É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Um fluxo de trabalho analítico baseado no GBD 2021 para estimar a carga global de neoplasias atribuível à baixa atividade física

90 visualizações

⸱

DOI:

10.3791/70495

⸱

7 de agosto de 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

Neste artigo

Resumo

Esse protocolo demonstra um fluxo de trabalho reprodutível para extração, processamento, análise e visualização das estimativas GBD 2021 de neoplasias atribuíveis à baixa atividade física. O fluxo de trabalho permite que os pesquisadores avaliem indicadores de carga, tendências temporais, componentes de decomposição, desigualdades socioeconômicas e projeções baseadas em modelos usando dados padronizados em nível populacional.

Resumo

Este protocolo descreve um fluxo de trabalho analítico reprodutível para estimar a carga global de neoplasias atribuível à baixa atividade física, utilizando dados do Global Burden of Disease 2021. O fluxo de trabalho inclui extração de dados da Ferramenta de Resultados do GBD, definição de desfechos elegíveis e categorias de exposição, estimativa de mortes, anos de vida ajustados por deficiência e taxas padronizadas por idade, análise de tendência temporal usando variação percentual anual estimada e regressão de ponto de entrada, análise de decomposição, avaliação da desigualdade socioeconômica e projeção bayesiana de períodos etários-coorte. O protocolo também descreve como interpretar intervalos de incerteza, componentes de decomposição e métricas de desigualdade no contexto de estimativas modeladas em nível populacional. Como uma aplicação representativa, o fluxo de trabalho foi aplicado ao câncer colorretal e ao câncer de mama feminino atribuível à baixa atividade física em 204 países e territórios de 1990 a 2021, com projeções até 2045. Esse protocolo pode ser adaptado para outros pares risco-resultado do GBD quando pesquisadores precisam de uma abordagem estruturada para estimativa de carga atribuível ao risco, caracterização de tendências, avaliação de desigualdade e análise de projeção.

Introdução

As neoplasias representam uma categoria significativa de doenças não transmissíveis (DNTs) que contribuem para a mortalidade e deficiência globais, representando um desafio crítico de saúde pública em todo o mundo. Dados da Globocan 2022 revelaram 19,96 milhões de novos casos de neoplasia e 9,74 milhões de mortes em todo o mundo, com cânceres de pulmão, mama (feminino) e colorretal como predominantes malignidades. A projeção de incidência de câncer chegará a 35 milhões anualmente até 2050 (aumento de 77% em relação a 2022), com países com pontuações baixas no Índice de Desenvolvimento Humano (IDH) projetados para experimentar um aumento de 142%, impulsionado por transições demográficas. Expansão demográfica, envelhecimento populacional, sistemas de triagem deficientes e acesso restrito ao tratamento em regiões de baixo IDH impulsionam essas tendências, criando um imperativo para a alocação equitativa dos recursos globaisde oncologia 1.

Baixa atividade física (LPA) é um determinante estabelecido e modificável para doenças neurodivergentes graves, abrangendo malignidades, distúrbios metabólicos e condições neuropsiquiátricas 2,3,4. A LPA constitui um peso significativo para a saúde global, demonstrando um aumento de 6,6% na prevalência padronizada por idade desde 2000 e contribuindo para 7,2% da mortalidade global por todas as causas em 2022(5,6). Atividade física moderada (PA) confere proteção significativa contra cânceres de mama (HR 0,90; IC 95%: 0,87–0,93), cólon (HR 0,84; IC 95%: 0,77–0,91) e cânceres retais (HR 0,87; IC 95%: 0,80–0,95), com reduções paralelas na mortalidade específica dolocal 7. Para promover a AP essencial mundialmente, inúmeros países e regiões desenvolveram diretrizes nacionais de AP adaptadas aos seus contextos específicos (por exemplo, Canadá, Reino Unido e EUA), que foram amplamente disseminadas por organizações como a Organização Mundial da Saúde (OMS) e a União Europeia. Lamentavelmente, apenas 72,5% dos adultos no mundo atingem os níveis mínimos recomendados de PA estabelecidos nas diretrizes de saúdepública 8.

Mitigar a baixa carga de neoplásia atribuível à atividade física é fundamental para alcançar a meta do Objetivo de Desenvolvimento Sustentável (ODS) 2030 das Nações Unidas: redução de um terço na mortalidade prematura por DNTs por meio de prevenção e cuidados9. Gerar evidências robustas para elucidar a relação entre LPA e neoplasias é essencial para orientar futuras políticas de saúde. O Estudo Global de Carga de Doenças, Lesões e Fatores de Risco 2021 (GBD 2021) fornece estimativas comparáveis em nível populacional de mortalidade, anos de vida ajustados por deficiência (DALYs) e carga atribuível ao risco em 204 países e territórios de 1990 a 2021, utilizando abordagens epidemiológicas padronizadas. No GBD 2021, as estimativas de doenças e lesões abrangem 371 doenças e lesões, enquanto a análise de fatores de risco estima exposição, risco relativo, frações atribuíbles à população e carga atribuível para 88 fatoresde risco 10. No entanto, menos estudos forneceram um fluxo de trabalho gradual e reprodutível para extrair dados de neoplasia atribuíveis à baixa atividade física do GBD 2021 e aplicar análises de tendência, decomposição, desigualdade e projeção dentro de um único protocolo. Este manuscrito aborda essa lacuna metodológica detalhando os procedimentos de extração de dados, definição de variáveis, modelagem estatística e interpretação para esse par específico de risco-resultado GBD. Este protocolo descreve uma análise secundária reprodutível das estimativas GBD 2021 para neoplasias atribuíveis à baixa atividade física em 204 países e territórios de 1990 a 2021, com projeções até 2045. Os objetivos foram quantificar mortes, DALYs, taxas padronizadas por idade, tendências temporais, componentes de decomposição, desigualdades socioeconômicas e carga projetada, sem inferir efeitos de causalidade em nível individual ou intervenção direta.

Esse fluxo de trabalho foi escolhido porque integra vários componentes analíticos complementares em um único arcabouço reproduzível. Comparado a estudos que reportam apenas estimativas descritivas do GBD ou métricas de tendência única, esse protocolo combina estimativa de carga, EAPC, regressão de ponto de junção, análise de decomposição, avaliação de desigualdade e projeção BAPC, permitindo que os usuários examinem não apenas a magnitude da carga, mas também mudanças temporais, fatores demográficos, gradientes socioeconômicos e tendências futuras. O protocolo é aplicável a pesquisadores que realizam análises secundárias de estimativas atribuíveis ao risco do GBD, especialmente quando o objetivo é comparar padrões de carga entre tempo, sexo, faixas etárias, países, regiões ou categorias de IDS.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Este estudo utilizou estimativas públicas e desidentificadas do GBD 2021 em nível populacional. Nenhum dado individual de participantes humanos foi acessado. O estudo GBD 2021 recebeu uma dispensa de consentimento informado do Conselho de Revisão Institucional da Universidade de Washington; portanto, não foi necessária aprovação ética institucional adicional para essa análise secundária.

NOTA: Este protocolo descreve um fluxo de trabalho reprodutível para conduzir uma análise secundária das estimativas GBD 2021 paraneoplasias 11 atribuídas à baixa atividade física. O fluxo de trabalho inclui extração de dados, definição de variáveis, estimativa de carga, análise de tendências temporais, análise de decomposição, avaliação de desigualdade e projeção bayesiana de períodos etários-coortes. Os resultados são apresentados para ilustrar a aplicação do protocolo, em vez de estabelecer uma relação causal primária. O fluxo de trabalho analítico consistiu em seis etapas sequenciais: extração das estimativas do GBD 2021, definição de exposição, desfechos da doença e estratos do SDI, estimativa de mortes, DALYs, taxa padronizada de mortalidade por idade (ASMR) e taxa de DALYs padronizada por idade (ASDR), análise de tendência temporal usando variação percentual anual estimada (EAPC) e regressão de ponto de junção, análises de decomposição e desigualdade, e projeção bayesiana por período etário-coorte até 2045. Cada resultado e figura foi gerado a partir de uma dessas etapas analíticas vinculadas.

1. Identificação e acesso à fonte de dados

  1. Acesse a ferramenta de Resultados Global Burden of Disease (GBD) 2021.
    1. Abra um navegador web e navegue até a Ferramenta de Resultados do Peso Global de Doenças em https://vizhub.healthdata.org/gbd-results/.
    2. Selecione o GBD 2021 como a versão do estudo entre as opções disponíveis do conjunto de dados.
    3. Selecione Fatores de Risco no menu de hierarquia de causas.
  2. Defina os desfechos da doença e os fatores de risco.
    1. Selecione Neoplasias como a categoria de doença.
    2. Selecione baixa atividade física como fator de risco.
    3. Selecione Óbitos e Anos de Vida Ajustados por Deficiência (DALYs) como medidas de desfecho.
  3. Especifique população, geografia e período de tempo.
    1. Selecione ambos os sexos, Masculino e Feminino , separadamente para análises específicas por sexo.
    2. Selecione todas as faixas etárias disponíveis ≥25 anos.
    3. Selecione todos os 204 países e territórios.
    4. Defina o período de análise de 1990 a 2021.
  4. Extraia medidas de desfecho padronizadas por idade.
    1. Permita a padronização etária usando o padrão GBD 2021 para a população.
    2. Selecione a taxa de mortalidade padronizada por idade (ASMR) e a taxa DALYs padronizada por idade (ASDR) como variáveis de saída.
    3. Inclua intervalos de incerteza (UIs) de 95% para todas as estimativas extraídas.
    4. Exporte os dados extraídos em formato CSV para análise a jusante.
    5. Para reprodutibilidade, utilize as seguintes seleções da Ferramenta de Resultados do GBD: versão do estudo: GBD 2021; Contexto: Fatores de risco; risco: baixa atividade física; causa: Neoplasias; medidas: Mortes e DALYs; métricas: Número e Taxa; idades: Padronizada por idade e todas as faixas etárias disponíveis de 5 anos com ≥ 25 anos; sexos: Ambos, masculino e feminino; localizações: Global, 21 regiões GBD, regiões SDI e 204 países e territórios; Anos: 1990–2021.
    6. Exporte a estimativa média, o intervalo de incerteza inferior e o intervalo superior de incerteza para cada estrato no formato CSV.
  5. Obtenha dados estratificados pelo índice sociodemográfico (SDI).
    1. Permitir estratificação por meio do Índice Sociodemográfico (SDI).
    2. Extraia dados ASMR e ASDR específicos de SDI para análises comparativas.
  6. Acesse as fontes de dados subjacentes.
    1. Navegue até a ferramenta de Fontes de Entrada de Dados do GBD 2021 em https://ghdx.healthdata.org/gbd-2021.
    2. Revise documentação pública que descreva fontes primárias de dados, incluindo sistemas de registro civil, pesquisas populacionais, prontuários médicos e registros de doenças.

2. Definição de variáveis-chave e critérios de classificação

  1. Defina neoplásias.
    1. Defina neoplasias como tumores malignos de acordo com a hierarquia de causas Global Burden of Disease (GBD) 2021.
    2. Inclua apenas neoplasias malignas caracterizadas por proliferação celular descontrolada resultante de desregulação genética e epigenética.
    3. Exclua neoplásias benignas de todas as análises.
  2. Defina baixa atividade física.
    1. Defina intensidade da atividade física usando valores metabólicos equivalentes da tarefa (MET), onde 1 MET equivale a um consumo de oxigênio de 3,5 mL O₂/kg/min em repouso.
    2. Calcule os níveis semanais de atividade física usando o total de minutos de MET por semana.
    3. Classifique os níveis de atividade física em quatrocategorias 12,13:
      Menos de 600 minutos MET-por semana.
      De 600 a 3.999 minutos METs por semana.
      De 4.000 a 7.999 minutos MET-por semana.
      8.000 ou mais minutos MET-por semana.
    4. Defina baixa atividade física como menos de 4.000 minutos MET-minutos por semana, consistente com a metodologia de atribuição de risco GBD 2021.
      NOTA: Esse corte foi adotado da definição de atribuição de risco GBD 2021 e não foi selecionado de novo no presente estudo. Foi usado para manter consistência com o framework de avaliação comparativa de risco do GBD e comparabilidade com outras estimativas baseadas no GBD.
  3. Defina SDI.
    1. Defina o SDI como um indicador composto que varia de 0 a 1.
    2. Calcule o SDI usando a média geométrica da renda padronizada per capita, nível educacional e taxa de fertilidade em indivíduos com menos de 25 anos.
    3. Classificar países e regiões em cinco categorias deIDS: 14: Baixo, Baixo-Médio, Médio, Alto-Médio e Alto.
    4. Atribuir países a uma das 21 regiões GBD com base na estratificação SDI.
  4. Defina neoplasias atribuíveis à baixa atividade física.
    1. Identifique neoplasias atribuíveis à baixa atividade física utilizando o framework de avaliação comparativa de risco GBD 2021.
      1. Dentro desse quadro, operacionalize a baixa carga atribuível à atividade física combinando distribuições de exposição, riscos relativos risco-resultado e o nível teórico mínimo de exposição ao risco para estimar frações atribuíveis à população. Depois, aplique isso a mortes e DALYs para desfechos elegíveis de neoplasia.
    2. Inclua câncer colorretal e câncer de mama feminino como desfechos de neoplasia atribuídos à baixa exposição à atividade física.
      NOTA: Assim, neste estudo, neoplásias atribuíveis à baixa atividade física referem-se apenas ao câncer colorretal e ao câncer de mama feminino, conforme definido no quadro de avaliação de risco comparativa GBD 2021, e não a todos os tumores malignos.

3. Estimativa da carga global de neoplasias atribuível à baixa atividade física.

  1. Extrair indicadores de carga da doença.
    1. Dados de mortes por importação e anos de vida ajustados por deficiência (DALYs) para neoplasias atribuídos à baixa atividade física da Ferramenta de Resultados Global Burden of Disease (GBD) 2021, seguindo o quadro padrão de avaliação comparativa de risco do GBD.
    2. Extraia as taxas de mortalidade padronizadas por idade (ASMR) e as taxas DALYs padronizadas por idade (ASDR) por 100.000 habitantes usando o padrão GBD 2021 populacional.
    3. Mantenha intervalos de incerteza correspondentes de 95% para todas as estimativas extraídas, conforme fornecido pela metodologia GBD 2021.
  2. Calcule os anos de vida ajustados por deficiência.
    1. Defina anos de vida ajustados por deficiência (DALYs) como a soma dos anos de vida perdidos (YLLs) e dos anos vividos com incapacidade (YLDs), seguindo as definições padrão de GBD.
    2. Calcule os YLLs multiplicando a mortalidade específica por idade pela expectativa de vida de referência especificada na tabela de vida GBD 2021.
    3. Calcule as YLDs multiplicando os casos incidentes pelos pesos de incapacidade específicos da doença e pela duração da doença, conforme descrito na metodologia GBD.
    4. Verifique se os valores DALY calculados correspondem às estimativas reportadas pelo GBD 2021.

4. Análise de tendência temporal

  1. Estima a variação percentualanual 15,16.
    1. Importar dados ASMR e ASDR para o software R (versão 4.4.2).
    2. Aplicar a transformação logarítmica natural às taxas padronizadas por idade.
    3. Ajustar modelos de regressão linear com o ano civil como variável independente para avaliar tendências temporais, seguindo métodos estabelecidos de análise epidemiológica de tendências.
    4. Calcule a variação percentual anual estimada (EAPC) a partir da inclinação de regressão usando a transformação exponencial padrão.
    5. Classifique as tendências como crescentes, decrescentes ou estáveis com base em se o intervalo de confiança de 95% do EAPC está acima, abaixo ou inclui zero.
  2. Realize análise de regressão de ponto de junção.
    1. Abra o Programa de Regressão de Ponto de Junção (versão 5.3.0; Instituto Nacional do Câncer).
    2. Importe conjuntos de dados ASMR e ASDR para o software.
    3. Selecione um modelo de regressão logarítrica linear para análise de tendências, consistente com as diretrizes metodológicas doJoinpoint 17.
    4. Especifique um mínimo de 0 e um máximo de 6 pontos de junção.
    5. Selecione o método do Critério de Informação Bayesiano Orientado por Dados (BIC) com otimização BIC ponderada para determinar pontos de junção ótimos.
      1. Selecione o máximo de seis pontos de junção de acordo com o comprimento da série temporal anual de 1990 a 2021 e as recomendações padrão do Programa de Regressão de Pontos de Junção.
      2. Determine o número final de pontos de junção pelo BIC orientado por dados.
    6. Execute a análise para calcular a variação percentual anual (APC) e a variação percentual média anual (AAPC) com intervalos de confiança de 95%. Para estratos com dados escassos ou estimativas anuais instáveis, APCs específicos de segmento foram interpretados com cautela e não foram enfatizados, a menos que a tendência ajustada fosse apoiada por intervalos de incerteza correspondentes e fosse epidemiologicamente plausível.
    7. Exporte os resultados de APC e AAPC para análise a jusante.
      NOTA: EAPC e regressão de pontos de junção foram usados para propósitos diferentes. O EAPC forneceu uma estimativa única e resumida da tendência média log-linear entre 1990 e 2021, enquanto a regressão de ponto de junção identificou períodos de calendário nos quais a taxa de mudança mudou e estimou APCs específicos de segmento. Portanto, o EAPC foi usado para comparação geral entre camadas, enquanto a regressão do ponto de junção foi usada para descrever padrões de inflexão temporal.

5. Análise de decomposição

  1. Prepare entradas de decomposição.
    1. Estratificar dados de mortalidade e DALY por faixa etária, ano-calendário e região geográfica.
    2. Importar conjuntos de dados estratificados para JD_GBDR software (versão 2.37.1).
  2. Realize análise de decomposição.
    1. Decompor as mudanças na mortalidade e nos DALYs entre pontos de tempo selecionados em componentes de envelhecimento, crescimento populacional e mudança epidemiológica usando métodos de decomposiçãoestabelecidos 18.
    2. Quantifique a contribuição de cada componente para as mudanças gerais na carga da doença.
      1. Interprete contribuições percentuais como a contribuição proporcional do envelhecimento, crescimento populacional e mudança epidemiológica à variação líquida de mortes ou DALYs entre dois pontos de tempo.
      2. Valores superiores a 100% ou valores negativos podem ocorrer quando um componente aumenta a carga enquanto outro a compensa; interprete tais valores como efeitos de decomposição matemática, em vez de efeitos biológicos diretos.
    3. Resultados de decomposição de exportação para análises globais, em nível de SDI e regionais GBD.

6. Análise da desigualdade em saúde

  1. Prepare dados para avaliação da desigualdade.
    1. Classifique todos os países e territórios de acordo com seus valores de SDI, do menor ao mais alto.
    2. Importar ASMR e ASDR para o software R (versão 4.4.2).
  2. Calcule o índice de inclinação da desigualdade.
    1. Atribuir uma classificação socioeconômica relativa a cada país com base na distribuição populacional acumulada entre as camadas do IDS.
    2. Ajuste um modelo de regressão linear ponderada com ASMR ou ASDR como variável dependente e ranking relativo do SDI como variável independente.
    3. Calcule o índice de inclinação de desigualdade (SII) como a diferença absoluta na carga da doença entre os extremos mais alto e mais baixo do gradiente SDI, seguindo a metodologia estabelecida de análise de desigualdade.
  3. Calcule o índice de concentração.
    1. Construa curvas de concentração plotando proporções cumulativas de ASMR ou ASDR contra proporções populacionais acumuladas classificadas por SDI.
    2. Calcule o índice de concentração (CII) como o dobro da área entre a curva de concentração e a linha de igualdade.
    3. Interprete valores CII próximos a zero como baixa desigualdade e valores próximos de −1 ou +1 como aumento da desigualdade relativa, consistente com métodos padrão de economia dasaúde 19.
  4. Estimar a incerteza para métricas de desigualdade.
    1. Para o SII, derive intervalos de confiança de 95% a partir do modelo de regressão ponderada usando pesos populacionais em nível de país.
    2. Para CII, estime-se intervalos de confiança de 95% usando reamostragem bootstrap de países e territórios com substituição.
    3. Quando extrações posteriores estiverem disponíveis, repita os cálculos de SII e CII entre os retirados e reporte os percentis 2,5 e 97,5 como intervalos de incerteza.

7. Modelagem bayesiana de períodos etários-coorte

  1. Prepare dados de entrada para projeção.
    1. Organize mortes específicas por idade, DALYs e dados populacionais correspondentes por faixa etária de 5 anos e ano civil de 1990 a 2021.
    2. Garantir consistência nas definições por faixas etárias e intervalos de tempo ao longo de todo o período de observação.
  2. Aplique o modelo bayesiano de período-idade-coorte20.
    1. Importe os conjuntos de dados de carga e população específicos por idade para R usando uma estrutura bayesiana de modelagem de períodos etários-coortes.
    2. Especifique os efeitos de idade, período e coorte como efeitos aleatórios estruturados, usando priors de segunda ordem por caminhada aleatória para suavizar grupos etários adjacentes, períodos do calendário e coortes de nascimento.
    3. Gerar estimativas posteriores das taxas específicas por idade e então calcular as projeções de ASMR e ASDR usando a população padrão GBD 2021.
    4. Avalie o ajuste do modelo comparando estimativas ajustadas com as estimativas observadas durante o período histórico.
    5. Realize a validação interna retendo os anos mais recentes observados, ajustando o modelo e comparando estimativas previstas com valores observados.
  3. Gerar projeções futuras.
    1. Previsão das taxas de mortalidade padronizadas por idade e das taxas DALYs padronizadas por idade para neoplásias atribuíveis à baixa atividade física de 2022 a 2045.
    2. Extraia estimativas médias posteriores e intervalos de incerteza correspondentes de 95% para todos os desfechos projetados. Avalie a incerteza da projeção usando intervalos posteriores de incerteza de 95% e interprete estimativas mais distantes do período observado com cautela crescente.
    3. Exporte os resultados da projeção para visualização e relatórios.

8. Análise estatística

  1. Realize uma análise estatística geral.
    1. Importe todos os conjuntos de dados limpos para o software R (versão 4.4.2).
    2. Use o software R para realizar todas as análises estatísticas e gerar números e tabelas.
    3. Defina a significância estatística para um valor p bilateral inferior a 0,05 para todas as análises.
  2. Realizar análises especializadas de GBD.
    1. Importar conjuntos de dados com formato GBD para JD_GBDR software (versão 2.37.1).
    2. Use o software JD_GBDR para realizar cálculos de carga de doenças, análises de decomposição e visualizações padronizadas de taxas de acordo com as convenções analíticas do GBD.
  3. Realize análise de regressão de ponto de junção.
    1. Baixe e instale o Programa de Regressão Joinpoint (versão 5.3.0) no site do Instituto Nacional do Câncer (https://surveillance.cancer.gov/joinpoint/download).
    2. Importar conjuntos de dados de taxas de mortalidade padronizadas por idade e DALYs padronizados por idade para o software Joinpoint.
    3. Selecione um modelo de regressão log-linear e execute uma análise de regressão por ponto de junção para avaliar tendências temporais, seguindo a metodologia do Programa de Regressão por Ponto de Junção.
    4. Estimativas de tendência de exportação, incluindo variação percentual anual e média anual de variação, com intervalos de confiança correspondentes de 95%.
      NOTA: Todas as análises foram realizadas usando o software R versão 4.4.2, Joinpoint Regression Program versão 5.3.0 e JD_GBDR versão de software 2.37.1. Os principais contextos analíticos incluíram modelos EAPC log-lineares, regressão de pontos de junção com 0–6 pontos de junção selecionados pelo Critério de Informação Bayesiano orientado por dados, decomposição em componentes de envelhecimento, crescimento populacional e mudança epidemiológica, regressão ponderada para SII, reamostragem bootstrap ou extrações posteriores para incerteza CII, e projeção bayesiana de período-idade por coorte para 2045.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

A implementação bem-sucedida deste protocolo deve gerar um conjunto completo de estimativas harmonizadas derivadas do GBD entre locais, anos, sexos, faixas etárias, medidas e métricas predefinidas. Os resultados esperados incluem estimativas de carga padronizadas por idade e específicas por idade, com intervalos de incerteza de 95%, estimativas de EAPC e tendência de pontos de junção, componentes de decomposição, métricas de desigualdade SII e CII, e projeções baseadas em BAPC com interv...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Esta análise GBD 2021 mostra dois padrões contrastantes na baixa carga de neoplasia atribuível à atividade física. Enquanto ASMR e ASDR para neoplasias atribuídas à LPA diminuíram significativamente de 1990 a 2021 (ASMR = -19,72%; ΔASDR = -18,51%), as mortes absolutas e os DALYs aumentaram 95,73% e 84,79%, respectivamente. O aumento da carga absoluta, apesar da queda nas taxas padronizadas por idade, foi explicado principalmente pelo crescimento e envelhecimento populacional. A diminuiçã...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm nada a revelar.

Agradecimentos

Reconhecemos os colaboradores do Global Burden of Disease Study (GBD 2021) por suas contribuições às neoplasias atribuíveis à epidemiologia da LPA, facilitadas pelos dados de acesso aberto do Institute for Health Metrics and Evaluation (IHME). Esse trabalho recebeu apoio da Jingding Medical Tech (fornecendo autorização de software JD_GBDR e processamento de dados fundamentais), com serviços de edição de linguagem pela Home for Researchers (www.home-for-researchers.com). Esse trabalho foi apoiado pelo Projeto de Desenvolvimento de Ciência e Tecnologia da Medicina Tradicional Chinesa da Província de Jiangsu (QN202513) e pelo Projeto do Fundo de Pesquisa Interna do Segundo Hospital Afiliado da Universidade de Medicina Chinesa de Nanjing (SEZRC202504, SEZJY202505).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

```html
Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Bayesian Age-Period-Cohort (BAPC) R PackageR Foundation / CRAN Repository https://cran.r-project.org/Used for Bayesian age-period-cohort projection analyses. 
CSV Data FilesInstitute for Health Metrics and Evaluation (IHME)N/AExported burden datasets from GBD 2021 Results Tool for downstream analysis.
dplyr R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=dplyrUsed for data manipulation and cleaning in R.
GBD 2021 Data Input Sources ToolInstitute for Health Metrics and Evaluation (IHME)https://ghdx.healthdata.org/gbd-2021Public repository for GBD source documentation.
ggplot2 R PackageR Foundation / CRAN Repositoryhttps://cran.r-project.org/package=ggplot2Used for graphical visualization of temporal trends and inequality analyses. 
Global Burden of Disease (GBD) 2021 Results ToolInstitute for Health Metrics and Evaluation (IHME)https://vizhub.healthdata.org/gbd-results/Public database used for extraction of deaths, DALYs, ASMR, and ASDR data. 
INLA R PackageR-INLA Projecthttps://www.r-inla.org/Used for Bayesian inference within age-period-cohort modeling. 
JD_GBDR Software Jingding Medical Technology Co., Ltd.Version 2.37.1Used for GBD burden estimation, decomposition analysis, and standardized rate visualization.
Joinpoint Regression Program (Version 5.3.0)National Cancer Institute (NCI)https://surveillance.cancer.gov/joinpoint/downloadUsed for joinpoint regression analysis, APC, and AAPC estimation. 
Microsoft ExcelMicrosoft Corporationhttps://www.microsoft.com/excelUsed for organizing and cleaning extracted CSV datasets prior to analysis. 
Personal Computer WorkstationAny standard computing workstationN/ARecommended minimum: 8 GB RAM, Windows 10/11 or macOS for statistical analyses and projections.
R Statistical Software (Version 4.4.2)R Foundation for Statistical Computinghttps://www.r-project.org/Used for statistical analysis, EAPC calculation, inequality analysis, visualization, and Bayesian age-period-cohort modeling. 
RStudio DesktopPosit Software, PBChttps://posit.co/download/rstudio-desktop/Integrated development environment for R analyses.  
```

Referências

  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

MedicinaEdição 234Edição 234Valor VazioEdiçãocarga global de doençasÍndice Sociodemográficodesigualdade em saúde
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.