GBD数据库研究套路汇总

套路 1

回顾过去疾病负担趋势分析+未来趋势预测

套路精髓：历史数据→找转折点→预测未来→联系政策

回望过去：分析历史数据，识别关键转折点（如政策实施、流行病暴发年份）

展望未来：基于历史规律预测未来疾病负担，支持政策制定

适用场景：慢性病（癌症、糖尿病）、传染病（结核、COVID-19）、伤害（交通事故）等长期趋势明显的健康问题

 案例文章 

总结：

使用GBD数据库的开放数据，可以分析全球范围内不同年龄和性别群体的疾病负担的动态描述，揭示疾病分布的时空差异及其影响因素。Joinpoint回归分析计算年度百分比变化（APC）和平均APC（AAPC），识别疾病负担（如发病率、死亡率）随时间变化的关键转折点，量化不同阶段的趋势强度，从而明确疾病负担的阶段性特征；此外，未来趋势可以通过贝叶斯年龄-时期- cohort模型（BAPC）以及ARIMA模型进行预测，BAPC模型能够解析年龄、时期和队列效应对疾病负担的影响，而ARIMA模型则适用于捕捉时间序列数据的动态依赖关系，为公共卫生政策的制定和资源分配提供科学依据。

套路 2

单独分析某种性别/关注性别差异

套路精髓：聚焦性别差异 → 分析趋势

• 聚焦性别差异，单独分析某一性别（如女性乳腺癌、男性前列腺癌）或对比两性间的疾病负担差异（如心血管疾病、抑郁症）；

• 按年龄、地区、时间等维度细分，探索性别差异的潜在影响因素（如生物学、行为、社会文化因素）；

• 比较不同性别在发病率、死亡率、伤残调整寿命年（DALY）等指标上的时间变化趋势。

适用场景

• 性别特异性疾病（如宫颈癌、睾丸癌）

• 性别差异显著的疾病（如抑郁症、骨质疏松症、冠心病）

• 公共卫生政策制定（如性别针对性干预措施）

 案例文章 

总结：

采用年龄-时期-队列（APC）模型来解析不同性别中疾病负担趋势的驱动因素，量化年龄效应（如老龄化）、时期效应（如医疗进步、政策变化）和队列效应（如不同出生代的暴露差异）的独立影响。同时，基于比较风险评估框架，估计关键危险因素（如吸烟、高血压、空气污染等）对疾病负担的独立贡献，并计算了年龄-性别特异性可归因死亡率。此外，通过分解分析（如人口归因分解），将疾病负担的变化拆解为老龄化、人口增长和流行病学趋势（发病率/死亡率变化）的贡献，并进一步探究不同性别间的差异，以揭示生物学和社会因素的相对作用。

套路 3：风险因素 

套路精髓：量化风险因素对疾病负担的贡献，识别关键干预靶点。

适用场景：

• 探索某疾病的主要风险因素（如吸烟对肺癌的贡献）

• 比较不同风险因素的相对重要性（如高血压 vs. 高血糖对心血管疾病的影响）

• 评估风险因素随时间/地区的变化趋势

 案例文章 

总结：

• 描述性分析可对不同风险因素的DALYs/死亡数占比进行排序比较；

• 结合SDI（社会人口指数）分析风险因素与经济发展水平的关系，分析性别和年龄组间的风险因素差异；

• 双向孟德尔随机化（Mendelian randomization）分析评估危险因素与疾病之间的因果关系。

套路 4：聚焦特殊年龄段

套路精髓：聚焦特定生命周期（儿童、老年、育龄女性等），利用年龄分层数据发现差异化疾病模式。

适用场景

儿童（0-14岁）：先天性疾病、传染病等

青壮年（15-49岁）：职业暴露、心理健康、交通事故

老年（55+岁）：退行性疾病、多病共存、养老相关

 案例文章 

总结：

• 年龄分层可视化： 年龄金字塔图、热图等，探究不同性别的不同年龄组别疾病负担对比；

• 年龄-时期-队列模型（APC）：区分年龄效应（生物衰老）、时期效应（突发事件如COVID-19）、队列效应（代际差异）；

• 特殊人群：结合GBD的孕产妇/新生儿细分数据.

套路 5：聚焦特殊地区研究

套路精髓：利用GBD的地理分层数据（国家/省/州级）识别疾病热点区域或政策盲区。

适用场景:

• 高负担地区识别（如食管癌的"亚洲高发带"）

• 政策评估（比较实施干预措施前后的地区差异）

• 健康公平性研究（经济发展水平不同地区之间的差异、东西部差异）

 案例文章 

总结：

• 地理可视化：展示疾病负担的空间分布，使用 ArcGIS计算空间自相关分析；

• 聚类分析：识别高-低负担聚集区；

• 驱动因素分析：混合效应模型分析地区差异与SDI/医疗资源的相关性；

• 前沿分析：探讨社会人口指数（SDI）与不同国家的疾病负荷和有效差异;

• 健康不平等分析：使用斜率指数和集中指数来衡量疾病负担的跨国不平等。