数据来源与纳入
构建全球脑和CNS肿瘤发病、死亡及人口学基础数据集
从GLOBOCAN 2024获取2024年C70–72发病和死亡数据;从CI5plus获取44国122个登记处2003–2017年数据,排除23个报告种族数据的登记处及24个因人口覆盖不足、单一登记、年病例<5或组织学亚型未知>75%的登记处,最终纳入30国75个登记处;人口和全因死亡数据来自世界人口展望2024。
Global variations, temporal trends, and socioeconomic inequalities in the burden of malignant brain and central nervous system tumors: a population-based systematic analysis of GLOBOCAN 2024
基于GLOBOCAN 2024和CI5plus数据库的群体生态学分析,无体外、动物或功能机制验证实验。
GLOBOCAN 2024数据库(186个国家) CI5plus数据库(30个国家75个癌症登记处,2003–2017) 世界人口展望2024人口与死亡数据
终生风险计算采用经多原发调整的生命表法(AMP法) 趋势分析采用Joinpoint回归,模型限制最多4个连接点(5段线) HDI与终生风险关联采用Poisson分布对数连接广义线性模型,校正人口密度和城市人口比例 组织学亚型分析仅纳入2003–2017年连续合格数据的30个国家75个登记处
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。
构建全球脑和CNS肿瘤发病、死亡及人口学基础数据集
从GLOBOCAN 2024获取2024年C70–72发病和死亡数据;从CI5plus获取44国122个登记处2003–2017年数据,排除23个报告种族数据的登记处及24个因人口覆盖不足、单一登记、年病例<5或组织学亚型未知>75%的登记处,最终纳入30国75个登记处;人口和全因死亡数据来自世界人口展望2024。
估计从出生到死亡及特定年龄起点至死亡的脑和CNS肿瘤发病或死亡累积概率
采用生命表法并经多原发调整(AMP法),结合每5岁年龄组新发病例数、死亡数、人口及全因死亡数计算终生风险;采用Poisson法估计方差和95% CI;并进行与累积风险的敏感性分析。
评估HDI水平及其组分与终生风险、ASIR、ASMR之间的关联
采用Poisson分布对数连接广义线性模型,以终生风险、ASIR、ASMR为因变量,HDI水平及其组分(平均受教育年限、人均国民总收入、全民健康覆盖指数)为自变量;报告未校正和多变量校正模型的RR及95% CI;用Pearson卡方/自由度比值评估过度离散。
评估2003–2017年脑和CNS肿瘤发病率、终生风险及组织学亚型的变化趋势
对30国75个登记处连续合格数据按性别、年龄和组织学亚型分层,采用Joinpoint回归计算平均年度百分比变化(AAPC)。
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 |
|---|---|---|---|
| 时间趋势分析 | Joinpoint回归程序 | National Institutes of Health | version 4.9.1 |
| 数据分析 | SAS软件 | SAS Institute | version 9.4 |
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 |
|---|---|
| 数据来源与纳入 | CI5plus登记处纳入与排除标准;最终纳入30国75个登记处;HDI分级阈值 阅读提示:Methods 2.1 Data sources;Additional file 1: Table S1 |
| 终生风险估计 | 生命表法与AMP法参数;Poisson方差及95% CI计算方法;按性别、HDI、年龄区间分层 阅读提示:Methods 2.2 Statistical analysis;Additional file 2: Methods |
| HDI关联分析 | 广义线性模型校正变量(人口密度、城市人口比例等);RR及95% CI;过度离散评估 阅读提示:Methods 2.2 Statistical analysis;Fig. 4 legend |
| 时间趋势分析 | Joinpoint模型连接点上限(4个);AAPC计算方法;组织学亚型分类;年龄组划分 阅读提示:Methods 2.2 Statistical analysis;Fig. 2、Fig. 3 legends |