疾病负担数据提取与描述
获取GBTC的全球、区域和国家水平发病、死亡和DALYs数据,评估时间和地理差异。
使用GBD 2021数据,提取年龄标准化率和绝对数量,分析1990至2021年趋势,计算EAPC。
Global, regional, and national burden of gallbladder and biliary tract cancer from 1990 to 2021 and projections to 2050: a systematic analysis integrating the Global Burden of Disease 2021 and Mendelian randomization
文献主要为基于GBD数据库的观察性分析,结合双样本孟德尔随机化,未提供体外或体内实验验证。
全球204个国家和地区的GBTC数据队列 高BMI暴露人群 胆管癌GWAS数据(UK Biobank)
GWAS暴露数据样本量360116,选择SNP阈值P<5×10^-8,连锁不平衡阈值R2<0.001,最终397个工具变量 结局为胆管癌(CCA),其GWAS来自UK Biobank,欧洲血统,无样本重叠 工具变量F值均>10(平均41.7),避免弱工具偏倚 MR分析采用IVW作为主要方法,固定效应模型(Cochran Q P=0.7261),并进行了敏感性分析
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GBTC的全球、区域和国家水平发病、死亡和DALYs数据,评估时间和地理差异。
使用GBD 2021数据,提取年龄标准化率和绝对数量,分析1990至2021年趋势,计算EAPC。
量化人口增长、老龄化和流行病学变化对GBTC死亡和DALYs变化的相对贡献。
采用Das Gupta分解法,将死亡和DALYs变化分解为流行病学变化、人口增长和人口老龄化三个成分。
量化不同SDI国家之间GBTC负担的绝对和相对不平等。
计算斜率不平等指数(SII)和集中指数,评估疾病负担在SDI等级间的分布。
预测2022-2050年GBTC年龄标准化率和绝对案例数的趋势。
使用贝叶斯年龄-时期-队列(BAPC)模型结合INLA进行预测。
分析高BMI导致的GBTC死亡和DALYs比例,评估其随时间变化。
提取GBD中高BMI作为风险因子的数据,按SDI分层计算归因比例。
检验高BMI与胆管癌(CCA)风险的因果关联。
使用双样本MR,从BMI GWAS中选取独立SNP作为工具变量,从UK Biobank获取CCA结局,采用IVW、MR-Egger、加权中位数等方法。
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 |
|---|---|---|---|
| MR分析 | R软件 | -- | 版本4.2.2 |
| TwoSampleMR包 | -- | 版本0.5.6 | |
| MR-PRESSO包 | -- | 版本1.0.0 |
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 | GBD 2021数据库,风险因子选‘high body mass index’,原因选‘gallbladder and biliary tract cancer’ 阅读提示:Methods: Study population and data collection |
| MR分析 | 工具变量:BMI GWAS 360116个体,SNP筛选P<5e-8,LD clumping R2<0.001,框大小10000kb,397个SNP;结局:CCA GWAS,F>10 阅读提示:Methods: MR |
| MR分析 | 使用IVW方法,若Cochran Q P<0.05则用随机效应模型,否则固定效应模型 阅读提示:Methods: MR |
| MR敏感性分析 | 异质性检验(Cochran Q)、多效性检验(MR-Egger intercept)、leave-one-out分析 阅读提示:Methods: MR; Results: MR analysis |