中国帕金森病负担的趋势与未来预测:基于2023年全球疾病负担研究的发现

Trends and future projections of Parkinson's disease burden in China: findings from the Global Burden of Disease Study 2023

作者信息Zhe Zhao, Ai-Nan Jia, Wen Ma, Xiao-Hui Xu, Mai-Geng Zhou, Jun-Liang Yuan
PMID42990980
发布时间2026
DOI10.1016/j.mmr.2026.100077

实验完整度

低

基于GBD 2023数据库的观察性分析,无原始实验操作或功能验证,仅采用统计建模与趋势分析。

主要模型

中国31个省、自治区、直辖市及香港、澳门两个特别行政区的年度人口估计数据(1990–2023)

重点核对

数据来源:GBD 2023数据库,覆盖1990–2023年中国31个省、自治区、直辖市及香港、澳门 年龄标准化:采用GBD 2023世界标准人口进行直接标准化,基于1000次后验抽样计算95% UI 趋势分析:对对数转换的年ASRs进行joinpoint回归,候选模型0–3个join点,每段至少8个年度观测,BIC选择最优模型 分解分析:采用Das Gupta框架,将绝对数变化分解为人口增长、年龄结构变化和年龄别率变化三个组分 预测模型:采用集成概率模型平均框架,候选模型包括线性/二次回归、自然三次样条、分段线性回归、ARIMA和随机游走模型,基于BIC权重组合,预留最近11年数据验证

摘要

背景:帕金森病(PD)是中国主要的公共卫生负担。我们旨在分析1990年至2023年中国PD负担的时间趋势,并预测至2050年的未来负担。方法:利用2023年全球疾病负担(GBD 2023)数据库,分析了1990年至2023年中国31个省、自治区、直辖市以及香港和澳门两个特别行政区的PD患病率、发病率、死亡、伤残调整寿命年(DALYs)、寿命损失年(YLLs)和伤残生存年(YLDs)。计算了年龄标准化率(ASRs)和平均年度百分比变化(AAPCs)。使用Das Gupta框架分解病例数变化,并使用概率模型平均方法预测至2050年的未来负担。结果:1990年至2023年,中国PD的年龄标准化患病率、发病率和YLD率上升,而年龄标准化死亡率、YLL和DALY率下降。PD患病人数从1990年的781.29千(95% UI 629.39–973.58)增至2023年的3445.69千(95% UI 2804.28–4243.67),发病病例从1990年的99.51千(95% UI 82.51–118.00)增至2023年的379.69千(95% UI 319.28–447.58)。年龄标准化患病率从106.56/10万(95% UI 86.16–131.29)升至148.74/10万(95% UI 122.07–183.52)(AAPC=1.03%,95% CI 0.98–1.09),而年龄标准化死亡率、DALY和YLL率分别从4.69/10万降至3.78/10万、从92.40/10万降至77.87/10万、从77.37/10万降至56.81/10万。年龄标准化YLD率从15.03/10万升至21.07/10万。男性ASRs始终高于女性,但女性患病率增长更快(AAPC:1.14% vs. 0.86%,P<0.001)。2023年,PD患病率随年龄增长而上升,发病病例在70–74岁达到峰值,死亡在80–84岁达到峰值。中高社会人口指数(SDI)地区年龄标准化患病率最高(150.53/10万),低SDI地区最低(140.26/10万),且低和低中SDI地区增长相对较快。年龄标准化患病率和发病率最高的地区为天津、辽宁、新疆和海南。此外,除河北和江苏外,所有省份1990年至2023年死亡率均下降。在分解分析中,年龄别率变化对患病和发病病例增加的贡献最大,而人口老龄化对死亡、DALYs、YLLs和YLDs变化的贡献最大。到2050年,患病病例、发病病例、死亡和DALYs预计将分别达到6891.38千、759.37千、91.66千和2528.54千。此外,年龄标准化患病率和发病率预计将上升,而年龄标准化死亡率和DALY率预计将下降。结论:1990年至2023年,中国PD负担大幅增加,伴随向残疾主导负担的转变,其特征为年龄标准化患病率、发病率和YLDs上升,但死亡率和YLLs下降。至2050年的预测表明,人口老龄化仍将是未来PD负担增加的主要驱动因素,强调需要加强长期护理、康复和区域特异性预防策略。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
中国1990年至2023年帕金森病负担的时间趋势、人口学与地理分布特征如何,以及至2050年的未来负担趋势如何?
核心机制
人口老龄化是PD死亡、DALYs、YLLs和YLDs增加的主要驱动因素,而年龄别率变化是患病和发病病例增加的主要驱动因素;PD负担正从以过早死亡为主转向以长期残疾为主。
主要证据
基于GBD 2023数据库,对1990–2023年中国31个省、自治区、直辖市及香港、澳门的数据进行分析,采用joinpoint回归计算AAPC、Das Gupta框架分解病例数变化,并使用概率模型平均方法预测至2050年;结果显示年龄标准化患病率、发病率和YLD率上升,而年龄标准化死亡率、YLL和DALY率下降。
研究意义
研究结果可为区域卫生资源配置和政策制定提供流行病学证据,强调需要加强长期护理、康复和区域特异性预防策略,以应对人口老龄化驱动的PD负担增长。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

数据获取与负担指标估算

获取中国PD负担的基础数据并估算六项核心指标

从GBD 2023数据库提取1990–2023年中国31个省、自治区、直辖市及香港、澳门的PD患病率、发病率、死亡、DALYs、YLLs和YLDs数据,按年龄、性别、SDI和地区分层,计算粗率和年龄标准化率(ASRs),并基于1000次后验抽样计算95%不确定性区间。

2

时间趋势分析

评估1990–2023年PD负担指标的时间变化趋势

对对数转换的年ASRs进行joinpoint回归分析,计算各分段的估计年度百分比变化(EAPC)和整个研究期的平均年度百分比变化(AAPC),使用delta方法估计95%置信区间。

3

驱动因素分解分析

量化人口增长、年龄结构变化和年龄别率变化对PD负担变化的贡献

采用Das Gupta框架,对每个省份的年龄别人口、病例数和率进行分解,将1990–2023年绝对数变化分离为人口增长、人口年龄结构变化和年龄别率变化三个组分,各组分的贡献以1990年相应负担的百分比表示。

4

未来负担预测

预测2024–2050年中国PD负担的未来趋势

采用集成概率模型平均框架,基于GBD 2023年度时间序列数据拟合多种候选模型,通过BIC权重组合模型,使用预测模拟量化预测不确定性,输出均值估计和95%不确定性区间。

5

分层与区域异质性分析

描述PD负担在性别、年龄、SDI和省份间的分布差异

按性别、年龄组、SDI五分组(基于2023年省级SDI值固定分组)和省份分层,比较各亚组的ASRs、病例数和AAPCs,识别高负担地区和变化趋势差异。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
R软件--version 4.5.2
ggplot2----

关键环节

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
数据获取与负担指标估算
数据来源:GBD 2023数据库;地理范围:中国31个省、自治区、直辖市及香港、澳门;研究时段:1990–2023年;年龄标准化方法:GBD 2023世界标准人口直接标准化;不确定性区间:基于1000次后验抽样的2.5th和97.5th百分位数
阅读提示:Methods 2.1 Overview、2.3 Measurement indicators、2.4 Statistical analysis
时间趋势分析
joinpoint回归候选模型join点数(0–3);每段最少观测数(8);最优模型选择标准(BIC);AAPC计算方法(时间加权平均);95% CI估计方法(delta方法)
阅读提示:Methods 2.4 Statistical analysis;Additional file 1: Methods
驱动因素分解分析
分解方法:Das Gupta框架;分解组分:人口增长、年龄结构变化、年龄别率变化;贡献表达方式:占1990年相应负担的百分比;分析层级:省级
阅读提示:Methods 2.4 Statistical analysis;Additional file 1: Methods
未来负担预测
预测时段:2024–2050年;候选模型类型:线性/二次回归、自然三次样条、分段线性回归、ARIMA、随机游走;模型验证方式:预留最近11年数据,比较RMSE和偏差;模型组合权重:基于BIC;不确定性量化:预测模拟;模型未纳入药物、共病和环境暴露作为预测因子
阅读提示:Methods 2.4 Statistical analysis;Additional file 1: Methods
分层与区域异质性分析
SDI分组依据:2023年省级SDI值,固定分为5组并应用于1990–2023年;年龄分组范围:20–24岁至≥95岁;性别分层:男性和女性;地理分层:31个省、自治区、直辖市及香港、澳门
阅读提示:Methods 2.4 Statistical analysis;Results 3.2–3.5;Table 1;Fig. 2