nowotworem złośliwym wątroby jest rak wątrobowokomórkowy (HCC). HCC jest związany z marskością wątroby o etiologii alkoholowej i wirusowej. W epidemiologii długoterminowe trendy śmiertelności z powodu HCC zostały nakreślone (lub prognozowane) przy użyciu modelu kohortowego wieku i okresu (APC). Zgony HCC określono dla każdej kohorty z jej ważonym wpływem. Przedział ufności (CI) średniej ważonej jest dość wąski (w porównaniu z równo ważonymi oszacowaniami). Ze względu na dość wąski CI z mniejszą niepewnością, jako środek do prognozowania wykorzystano oszacowanie średniej ważonej. W przypadku metody wieloetapowej zaleca się stosowanie estymacji średniej ważonej opartej na modelu regresji w celu oceny efektu kohortowego w danych z tabeli kontyngencji w okresie wieku.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Najczęstszym pierwotnym nowotworem złośliwym wątroby jest rak wątrobowokomórkowy (HCC). Jego śmiertelność plasuje się na piątym miejscu u mężczyzn i na ósmym u kobiet (6% mężczyzn i 3% kobiet) 1 wśród wszystkich nowotworów złośliwych na świecie. Na Tajwanie jest to najczęstszy nowotwór u mężczyzn i drugi co do częstości występowania u kobiet (21,8% mężczyzn i 14,2% kobiet) 2. Szacuje się, że od 2000 roku roczna liczba HCC diagnozowanych na całym świecie wynosi 564 000, z czego 398 000 to mężczyźni, a 166 000 to kobiety 3. W epidemiologii najczęstszym sposobem wyjaśnienia związku między wiekiem, miesiączką i zmiennymi kohortowymi (APC) jest to, że wiek i okres wpływają na siebie nawzajem, tworząc unikalne doświadczenie pokoleniowe dla badanego trendu chorobowego.

Mimo że ta konceptualizacja nadal ma precyzyjne liniowe połączenie wiek + kohorta = okres, ekspozycja (predyktor) nie jest nieodłącznym czynnikiem w kohorcie urodzeniowej. Zamiast tego proponujemy, że gdy zmiany powodują różne rozkłady choroby, występuje efekt kohortowy. Niemniej jednak, ponieważ wiek + kohorta = okres, te trzy zmienne są liniowo powiązane; tylko w przypadku egzekwowania innych ograniczeń niemożliwe jest wygenerowanie szacowanego modelu kohorty wiekowo-okresowej (APC) przy użyciu liniowych efektów wieku, okresu i kohorty. W tym badaniu wyjaśniliśmy ten problem i potencjalne ograniczenia, które nałożyliśmy w naszych poprzednich publikacjach 4,5,6,7.

Przy najmniejszych przypuszczeniach dotyczących danych z tabeli kontyngencji, metoda wieloetapowa 8 zapewnia trzy etapy oceny efektu kohorty. Ponadto, ponieważ mediana polerowania nie zależy od konkretnego rozkładu ani ramy, była używana do różnych typów danych, takich jak ilorazy, współczynniki logarytmiczne i liczby. Polerowanie medianowe jest podstawową techniką stosowaną w metodzie wielofazowej.

Dane z dwukierunkowej tabeli kontyngencji 9 zostały użyte do wygenerowania rozwoju wypolerowanej mediany. Procedura polerowania mediany służy do eliminowania skumulowanych skutków wieku (tj. wiersza) i okresu (tj. kolumny) poprzez iteracyjne odejmowanie mediany od każdego wiersza i każdej kolumny. Ta procedura jest często stosowana w analizie danych epidemiologicznych 10. Jedną z zalet tej techniki jest to, że nie są wymagane żadne założenia dotyczące rozkładu lub struktury danych w dwukierunkowej tabeli kontyngencji. W związku z tym technika ta była szeroko stosowana do każdego typu danych zawartych w tabeli, takich jak dane dotyczące samobójstw 11. Model APC został również wykorzystany do opisania długoterminowych trendów zachorowalności lub śmiertelności 5. Modele APC często zakładają, że wiek, okres i kohorta mają addytywny wpływ na logarytmiczną transformację choroby/śmiertelności. Aby ocenić efekty kohortowe, opisany protokół generuje model APC do pełnej analizy śmiertelności z powodu raka wątrobowokomórkowego (HCC) z regresją ważoną, wspierając w ten sposób wiarygodne prognozy i umiarkowaną ocenę efektów leczenia.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Źródła danych

Aby zademonstrować obliczenia, użyliśmy rocznych danych na temat śmiertelności HCC od 1976 do 2015 roku dla mężczyzn i kobiet na Tajwanie. Pakiet statystyczny dla nauk społecznych (SPSS) w wersji 24.0 dla systemu Windows oraz Microsoft Excel zostały wykorzystane do wykonania protokołów dla tego badania.

  1. Poproś lekarza HCC o sklasyfikowanie objawów klinicznych pacjenta, badań laboratoryjnych i wyników obrazowania medycznego w celu postawienia kodu diagnozy zgodnie z kodem Międzynarodowej Klasyfikacji Chorób (ICD), ICD 150.
  2. Upewnij się, że plik danych (zapisany jako plik CSV) zawiera kolumny roku (tj. okresu), wieku, kohorty, liczby zgonów, liczby populacji w połowie roku i śmiertelności.
    1. Kliknij pozycję Plik | Importowanie danych | Dane CSV | Otwarty. Upewnij się, że w polu wyboru znajduje się pole wyboru Odczyt nazw zmiennych z pierwszego wiersza danych i kliknij przycisk OK. Upewnij się, że plik danych został zaimportowany do programu SPSS.
  3. Skonstruuj dane tabeli kontyngencji skrzyżowane przez grupy wiekowe za pomocą SPSS. Ogólnie rzecz biorąc, zmienne wierszowe zdefiniowaliśmy jako wiek, a zmienne kolumnowe jako okres. Jeśli dane zawierały dane z jednego okresu (lub pojedynczego roku wieku), konieczne było zintegrowanie ich z grupą okresową (lub grupą wiekową). Następnie zestawiliśmy w tabelach porównawczych postawy wobec danej grupy wiekowej na przestrzeni lat badania.
    1. Kliknij pozycję Analizuj | Statystyki opisowe | Tabele przestawne i wybierz zmienną wieku w polu obok wierszy i zmiennej okresu w polu obok kolumn. Kliknij pozycję Komórki i upewnij się, że w polu wyboru Obserwowane jest pole wyboru. Tabelę awaryjną liczby zgonów (lub liczby populacji w połowie roku lub śmiertelności) można wykonać w SPSS, wykonując powyższe kroki.
    2. Eksportuj dane tabeli kontyngencji, które zostały wprowadzone w formacie CSV do analizy za pomocą innego oprogramowania. Kliknij pozycję Plik | Eksport danych | Upewnij się, że żądany format danych to CSV | Lokalizacja. To nieedytowalne pole wyświetla bezpieczną lokalizację eksportowanego pliku.
    3. Nazwa pliku: Kliknij przycisk Wybierz, aby zmienić nazwę pliku.
    4. Eksportuj jako typ: Wybierz typ pliku CSV z menu rozwijanego. Kliknij zmienne, aby wyświetlić dostępne zmienne i wybrać tabele zmiennych. Domyślnie wszystkie zmienne z zestawu danych źródłowych są zachowywane dla eksportowanego pliku. Badacze mogą użyć tabel, aby określić, które zmienne źródłowe mają zostać uwzględnione w wyeksportowanym pliku. Kliknij przycisk Eksportuj.

2. Ustawienia modelu

UWAGA: Metoda wieloetapowa została zaproponowana przez Keys i Li 8 z graficznym badaniem. Przeprowadzono analizę mediany języka polskiego w celu wyeliminowania skumulowanych skutków wieku i okresu; Na koniec te resztki z mediany fazy polskiej w kategorii kohortowej w modelu regresji liniowej poddano regresji i oceniono efekty kohortowe na podstawie danych w tabeli kontyngencji.

  1. Prezentacja graficzna jako pierwsza faza
    1. Utwórz wykres liniowy grup wiekowych i grup okresowych. Aby sprawdzić kohorty urodzeniowe w różnych grupach wiekowych lub kohorty urodzeniowe, narysuj na wykresach liniowych parzyste kohorty urodzeniowe w różnych grupach wiekowych lub cyklach.
    2. Zaimportuj plik CSV z danymi dotyczącymi śmiertelności w tabeli kontyngencji. Kliknij pozycję Plik | Otwórz | Przeglądaj, aby wybrać plik CSV z folderu. Pamiętaj, aby wybrać opcję Wszystkie pliki z listy rozwijanej obok pola Nazwa pliku.
    3. Kliknij przycisk Otwórz, aby otworzyć plik CSV. Zaznacz wiersze i kolumny danych awaryjnych dotyczących śmiertelności i kliknij przycisk Wstaw | Wykresy | Wykres liniowy.
  2. Mediana polskiej analizy jako druga faza
    1. Iteracyjnie odejmij medianę od każdego wiersza i każdej kolumny, aby wyeliminować skumulowany wpływ wieku i okresu. Po fazie polerowania mediany należy zachować resztki do procedury regresji, aby ocenić efekty kohortowe.
    2. Oblicz ogólną tabelę mediany i reszt. Zaimportuj plik CSV z danymi dotyczącymi śmiertelności w tabeli kontyngacji (patrz 2.1.1.2).
    3. LN użyto dla każdej komórki danych dotyczących śmiertelności w tabeli kontyngencji. Kliknij pozycję Formuły | Funkcja matematyczna i trygonometryczna i wybierz LN.
    4. Liczba: Wprowadź etykietę lokalizacji dla każdej komórki. Upewnij się, że każda komórka tabeli awaryjnej danych o śmiertelności przyjęła LN. Kliknij pozycję Formuły | Więcej funkcji | Statystyki i wybierz opcję MEDIANA.
    5. Number1: Wprowadź etykietę lokalizacji pierwszej komórki.
    6. Number2: Wprowadź etykietę położenia ostatniej komórki. Upewnij się, że wynikowa wartość mediany jest przechowywana w lewym górnym marginesie tabeli kontyngencji. Upewnij się, że tabela reszt została utworzona, biorąc różnicę między pierwotną wartością (tj. danymi dotyczącymi śmiertelności LN) a ogólną medianą.
    7. Obliczaj mediany wierszy (tj. mediany każdej grupy wiekowej) i upewnij się, że obliczono wartości mediany wierszy dla grupy wiekowej odpowiedzi. Kliknij pozycję Formuły | Więcej funkcji | Statystyka | Wybierz opcję MEDIANA.
      1. Numer 1: Wprowadź etykietę lokalizacji pierwszej komórki surowej próbki.
      2. Numer 2: Wprowadź etykietę ostatniej lokalizacji komórki surowca. Upewnij się, że wynikowe wartości mediany wierszy są przechowywane na lewym marginesie tabeli kontyngencji.
    8. Utwórz nową tabelę reszt po odjęciu od mediany wiersza. Upewnij się, że nowy zestaw wartości rezydualnych został utworzony z median wierszy, w których każda komórka przyjmuje wartość odjęcia mediany wiersza od każdej zmiennej odpowiedzi w tym wierszu. Kliknij = i upewnij się, że ogólna etykieta lokalizacji komórki każdego wiersza odjęła etykietę mediany marginesu po lewej stronie.
    9. Obliczanie mediany kolumn (tj. mediany każdej grupy okresów) i upewnij się, że oblicza wartości mediany kolumn dla grupy okresów odpowiedzi. Kliknij pozycję Formuły | Więcej funkcji | Statystyka | Wybierz opcję MEDIANA.
      1. Numer 1: Wprowadź etykietę lokalizacji pierwszej komórki kolumny. Numer 2: Wprowadź etykietę położenia ostatniej komórki kolumny. Upewnij się, że wynikowe wartości mediany kolumn są przechowywane na górnym marginesie tabeli kontyngencji.
    10. Utwórz nową tabelę reszt po odjęciu od median kolumn. Upewnij się, że nowy zestaw wartości rezydualnych został utworzony z median kolumny, w której każda komórka przyjmuje wartość odjęcia mediany kolumny od każdej zmiennej odpowiedzi w tej kolumnie. Kliknij = i upewnij się, że etykieta położenia komórki ogółem dla każdej kolumny została odjęta od etykiety mediany górnego marginesu.
    11. Powtarzaj kroki od 2.1.2.7 do 2.1.2.10, aż mediany wierszy i kolumn zrównają się z zerem. Kliknij pozycję Formuły | Więcej funkcji | Statystyka | Wybierz opcję MEDIANA. Upewnij się, że mediany wierszy i kolumn są w przybliżeniu zerowe. Zapisz końcową tabelę reszt w formacie CSV.
  3. Procedura regresji z wagą jako trzecia faza
    UWAGA: Obliczyliśmy zmienną zależną jako reszty dla każdej kohorty z liczbą zgonów jako wagą. Następnie przeprowadziliśmy regresje liniowe, aby obliczyć efekty kohortowe.
    1. Upewnij się, że Kutools dla programu Excel został zainstalowany i użyj jego Transpozycja Wymiary tabeli narzędzie, aby szybko przekonwertować tabele krzyżowe na płaskie listy. Zaimportuj plik CSV z danymi resztkowymi tabeli kontyngencji (patrz 2.1.2.11).
    2. Wybierz tabelę, która ma zostać przekonwertowana na listę. Kliknij przycisk Kutools | Modyfikacja | Transpozycja wymiaru tabeli. W oknie dialogowym Transpozycja wymiarów tabeli upewnij się, że w polu wyboru Tabela krzyżowa do wyświetlenia jest zaznaczona, a następnie wybierz zakres wyników, aby zapisać reszty w formacie listy.
    3. Kolumna wstawiona do początkowego pliku danych (patrz 1.2) z pozostałymi danymi w formacie listy (patrz 2.1.3.1). Upewnij się, że wstawiono kolumnę pomocniczą w danych formatu listy szczątkowej (patrz 2.1.3.1). Kliknij = zmienne wieku i okresu, a następnie kliknij Enter. Użyj kolumny pomocniczej, aby wyszukać etykiety grup wieku i okresów w danych formatu listy pozostałości, aby wstawić kolumnę reszt odpowiedzi do początkowego pliku danych (patrz 1.2).
    4. Kliknij pozycję Formuły | Wyszukiwanie i odniesienie | Wybierz opcję WYSZUKAJ.PIONOWO. Ustaw WYSZUKAJ.PIONOWO (etykieta lokalizacji komórki wieku i etykieta lokalizacji komórki okresu, pierwsza etykieta lokalizacji komórki kolumny pomocniczej: ostatnia etykieta lokalizacji komórki kolumny reszty, 4, 0). Upewnij się, że zakres wyboru obejmuje kolumny pomocnicze, wiek, okres i resztę (tj. czwarta kolumna jako lista reszt).
    5. Upewnij się, że resztki zostały wstawione do początkowego pliku danych (patrz 1.2), poszukaj danych w formacie listy pozostałości (patrz 2.1.3.1) w następnym kroku. Dopasuj model regresji za pomocą nieważonych najmniejszych kwadratów i przeanalizuj reszty.
    6. Kliknij pozycję Analizuj | Regresja | Liniowy. Przenieś zmienną niezależną, kategorię kohorty (tj. 17 kohort urodzeniowych) do pola Niezależne, a zmienną zależną, Reszty, do pola Zależne: . Kliknij przycisk OK. Upewnij się, że wygeneruj wyniki nieważonych efektów kohorty.
    7. Upewnij się, że resztki są wstawione do początkowego pliku danych programu Excel (patrz 1.2), poszukaj danych w formacie listy pozostałości (patrz 2.1.3.1), aby przejść do następnego kroku. Dopasuj model regresji za pomocą ważonych najmniejszych kwadratów i przeanalizuj reszty. Kliknij pozycję Analizuj | Regresja | Liniowy.
    8. Przenieś zmienną niezależną i kategorię kohorty (tj. 17 kohort urodzeniowych) do pola niezależne, a zmienną zależną i reszty do pola dependent:. Przenieś numer zgonu do pudełka na wagę WLS. Kliknij przycisk OK. Upewnij się, że generuje wyniki średniej ważonej efektu kohorty.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dane dotyczące śmiertelności zostały pokazane dla 10 pięcioletnich grup wiekowych (40-44, 45-49, 50-54, 55-59, 60-64, 65-69, 70-74, 75-79, 80-84 i 85+) oraz 8 pięcioletnich okresów (1976-1980, 1981-1985, 1986-1990, 1991-1995, 1996-2000, 2001-2005, 2006-2010 i 2011-2015). Liczba grup kohortowych została wybrana poprzez odjęcie jednej z całkowitej liczby grup wiekowych: 10 (pięcioletnie grupy wiekowe) + 8 (pięcioletnie okresy) -1 = 17 kohort urodzeniowych, przy czym grupy urodzeń oznaczono środkowymi latami kohortowymi jak...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ze względu na trend czasowy śmiertelności HCC, konwencjonalne modele nie doceniają niektórych ważnych cech ukrytych w danych (takich jak efekty kohortowe), a konwencjonalne analizy, które wykorzystują prostą liniową ekstrapolację obserwowanego współczynnika korekcji wieku logarytmicznego, wykazują znacznie zmniejszoną dokładność swoich przewidywań. Oczywiste jest, że tendencja ta utrzymuje się od 35 lat i będzie wykazywać tendencję wzrostową w ciągu najbliższych kilku lat, jeśli bezpośrednio zaobserwujemy długoterminowy ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Prace te były wspierane przez szpital Taipei Tzu Chi TCRD-TPE-109-RT-8 (2/3) i TCRD-TPE-109-39 (2/2).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Nie dotyczyNie dotyczyNie dotyczyNie dotyczy

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kuntz, E., Kuntz, H. D. Hepatology: Principles and Practice. , Springer. New York. 774(2006).
  2. McGlynn, K. A., et al. International trends and patterns of primary liver cancer. International Journal of Cancer. 94 (2), 290-296 (2001).
  3. Bosch, F. X., Ribes, J., Diaz, M., Cleries, R. Primary liver cancer: worldwide incidence and trends. Gastroenterology. 127, 5-16 (2004).
  4. Tzeng, I. S., Ng, C. Y., Chen, J. Y., Chen, L. S., Wu, C. C. Using weighted regression model for estimating cohort effect in age-period contingency table data. Oncotarget. 9 (28), 19826-19835 (2018).
  5. Tzeng, I. S., Lee, W. C. Forecasting hepatocellular carcinoma mortality in Taiwan using an age-period-cohort model. Asia-Pacific Journal of PublicHealth. 27, 65-73 (2015).
  6. Tzeng, I. S., et al. Predicting emergency departments visit rates from septicemia in Taiwan using an age-period-cohort model, 1998 to 2012. Medicine. 95, 5598(2016).
  7. Chen, S. H., et al. Period and Cohort Analysis of Rates of Emergency Department Visits Due to Pneumonia in Taiwan, 1998-2012. Risk Management and Healthcare Policy. 13, 1459-1466 (2020).
  8. Keyes, K. M., Li, G. A multiphase method for estimating cohort effects in age-period contingency table data. Annals of Epidemiology. 20, 779-785 (2010).
  9. Tukey, J. Exploratory data analysis Reading: MS. , Addison-Wesley Publishing Company. (1977).
  10. Selvin, S. Statistical analysis of epidemiologic data. , University Press. New York: Oxford. (1996).
  11. Légaré, G., Hamel, D. An age-period-cohort approach to analyzing trends in suicide in Quebec between 1950 and 2009. Canadian Journal of Public Health. 104, 118-123 (2013).
  12. Lavanchy, D. Hepatitis B virus epidemiology, disease burden, treatment, and current and emerging prevention and control measures. Journal of Viral Hepatitis. 11, 97-107 (2004).
  13. Chang, M. H., et al. Universal hepatitis B vaccination in Taiwan and the incidence of hepatocellular carcinoma in children. Taiwan Childhood Hepatoma Study Group. New England Journal of Medicine. 336, 1855-1859 (1997).
  14. Lu, F. T., Ni, Y. H. Elimination of mother-to-infant transmission of hepatitis B virus: 35 years of experience. Pediatric Gastroenterology, Hepatology & Nutrition. 23 (4), 311-318 (2020).
  15. Chien, Y. C., Jan, C. F., Kuo, H. S., Chen, C. J. Nationwide hepatitis B vaccination program in Taiwan: effectiveness in the 20 years after it was launched. Epidemiologic Reviews. 28, 126-135 (2006).
  16. Ahmad, O. B., et al. Age standardization of rates: a new WHO standard. Geneva: GPE Discussion Paper Series. World Health Organization. , 31(2005).
  17. da Silva, C. P., Emídio, E. S., de Marchi, M. R. Method validation using weighted linear regression models for quantification of UV filters in water samples. Talanta. 131, 221-227 (2015).
  18. Dawes, R. M. The robust beauty of improper linear models in decision making. American Psychologist. 34, 571-582 (1979).
  19. Dawes, R. M., Corrigan, B. Linear models in decision making. Psychological Bulletin. 81, 95-106 (1974).
  20. Einhorn, H. J., Hogarth, R. M. Unit weighting schemes for decision making. Organizational Behavior and Human Performance. 13, 171-192 (1975).
  21. Wang, W., et al. Association of hepatitis B virus DNA level and follow-up interval with hepatocellular carcinoma recurrence. JAMA Network Open. 3 (4), 203707(2020).
  22. Holford, T. R. The estimation of age, period and cohort effects for vital rates. Biometrics. 39, 311-324 (1983).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

HCC MortalityCohort EffectAge Period CohortLiver CirrhosisEpidemiology TrendsForecasting MortalityTaiwan Population
Film wkrótce dostępny

Powiązane artykuły