Etik Onay ve Katılım Rızası
Bu çalışma, Global Burden of Disease Study 2023 (GBD 2023)'den mevcut, kamuya açık ve kimliği belirsiz özet verilerin analizidir. Araştırma, insan veya hayvan deneklerle doğrudan etkileşim, yeni birincil verilerin toplanması veya bireysel olarak tanımlanabilir herhangi bir bilgiye erişim içermediği için, kurumsal inceleme kurulu (IRB) veya etik komitesi tarafından resmi onay gerekliliğinden muaf kabul edildi. Çalışma, Helsinki Bildirgesi'nde belirtilen ilkelere uygun olarak yürütülmüştür. GBD verilerinin kullanımı, kullanım şartları ve veri erişim politikalarına uygundur.
Veri Kaynakları
Bu çalışma, GBD 2023 çalışmasında yayımlanan kimliği yok edilmiş toplu verilerin ikincil analizidir. GHDx çevrimiçi sorgulama aracı (https://ghdx.healthdata.org/gbd–results–tool), 1990'dan 2023'e kadar Çin ve G20 ülkelerinde rahim prolapsusuyla ilgili hastalık yükü verilerini elde etmek için kullanıldı. Rahim prolapsı vakaları, "Genital prolapsus" kategorisi altında GBD 2023 neden hiyerarşisi kullanılarak tanımlanmıştır; bu kategori rahim prolapsusunu da kapsıyor. Sağlık Ölçütleri ve Değerlendirme Enstitüsü (IHME) tarafından haritalanan ilgili ICD-10 kodları arasında N81.2 (tam olmayan uterovajinal prolapsus), N81.3 (tam uterovajinal prolapsus), N81.4 (belirsiz uterovajinal prolapsus) ve N81.9 (belirsiz kadın genital prolapsu) yer alır. Rahim prolapsusu için GBD Neden Kimliği doğrudan GBD Sonuç Aracı'ndan alındı ve hastalık yükü tahminleri, standartlaştırılmış GBD neden tanımları ve kodlama prosedürleri izleyerek çıkarıldı. GBD 2023'teki hastalık yükü analizi, görülme sıklığı, ölüm, YLD, YLL ve DALY'leri tahmin etmiştir. Çalışma, epidemiyolojik özellikleri zaman ve mekân içinde hastalık yükündeki coğrafi ve yaş grup farklılıklarını analiz ederek inceledi. Veriler, EAPC (Tahmini Yıllık Yüzde Değişimi) analizi, birleşme noktası modeli, ARIMA modeli, BAPC modeli ve ayrıştırma analizi kullanılarak işlendi. Belirli hesaplama yöntemleri, önceki çalışmalardabildirilenlerle tutarlıdır 27,33,34,35.
EAPC Analizi
EAPC, ASR'lerin belirli zaman aralıklarındaki eğilimini nicelendirmek için yaygın olarak kabul gören bir ölçütü ve oranların doğal logaritmasına uydurulan regresyon modeline göre hesaplandı. Regresyon modeli şu şekilde tanımlandı: ln (oran)=α+βx+ε ve EAPC 100×(exp(β)- 1) olarak hesaplandı. %95 güven aralığı (CI) de lineer regresyon modeliyle belirlendi.
burada ln (hız) ASR'nin doğal logaritmasıdır, x takvim yılını gösterir, α kesişme noktasıdır, β eğim katsayısını temsil eder ve ε hata terimidir. EAPC 0 > ve %95 CI de > 0 ise, önemli bir yükseliş eğilimi vardır. EAPC < 0 ve %95 CI < 0 ise, önemli bir düşüş eğilimi vardır. %95 GA 0 içeriyorsa, eğilim istatistiksel olarak anlamlı değildir; yani, değişim zamanla istikrarlı kaldı.
Birleşme Noktası Analizi
Birleşme noktası regresyon modeli, yıllık yüzde değişimi (APC) ve ortalama yıllık yüzde değişimi (AAPC) ile birlikte bunların %95 güven aralıklarını (CI) hesaplamak için kullanıldı; böylece 1990'dan 2023'e kadar Çin ve G20 ülkelerinde UP'nin uzun vadeli önemli değişim eğilimleri belirlendi. Bu model, hastalık dağılımının zamansal özelliklerine dayalı olarak segmentlere ayrılmış regresyon kurar ve zaman aralığını farklı aralıklara bölerek her biri trend uyumu ve optimizasyondan geçerek doğrusal eğilimlere dayalı tipik trend analizlerinin öznelliğinden etkili bir şekilde kaçınır. Trend yönü, nihai modelden hesaplanan AAPC verilerine göre belirlendi; özellikle, %95 CI 0'ı içermediğinde, bu trendin anlamlı olduğu, AAPC > 0'ın artan bir eğilimi ve APPC < 0'ın azalma eğilimini gösterdiği anlamına gelir.
BAPC Analizi
APC modeli, tarihsel veri desenlerini, belirsizlik faktörlerini ve önceden bilgiyi entegre ederek tahmin doğruluğunu ve dayanıklılığını artıran Bayes istatistiksel yöntemleri (BAPC) kullanılarak genişletildi; böylece verilerdeki gürültü ve belirsizlikleri etkili bir şekilde yönetti. 2024'ten 2038'e kadar BAPC projeksiyonları, yaş, dönem ve kohort etkileri için 5 yumuşatma parametresi kullanılarak ve dünya standart nüfusa dayalı standart ağırlıklarla oluşturuldu.
ARIMA Analizi
ARIMA modeli, ekonometrikte popüler bir modeldir ve sabit ve sabit olmayan zaman serilerinin davranışını, ayrıca plan ve politikaların zaman içindeki belirli sonuçlar üzerindeki etkisinianaliz edebilir 34. ARIMA (p, d, q) modelinde, 'p' otoregressif terimlerin sayısını, 'd' diferentasyonun sırasını ve 'q' hareketli ortalama terimlerinin sayısını gösterir. Belirli hesaplama yöntemleri, önceki çalışmalarda bildirilenlerle tutarlıdır. Her tahmin için, tahmin edilen Değer, üst limit, alt sınır ve her yılın %95 CI ile tahmin modelinin performans parametreleri (_eval.csv dosyası) alınacaktır. ARIMA zaman serisi modeli önümüzdeki 27 yılın (2024-2050) tahmininde kullanıldı ve model performansı değerlendirildi. Model performansı, Akaike Bilgi Kriteri (AIC), Bayes Bilgi Kriteri (BIC), kalıntı otokorelasyon analizi ve uygunluk değerlendirmesi gibi standart tahmin tanıları kullanılarak değerlendirildi. Kalıntı grafikler, model varsayımlarında önemli bir ihlal olmadığını gösterdi ve bu da seçilmiş tahmin modellerinin yük projeksiyonu için uygunluğunu destekledi. Optimal ARIMA(p,d,q) parametrelerini otomatik olarak seçmek için Auto.arima kullanıldı ve en iyi modeli seçmek için AICc (modifiye edilmiş AIC) kullanıldı. Bootstrap tahmin yöntemine dayanarak, tahmin değeri ve güven aralığı olası gelecekteki yolların simülasyonu ile hesaplandı.
Ayrıştırma analizleri
1990 ile 2023 yılları arasında mutlak sayımlardaki değişimin Das Gupta ayrıştırmasını (Kitagawa–Das Gupta çarpanlaştırma) gerçekleştirdik. Analiz esas olarak üç bileşene ayrılmıştır: yaşlanma etkisi (yaş yapısındaki değişiklikler), popülasyon büyüklüğü etkisi (toplam nüfusun artışı) ve epidemiyolojik değişim etkisi (yaşa özgü oranlardaki değişiklikler). Veri sütunu isimleri şöyledir: 'overall_difference' toplam değişimi gösterir; 'a_effect' yaşlanma etkisini gösterir; 'p_effect' nüfus büyüklüğü etkisini temsil eder; 'r_effect' epidemiyolojik değişim etkisini ifade eder; 'a_percent', 'p_percent' ve 'r_percent' her bir etkili için yüzde katkısını gösterir; 'val_1990' ve 'val_2023' sırasıyla 1990 ve 2023 yıllarındaki vaka sayısını temsil eder; ve 'değişim' 'diff1'deki farkı ifade eder. Ortaya çıkan grafikteki her faktörün büyüklüğü, orantılı etkisini gösterir; pozitif ve negatif değerler sırasıyla bir artış veya hafifletici etkiyi gösterir. Grafik üzerindeki siyah noktalar toplam değişimi işaret eder.
Analiz yazılımı
Bu çalışmada veri istatistiksel analizi ve görselleştirme R yazılım paketi ve Joinpoint yazılım programı kullanılarak gerçekleştirildi (ayrıntılar için Materyal Tablosu'na bakınız). P < değeri 0.05 istatistiksel olarak anlamlı kabul edildi.