呈现某疾病率的变化趋势是描述性流行病学研究的重要内容,一个常用的方法是计算不同时间的率,在此基础上有时会考虑年龄标准化率(Age standardized rate, ASR)和(或)ASR的年度百分比变化估计值(EAPC, estimated
annual percentage change)(GBD合集)。但是上述方法仍然是描述性的、非参数性的。为了克服非参数性方法固有的局限性、进一步对有限的纵向流行病学数据进行充分的信息挖掘,研究人员开发了多种参数性统计模型,其中性能突出的是我们今天的主角:APC模型(全称为Age-period-cohort
model),该模型可以同时解释影响疾病时间变化趋势的三大效应——年龄效应、时期效应、队列效应(一般认为,疾病的时间变化趋势通常用年龄效应、时期效应、队列效应、随机变异来解释)。下面我们来依次讨论3个话题:什么是APC模型、如何构建APC模型、通过APC模型可以得到哪些结果? 如上所述,APC模型涉及3个关键变量:年龄、时期、队列,我们来分别理解一下上述变量。 (1)整理列克西斯图,即时间年龄方格图; (2)按照APC模型网页工具或者R语言脚本的要求进行数据清洗,继而完成建模。 Step1: 整理列克西斯图 整理列克西斯图时,需要理解以下两个要点: (1)需要控制年龄间隔=时期间隔(由于GBD数据的特性是年龄间隔为5岁,而时期间隔为1年,所以需要先把时期间隔调整为5年); (2)出生队列=时期-年龄(线性相关),即C=P-A。下图展示的是40岁以上人群在1990-2019年间的列克西斯图。 列克西斯图示例(40岁以上人群,1990-2019年) 上图中的每一个X代表一个特定人群的相应流行病学指标(如某疾病患病人数),上图中红色圆圈对应的X代表群体是1995-1999年间65-69岁群体。Step2: 按照APC模型网页工具或者R语言脚本的要求进行数据清洗 早在2014年,APC网页工具就已经上线,网址为http://analysistools.nci./apc/,该网页也同时提供了对应的R脚本。
如上表所示,APC模型可以输出多个指标,接下来对其中的常用指标进行解读。 表1(Net drift展现于表格)
图1(Net
drift展现于地图) 图2(Local drift展现于图) 图3(年龄、时期、队列效应展现于图) 希望本期推送可以帮助大家更深入地理解GBD数据库中的关键术语!大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出,我们会尽快回复!1.
Rosenberg PS, Check DP, Anderson WF. A web tool for age-period-cohort analysis
of cancer incidence and mortality rates. Cancer Epidemiol Biomarkers Prev.
2014;23(11):2296-2302.2.黄照,马文军. 年龄-时期-队列模型. 华南预防医学.2017年8月第43卷第4期.3. Su Z, Zou Z, Hay SI, et al. Global, regional, and national time trends in mortality for congenital heart disease, 1990-2019: An age-period-cohort analysis for the Global Burden of Disease 2019 study. EClinicalMedicine. 2022;43:101249.写在最后 “观科研”(点击进一步了解我们吧)是由一群北京协和医学院(清华大学医学部)的博士开创的公众号,初心是让医学科研有迹可循,帮助一线的医学科研人员更快地成长,希望大家支持与关注!
|