GBD数据库能联合哪些数据库做研究

全球疾病负担（Global Burden of Disease,GBD）数据库是由美国华盛顿大学健康指标与评估研究所（IHME）主导的一项全球性健康研究项目，旨在系统评估全球疾病、伤害和风险因素的负担情况，为公共卫生决策提供科学依据。

需要具体了解GBD数据库，可点击文章查看全文：GBD数据库及适用科室详解

GBD数据库

GBD数据库涵盖多个维度，主要包括以下几类：

1️⃣ 疾病与伤害负担数据

• 死亡率（如年龄标准化死亡率）

• 伤残调整寿命年（DALY）

• 发病率（如新发病例数）

• 患病率（如某疾病的患病人数）

2️⃣ 风险因素数据

• 行为风险（如吸烟、饮酒）

• 环境风险（如空气污染、铅暴露）

• 代谢风险（如高血压、高血糖）

• 职业风险（如职业伤害、化学暴露）

GBD数据库+NHANES数据库

美国国家健康与营养调查（National Health and Nutrition Examination Survey,NHANES）是由美国疾病控制与预防中心（CDC）主导的全国性健康调查项目，旨在评估美国人口的健康和营养状况。它是美国最重要的公共卫生数据库之一，被广泛应用于医学、营养学和流行病学研究。

主要数据类型：

1️⃣ 健康体检数据

• 人体测量：身高、体重、BMI、腰围等；

• 血压：收缩压、舒张压等；

• 口腔健康：牙齿状况、牙龈疾病等。

2️⃣ 实验室检测数据

• 血液检测：血糖、血脂（胆固醇、甘油三酯）、血红蛋白、炎症标志物（如C反应蛋白）等；

• 尿液检测：尿蛋白、肌酐、微量白蛋白等；

• 激素水平：甲状腺激素、性激素（如睾酮、雌激素）等。

3️⃣ 问卷调查数据

• 人口统计学：年龄、性别、种族、收入、教育水平等；

• 健康行为：吸烟、饮酒、运动、饮食习惯等；

• 疾病史：糖尿病、高血压、心脏病等慢性病情况等；

• 药物使用：处方药、膳食补充剂等。

GBD数据库和NHANES数据库结合

GBD数据库提供全球疾病负担和风险因素宏观视角，NHANES数据库提供美国人群微观健康细节，将两者结合，可同时把握"全局趋势"和"个体因素"，既能为美国精准公共卫生决策提供本土化证据，又能通过高质量数据补充GBD的国家级评估，增强全球研究的可靠性。

 案例文章 

方法：来自2021年全球疾病负担数据库的数据用于分析204个国家/地区因高空腹血糖导致的阿尔茨海默病的死亡率和DALY率。采用Joinpoint回归、年龄-时期-队列模型以及ARIMA模型分析趋势并做出未来预测。NHANES数据用于构建机器学习模型（包括逻辑回归支持向量机、随机森林、决策树等），评估葡萄糖相关生物标志物预测认知障碍的效果。

结果： 从1990年到2019年，高空腹血糖导致的阿尔茨海默病死亡率从2.64（95% UI：0.11,8.38）增加到3.73（95% UI：0.15,11.84），其中高收入北美、北非和撒哈拉以南非洲的增幅最高。Joinpoint分析表明，从1995年到2000年，死亡率显著上升，随后几年增长缓慢。ARIMA 模型预测表明，未来15年死亡率和DALY率将逐渐下降。基于NHANES数据库的数据，结果显示Logistic回归模型预测认知障碍的准确性最高，餐后2小时血糖和空腹血糖是关键预测因子。

GBD数据库+CHARLS数据库

中国健康与养老追踪调查（China Health and Retirement Longitudinal Study,CHARLS）是由北京大学国家发展研究院主导的全国性追踪调查项目，旨在研究中国中老年人（≥45岁）的健康状况、社会经济因素与老龄化问题。

数据类型：

• 健康指标：慢性病（如CVD、糖尿病）、体检数据（血压、血脂）、死亡记录等；

• 社会经济：收入、教育、医疗保险等；

• 环境暴露：居住地气候、污染数据（需链接外部数据库）等。

GBD数据库和CHARLS数据库结合

GBD数据库提供全球宏观疾病趋势和风险因素优先级，CHARLS数据库通过长期追踪中国中老年人群的健康、经济和社会特征，提供本土化的个体层面数据。

这种结合既能在GBD的指导下聚焦关键公共卫生问题，又能利用CHARLS的详细队列数据深入分析中国特定人群的社会决定因素和干预效果，适合研究中国人口老龄化过程中的健康模式变化、疾病负担转变以及健康不平等问题。

 案例文章 

方法：

使用全球疾病负担（GBD）数据库分析全球心血管疾病（CVD）负担与高温高湿（HTH）环境（通过湿球温度和Humidex指数衡量）的关联；

基于中国CHARLS前瞻性队列（中老年人群），采用Cox回归模型研究长期暴露于HTH环境与CVD死亡率及血脂指标的关系。

结果：CVD年龄标准化死亡率/发病率的年变化与湿球温度、Humidex呈显著正相关，表明HTH环境可能加剧CVD负担。长期暴露于HTH环境显著增加CVD死亡风险；HTH暴露显著升高LDL-C异常（HR 1.30-2.44）和TC异常（HR 1.21-2.13）风险，但对HDL-C影响不明确。血脂异常（LDL-C、TC）的中老年人在HTH环境中死亡风险进一步增加。HTH环境可能通过诱发血脂异常（如LDL-C、TC升高）间接增加CVD死亡风险，提示血脂代谢紊乱是潜在中介因素。

GBD数据库+UKB数据库

英国生物样本库（UK Biobank,UKB） 是一个大规模、开放的前瞻性人群队列数据库，包含约50万英国中老年参与者（年龄40-69岁）的深度多维数据库：

数据类型：

• 基线数据：人口学特征、生活方式、疾病史、体格测量等；

• 多组学数据：基因组（全基因组测序、基因分型）、影像学（多模态MRI、脑、心脏等）；

• 生物标志物数据：常规生化（血液尿液生化指标、肾功能、血脂等）、蛋白质组学等。

GBD数据库和UKB数据库结合

GBD数据库与UKB数据库的结合实现了宏观与微观数据的优势互补：GBD提供全球范围的疾病流行趋势和风险因素，指导研究方向；而UKB提供精细化的个体基因组、临床和生活方式数据，可深入解析机制。这种结合能增强因果推断、促进精准医学应用，并验证跨人群普适性，从而更全面地推动从公共卫生策略到个性化干预的研究转化。

 案例文章 

方法：使用2021年全球疾病负担研究（GBD）的数据，分析了1990年至2021年由APMP引起的CVD的残疾调整生命年和死亡率（以颗粒物 [PM]2.5衡量），进一步检查了APMP和家庭空气污染（HAP）之间的负担变化、社会人口指数（SDI）的区域差异，并使用贝叶斯年龄-时期-队列模型预测趋势。此外，使用英国生物样本库（UKB）数据（代谢组学：230,000+参与者;蛋白质组学：50,000+）来确定介导PM2.5暴露与CVD结果之间关联的生物标志物，并进一步分析它们的生物学作用。使用回归和弹性网模型构建代谢和蛋白质组学特征，并通过时间依赖性受试者工作特征分析评估预测性能。使用灵活的参数生存模型评估预期寿命。按年龄、性别、生活方式、社会经济地位和遗传易感性进行亚组分析。

结果：2021年，APMP导致的全球CVD绝对负担是1990年的两倍多，存在显著的地区差异。负担从HAP转移到APMP，全球15%的CVD病例归因于APMP。APMP导致的CVD负担随着年龄的增长而增加，预计到2030年将上升。在UKB中，包括白蛋白在内的大约30种代谢物介导 PM2.5暴露与CVD结果之间的关联，主要涉及脂质和脂肪酸代谢。超过 60 种蛋白质，包括生长分化因子15和三叶草因子2，介导与CVD结果的关联，富含细胞因子-受体相互作用和白细胞迁移途径。代谢和蛋白质组学特征在预测1 年、 5年和10年CVD结局方面优于单独的PM2.5。PM2.5暴露、代谢和蛋白质组学特征最低十分位数的参与者比最高十分位数的参与者预期寿命更长。