《International Journal of Epidemiology》:Forecasting risk-factor distributions by sex and age, 1990–2050: a parametric estimation framework using GBD summary exposure values, demonstrated for Australia
编辑推荐:
:
背景: 本文提出了一种将现有全球疾病负担(GBD)研究中的汇总暴露值(SEV)预测转化为风险因素分布“照常情景”(business-as-usual)预测的方法。
方法: GBD中的SEV是一种基于相对风险加权的风险因素暴露汇总指标,取值范围为0(所有人均
:
背景: 本文提出了一种将现有全球疾病负担(GBD)研究中的汇总暴露值(SEV)预测转化为风险因素分布“照常情景”(business-as-usual)预测的方法。
方法: GBD中的SEV是一种基于相对风险加权的风险因素暴露汇总指标,取值范围为0(所有人均低于理论最低风险暴露水平)至1(所有人均高于全球暴露水平的第99百分位数)。在已知计算SEV所需输入数据的基础上,仅需额外假设风险因素的变异系数,即可生成风险因素暴露的参数化分布(如对数正态分布、伽马分布等)。研究人员通过预测澳大利亚按性别、年龄和年份分层的体质指数(BMI)、收缩压(SBP)、低密度脂蛋白胆固醇(LDL)和空腹血浆葡萄糖(FPG)至2050年的SEV,对该方法进行了验证。
结果: 该方法为澳大利亚生成了合理的按年龄和性别分层的风险因素分布预测。与2017/18年国家健康调查(NHS)相比,空腹血浆葡萄糖和低密度脂蛋白胆固醇在较年轻年龄组中吻合较好,而在较年长年龄组中差异较大。SEV推导的分布相对于调查估计值,平均收缩压高估约3–10 mmHg,平均体质指数高估约1 kg/m2。该方法对风险因素全球第99百分位数值较为敏感。
结论: 该方法可推广至任何国家或人口群体。为促进该方法的广泛应用,研究人员建议开展针对其他国家的进一步交叉验证研究,并推动GBD关键数据(如风险因素第95百分位数)的公开获取。
论文解读文章:
一、研究背景与问题
在公共卫生领域,评估预防性干预措施(如降低高收缩压)对未来健康收益和经济影响的模拟,需要先获得风险因素分布的“照常情景”(BAU)预测。疾病负担研究通常聚焦于量化健康损失(伤残调整生命年,DALYs)和通过比较风险评估将健康损失归因于风险因素,但对于第三大目标——评估改变风险因素的干预措施可避免的未来负担——往往依赖结构化模拟模型,而这类模型需要风险因素分布的预测作为输入。
当前缺乏成熟的预测风险因素分布的方法论。全球疾病负担(GBD)2019研究提供了到2050年所有年龄–性别–国家组的SEV预测。SEV将暴露与风险合并为0到1之间的单一指标,代表基于人群暴露分布的加权平均超额风险,是汇总和比较暴露模式的有效工具。然而,SEV本身并不直接提供完整的风险因素分布信息,因此需要一种方法将SEV转化为可用于模拟建模的分布形式。
二、研究目的
本研究的目的是提出并验证一种利用SEV数据估计连续、单峰风险因素(如收缩压、体质指数、空腹血浆葡萄糖和低密度脂蛋白胆固醇)分布的方法。
三、主要技术方法
研究人员从GBD 2019获取了按年龄、性别和国家分层的各风险因素SEV(下载于2025年10月23日)、风险–结局相对风险(RRs)、暴露最大值(emax,即全球暴露分布第99百分位数)及对应的最大相对风险(RRmax)。研究还使用了澳大利亚健康调查2012年(FPG、LDL胆固醇)和2017/18年国家健康调查(NHS)(BMI、SBP)数据来推导变异系数。
核心方法包括:将连续风险因素范围划分为固定宽度区间(如SBP按1 mmHg增量、BMI按0.1 kg/m2增量),从理论最低风险暴露水平(TMREL)开始至emax以上的区间结束;假设风险因素服从某种参数分布(如对数正态分布),利用累积分布函数(CDF)计算各区间人群比例;结合GBD的相对风险函数计算各区间中点的RR值;通过最小化约束SEV与隐含SEV之差的平方,求解最优分布参数(σ)。研究还采用了多种候选参数分布形式(如Gumbel、逆伽马、对数正态、对数逻辑斯蒂等)并依据GBD比较风险评估中的集成权重进行加权平均。对原始GBD SEV预测施加了线性衰减函数,使预测到2050年趋于平稳。
四、研究结果
变异系数估计: 基于澳大利亚健康调查数据,收缩压的变异系数随年龄从0.1增至0.15;体质指数的变异系数男性随年龄从0.2降至0.15、女性从0.25降至0.2;空腹血浆葡萄糖的变异系数在中年时达到峰值约0.2;低密度脂蛋白胆固醇的变异系数从约0.23增至略高于0.3。
预测风险因素分布: 对55–59岁男性和女性,BMI和FPG分布预计到2050年向右(更高值)移动,SBP向左(更低值)移动,LDL基本保持不变。不同参数分布估计的均值、第10百分位数、中位数和第90百分位数在中心趋势上相似,但在偏度和尾部行为上存在差异。值得注意的是,对于LDL和BMI,镜像Gumbel分布(GBD权重最高的前四种分布之一)将均值向右拉动且呈左偏态。
与澳大利亚健康调查数据的比较: SEV方法估计的平均SBP值比NHS 2017/18估计值高约3–10 mmHg;平均BMI估计值比NHS 2017/18观测值高约1 kg/m2。FPG和LDL胆固醇在较年轻年龄组中吻合较好,但在较年长年龄组中差距扩大。
敏感性分析: 使用未约束的SEV仅影响最接近2050年的预测;输出分布的均值对变异系数±20%的调整敏感度适中。
五、讨论与结论
本研究提出的方法可将GBD SEV转化为参数化风险因素分布,并在澳大利亚对SBP、BMI、FPG和LDL胆固醇进行了验证。预测方向与GBD SEV趋势一致。研究人员对原始GBD SEV预测施加了线性衰减函数,因为部分风险因素在接近2050年时出现加速的年际变化,这在30年时间跨度上缺乏流行病学依据,属于建模假设而非经验校正。
SEV方法在交叉验证中表现良好,但SBP除外(SEV比比较数据集高3–10 mmHg)。可能原因包括:SEV方法对暴露最大值敏感,例如从主要值171 mmHg降低10%可使估计值低于NHS值,增加10%则进一步扩大差距;GBD仅发布风险因素的整体SEV(跨风险–结局对平均),而非特定风险–结局对的SEV,拟合分布只能匹配平均SEV。
方法可推广至任何国家或人口群体,但需使用当地的变异系数估计。对于具有零暴露点质量的风险因素(如酒精使用),需先估计零暴露患病率,再对非零暴露人群应用该方法。GBD 2023更新了历史SEV估计但未更新到2050年的SEV预测,研究人员可使用GBD发布的历史SEV通过标准时间序列方法自行生成SEV预测,再应用本研究的分布拟合方法。
研究结论: 本研究展示了一种从GBD SEV推导风险因素分布的新方法。通过使用参数分布和变异系数数据,研究人员生成了SBP、BMI、FPG和LDL胆固醇的合理年龄和性别特异性分布。该方法可推广至其他国家、年龄或性别组,但受限于当地变异系数的可获得性。方法可随未来GBD SEV预测的更新而更新,或在缺乏更新预测时,用户可从GBD历史估计中自行生成SEV预测。为促进该方法广泛应用,研究人员建议:开展进一步的交叉验证研究;建立公开的全球风险因素变异系数清单;公开GBD集成权重;公开按性别和年龄分层的GBD负担证明风险函数;公开历史风险因素–结局对SEV数据。