数据提取与疾病定义
获取PMS的患病率、发病率、YLDs数据,并明确疾病定义。
从GBD 2021数据库提取PMS相关数据,PMS编码为ICD-11 GA34.4,分析对象为女性10-54岁。
Global, regional, and national burden of premenstrual syndrome from 1990 to 2021 and projections to 2050: an analysis based on the 2021 Global Burden of Disease study
本研究为基于GBD数据库的观察性数据分析,未涉及实验干预、功能验证或机制验证,仅包含描述性趋势、相关性分析和预测建模。
GBD 2021数据库中的204个国家和地区数据 女性10-54岁年龄组
数据来源:GBD 2021数据库,PMS编码ICD-11 GA34.4 分析人群:女性10-54岁 统计软件:R 4.4.2,Joinpoint回归程序5.2.0.0 预测模型:BAPC模型,使用INLA方法 显著性水平:P < 0.05
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
获取PMS的患病率、发病率、YLDs数据,并明确疾病定义。
从GBD 2021数据库提取PMS相关数据,PMS编码为ICD-11 GA34.4,分析对象为女性10-54岁。
分析1990-2021年PMS负担的时间趋势。
使用Joinpoint回归分析计算AAPC,分析全球及五个SDI地区的ASPR、ASIR和年龄标准化YLDs率的变化。
评估SDI与PMS负担之间的关联。
使用Spearman相关分析和LOESS回归,分析SDI与ASPR和年龄标准化YLDs率的关系,并分层分析。
比较1990年和2021年PMS患病病例的年龄分布特征。
分析各年龄组的患病病例数,比较两年份的分布变化。
预测2022-2050年全球PMS负担的趋势。
采用贝叶斯年龄-时期-队列(BAPC)模型,基于GBD 2021数据预测未来PMS患病数和YLDs数。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析 | Joinpoint回归程序 | National Cancer Institute, USA | Version |
| 统计分析与建模 | R软件 | -- | version |
| 数据可视化 | ggplot2包 | -- | -- |
| 建模 | INLA包 | -- | -- |
| BAPC包 | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据提取 | 数据来源是否为GBD 2021数据库;PMS编码是否为ICD-11 GA34.4;分析人群是否为女性10-54岁。 阅读提示:Methods部分2.1 Data sources |
| 趋势分析 | Joinpoint回归软件版本;AAPC计算方法;SDI五分组;显著性水平。 阅读提示:Methods部分2.2 Statistical analyses,Table 1和Figures 1-3 |
| SDI相关性分析 | Spearman相关和LOESS回归的具体参数;分层分析的截点(SDI=0.6和0.7);显著性水平。 阅读提示:Methods部分2.2 Statistical analyses,Figures 6-7 |
| 年龄分布分析 | 年龄分组标准(5岁间隔);比较年份(1990和2021)。 阅读提示:Results部分3.3 Age pattern of PMS,Figure 5 |
| 负担预测 | BAPC模型参数;预测时间段(2022-2050);是否使用INLA方法。 阅读提示:Methods部分2.2 Statistical analyses,Figure 8,Supplementary Table 3 |