Joinpoint回归也能结合GBD数据库？瞧瞧高手们的做法

今天解读的是发表在 BMC Cardiovascular Disorders上的一篇文章《Analysis and comparison of the trends in burden of rheumatic heart disease in China and worldwide from 1990 to 2019》。本研究旨在描述 1990 年至 2019 年中国风湿性心脏病 (RHD) 负担的年龄和性别趋势，包括发病率、患病率、死亡率和伤残调整生命年 (DALYs)，并与全球疾病负担进行比较。研究使用了全球疾病负担 (GBD) 数据库的公开数据，并采用 Joinpoint 回归分析来评估 RHD 负担趋势。结果显示，中国的 RHD 负担指标均呈下降趋势，而全球发病率和患病率呈上升趋势。研究还发现 RHD 负担与年龄和性别相关，年轻人群患病率较高，老年人群死亡率较高，女性比男性更容易感染 RHD 且死亡风险更高。

风湿性心脏病 (RHD) 是一种获得性心脏病，通常在儿童和青少年时期由 A 组链球菌感染引起。RHD 主要影响心脏瓣膜，尤其是二尖瓣，并可能导致过早死亡和心力衰竭。尽管 RHD 被认为是可预防的，但它仍然是世界范围内一个重要的公共卫生问题，其早发性、高死亡率和致残率，尤其是在许多低收入国家，造成了巨大的健康负担。

在过去的二十年中，全球在控制 RHD 方面取得了显著进展，RHD 死亡率下降了 50%，但不同国家和地区的下降速度差异很大。例如，1990 年至 2015 年，印度的年龄标准化 RHD 死亡率下降了 18%，而同期中国则从每 10 万人 18.8 例下降到 5.4 例，降幅达 71%。这反映了 RHD 死亡率与环境和社会经济状况密切相关。为了降低 RHD 的死亡率，受 RHD 影响的国家需要系统地实施循证的预防和治疗策略，并严格评估潜在策略及其成本效益，以帮助进一步降低死亡率。此外，诊断和外科技术的进步也促进了 RHD 流行病学模式的变化。因此，跟踪 RHD 负担的时间趋势对于制定卫生策略至关重要。 

目前，GBD 研究关于 RHD 负担的报告主要集中在全球和区域层面的宏观评估。现有研究估计了 1990 年至 2019 年 RHD 的全球趋势和归因风险，检验了它们与社会经济发展状况的关系，并提供了对 RHD 负担的未来预测。然而，这些研究主要从全球视角探讨该问题，未能深入研究不同国家和地区之间的异质性，从而忽略了特定国家的具体情况。作为世界上人口最多的国家，中国 RHD 造成的负担受到了医学界的广泛关注。虽然有一些关于中国 RHD 负担的相关研究，但这些分析主要集中于与 RHD 相关的死亡和伤残调整生命年 (DALYs) 的趋势。在中国人口中，尚未对风湿性心脏病的进展进行更全面的调查。

因此，本研究基于GBD 数据库全面分析和比较了 1990 年至 2019 年中国和全球的 RHD 负担。我们采用 Joinpoint 回归分析来探索 RHD 的时间趋势，并从年龄和性别的角度深入研究了三十年来负担的变化。目的是为决策者提供有价值的见解，以评估中国 RHD 的总体负担，并促进有针对性的预防策略的制定和公共卫生资源的公平分配。

01 数据来源

本研究使用的数据来自 GBD 2019 数据集，这是一个综合性数据库，记录了 204 个国家和地区的 300 多种疾病和伤害的年龄和性别特异性发病率、患病率和死亡率。GBD 数据集的数据来自各种来源，包括 46,749 项队列研究、随机对照试验、公民调查和其他研究。RHD 是一种主要影响心脏瓣膜（尤其是二尖瓣）的心脏疾病，它源于 A 组链球菌感染引发的急性风湿热，并且已知经常导致过早死亡和心力衰竭。对于大多数疾病和伤害，使用标准化工具对处理后的数据进行建模，以按年龄、性别、地点和年份估算研究对象。

在本研究中，DisMod-MR 和死因集合模型 (CODEm) 是主要的标准化工具。DisMod-MR 是一种贝叶斯元回归工具，可评估一种疾病的发病率、患病率、缓解率和死亡率的所有可用数据，同时增强流行病学参数之间的一致性。CODEm 是一种高度系统化的工具，用于分析死因数据。它采用一组不同的建模方法来分析比率或原因分数，并选择在样本外预测有效性测试中表现最佳的各种协变量。本研究中与 RHD 相关的数据来自全球健康数据交换 (GHDx) 及其附属工具。

研究使用 GBD 工具提取了 1990 年至 2019 年中国和全球的发病率、患病率、死亡率和 DALYs 数据，作为评估 RHD 负担的指标。由于 2019 年 GBD 的数据是公开的，因此这项研究不需要获得机构伦理委员会的批准和知情同意。这项研究遵守了准确和透明的健康评估报告指南。

02 分析方法

2.1 统计分析

研究使用 GBD 在线工具，提取了以下与 RHD 相关的指标数据：

发病率: 每年新发 RHD 病例数。

患病率: 特定时间点存在的 RHD 病例数。

死亡率: 每年因 RHD 导致的死亡人数。

伤残调整生命年 (DALYs): 一个衡量疾病造成的健康损失的指标，结合了因过早死亡损失的寿命年和因疾病导致的健康生活损失年。

以上指标均按年龄、性别、年份和地理位置进行了分层。除了上述绝对数量外，还提取了以下年龄标准化率：

年龄标准化发病率 ：(ASIR)

年龄标准化患病率 ：(ASPR)

年龄标准化死亡率 ：(ASMR)

年龄标准化伤残调整生命年率 :(ASDR)

以及以下粗略率：

粗发病率 :(CIR)

粗患病率 :(CPR)

粗死亡率 :(CMR)

粗伤残调整生命年率: (CDR)

2.2 Joinpoint 回归分析

为了评估 RHD 负担指标的时间趋势，使用了 Joinpoint 回归分析。Joinpoint 回归是一种分段回归方法，可以识别时间序列数据中的趋势变化点（称为连接点）。该方法将时间序列数据拟合到一系列连接的直线段，每个线段具有不同的斜率。连接点表示趋势发生显著变化的时间点。Joinpoint 回归分析的具体步骤如下：

数据转换: 将年龄标准化指标 (ASIR、ASPR、ASMR 和 ASDR) 进行对数转换，以稳定方差并满足回归模型的假设。

模型拟合: 将对数转换后的数据拟合到 Joinpoint 回归模型中。模型公式如下：

ln(y) = α + βx + ε

其中，y 代表年龄标准化指标，x 代表年份，α 是截距，β 是斜率，ε 是误差项。

连接点识别: Joinpoint 回归模型会自动识别时间序列数据中的连接点。连接点的数量由模型根据数据的拟合优度和统计学意义确定。

趋势评估: 计算每个线段的年平均百分比变化 (AAPC) 及其 95% 置信区间 (CI)。AAPC 的计算公式如下：

AAPC = 100 * (exp(β) - 1)

其中，β 是对应线段的斜率。如果 AAPC 的 95% CI 不包含 0，则认为该线段的趋势具有统计学意义。

*本研究使用 Joinpoint 软件进行 Joinpoint 回归分析。

2.3 其他统计分析和可视化

本研究使用 R 语言对于数据进行描述性统计分析和可视化。使用 R 语言绘制了 RHD 负担指标的时间趋势图、年龄和性别分布图，以及其他相关图表。

01 发病率

1990 年至 2019 年，中国的 RHD 病例数从 369,383 例下降至 267,676 例，降幅为 27.53%。全球 RHD 病例数从 1,863,318 例增加至 2,789,443 例，增幅为 49.70%。中国的 ASIR 从每 10 万人 29.62 下降至 23.95，而全球 ASIR 从每 10 万人 32.69 上升至 37.40。中国的 AAPC 为 -0.73% (95% CI: -0.76, -0.71)，而全球 AAPC 为 0.48% (95% CI: 0.45, 0.50)。

02 患病率

1990 年至 2019 年，中国的 RHD 患病人数从 5,557,179 人增加至 5,981,816 人，增幅为 7.64%。全球 RHD 患病人数从 23,756,847 人增加至 40,502,345 人，增幅为 70.49%。中国的 ASPR 从每 10 万人 446.15 下降至 390.24，而全球 ASPR 从每 10 万人 451.56 上升至 513.68。中国的 AAPC 为 -0.47% (95% CI: -0.52, -0.41)，而全球 AAPC 为 0.45% (95% CI: 0.42, 0.48)。

03 死亡率

2019年，全球RHD 死亡人数为 305,651 人，比 1990 年减少了 15.60%。1990 年至 2019 年，中国的 RHD 死亡人数减少了 47.40%。全球 ASMR 从每 10 万人 8.94 下降至 3.85，而中国的 ASMR 从每 10 万人 18.11 下降至 4.04。全球死亡率的 AAPC 为 -2.87% (95% CI: -2.99, -2.76)，而中国的 AAPC 为 -5.10% (95% CI: -5.44, -4.77)。

04 DALYs

2019 年，全球 RHD 导致的 DALYs 为 10,673,882 人年，比 1990 年减少了 18.94%。1990 年至 2019 年，中国的 RHD 导致的 DALYs 减少了 57.56%。全球 ASDR 从每 10 万人 283.30 下降至 132.88，而中国的 ASDR 从每 10 万人 431.45 下降至 93.73。全球 DALYs 的 AAPC 为 -2.58% (95% CI: -2.69, -2.46)，而中国的 AAPC 为 -5.21% (95% CI: -5.44, -4.97)。

表1：1990 年和 2019 年中国和全球 RHD 的全年龄段病例和年龄标准化发病率、流行率、死亡率和 DALYs 率以及相应的 AAPC

05 Joinpoint 回归分析

Joinpoint 回归分析显示，1990 年至 2000 年期间，中国的 ASIR 和 ASPR 显著下降，2000 年至 2010 年期间有所上升，2010 年后略有下降。全球 ASIR 和 ASPR 在 1995 年后总体呈显著上升趋势，2017 年至 2019 年略有下降。1990 年至 2019 年期间，中国和全球的 ASMR 均显著下降。

图1：1990 - 2019年中国风湿性心脏病ASIR、ASPR、ASMR和ASDR的APC（* 表示p值< 0.05且结果显著）。(a)ASIR;（B）ASPR;（c）ASMR;（d）ASDR

图2：1990年至2019年全球RHD的ASIR、ASPR、ASMR和ASDR的APC（* 表示p值< 0.05且结果显著）。(a)ASIR;（B）ASPR;（c）ASMR;（d）ASDR

图3：1990年至2019年中国和全球RHD的ASIR、ASPR、ASMR和ASDR趋势比较

06 年龄与性别差异

在中国，RHD 发病率在 50 岁以下人群中较高，0-14 岁年龄组的发病人数最多。RHD 患病率在 20-24 岁和 30-34 岁年龄组达到峰值。死亡率和 DALYs 随年龄增长而增加，老年人群的死亡率和 DALYs 最高。女性的 RHD 发病率和死亡率均高于男性。

图4：1990年和2019年中国各年龄组的发病率、患病率、死亡率和糖尿病计数及其粗发生率的比较（沿着）。(a)事件案例和CIR;（B）流行病例和CPR;（c）死亡病例和CMR;（d）死亡病例计数和CDR;

图5：1990年中国不同年龄组男女风湿性心脏病发病率、患病率、死亡率及住院日数比较(a)发生率;（B）流行率;（c）死亡率;（d）死亡率

图6：2019年中国不同年龄组男性和女性风湿性心脏病发病率、患病率、死亡率和死亡率的比较。(a)发生率;（B）流行率;（c）死亡率;（d）死亡率

图7：1990 - 2019年中国男女全龄病例及发病率、患病率、死亡率、失智症年龄标化率比较。(a)事件病例和ASIR;（B）流行病例和ASPR;（c）死亡病例和ASMR;（d）DADs计数和ASDR。条形图表示计数;线条表示年龄标准化比率

数据质量的局限性：GBD 估计依赖于数据的质量和数量，例如疾病诊断和随时间推移的环境风险因素测量。在获得医疗保健的机会有限的地区和经济弱势人群中，疾病诊断可能不足，尤其是在低收入和中等收入 SDI 地区，那里的 RHD 筛查可能不足。因此，RHD 负担的数据可能被低估。

疾病分类和编码的局限性：由于疾病的错误分类和错误编码，可能会出现偏差，这可能会影响结果的准确性和稳健性。ICD 编码可能会随着时间的推移而发生变化，从而导致不同时期数据之间缺乏可比性。此外，由于不同国家可能使用不同的疾病分类和编码系统，这使得在比较不同国家或地区的 RHD 负担时可能会出现挑战。

数据收集方法的局限性: RHD 的诊断和检测方法可能随时间而变化，不同时期的数据收集方法和工具的差异可能会给数据带来潜在的偏差。例如，早期研究可能依赖于临床诊断，而后期研究可能使用更敏感的诊断工具，如超声心动图。这些差异可能会导致不同时期 RHD 负担估计值的偏差。

全球数据的局限性：在本研究中，全球 RHD 数据在全球范围内呈现，以描述 RHD 的总体负担。然而，由于具体的社会经济发展、地理环境因素、遗传、种族以及医疗资源和疫苗覆盖水平等因素，不同国家或地区的疾病负担水平可能有所不同。因此，这些全球数据可能无法直接作为特定国家或地区疾病负担的具体参考水平。需要根据每个国家或地区的具体数据进行进一步的深入分析。

模型的局限性: Joinpoint 回归模型假设数据中存在多个连接点，这可能并不总是适用于所有情况。在某些情况下，更平滑的曲线（例如多项式回归）可能更适合数据。此外，Joinpoint 回归模型可能对异常值敏感，这可能会影响连接点的估计位置。

小编说明：

本研究利用 GBD 2019 数据库的数据，对 1990 年至 2019 年中国和全球的 RHD 负担进行了全面评估，并比较了中国 RHD 负担的年龄和性别差异。研究结果表明，中国的 RHD 负担呈下降趋势，这可能与过去 30 年来中国在改善医疗保健、生活方式和公共卫生条件方面取得的进步有关。然而，全球 RHD 负担仍然是一个严峻的公共卫生挑战，特别是在低收入和中等收入国家。本研究强调了在 RHD 的预防和控制中持续努力的重要性，例如加强医疗资源、采取有效的预防和控制措施以及促进国际合作。此外，本研究还揭示了 RHD 负担的年龄和性别差异，这提示需要针对不同人群制定差异化的干预策略。由于 GBD 数据和 Joinpoint 回归模型的局限性，未来的研究需要使用更精细的数据和更复杂的分析方法来进一步验证和完善研究结果。

临床研究的根本使命是发现并解决生命科学领域亟待解决的临床问题，同时，为即将发生的临床难题提供备选解决方案。

打开极智分析—智能医学统计分析平台 https://www.xsmartanalysis.com/ 进行实操吧！