|
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！
|
