1990-中国女性乳腺癌发病及死亡趋势的年龄-时期-队列模型分析.docx

? ? 1990 中国女性乳腺癌发病及死亡趋势的年龄-时期-队列模型分析 ? ? 刘雪薇，王媛，韦丹梅，芦文丽 乳腺癌位居全球女性因癌死因首位，2020年全球乳腺癌标化发病率为47.8/10万，标化死亡率为13.6/10万［1］。乳腺癌不仅可对女性造成严重的身心伤害，而且可给患者、家庭及社会带来沉重的疾病负担。一项疾病负担时间趋势分析结果表明，乳腺癌伤残调整寿命年（disability adjusted life years，DALY）率和潜在减寿年数（potential years of life lost，PYLL）率分别从1990年的248.21/10万、238.60/10万升至2019年的412.49/10万、376.06/10万［2］。目前大多数疾病流行特征相关研究仅对不同时间的年龄别发病率或死亡率等数据进行传统描述分析，无法消除或控制年龄、时期、队列因素之间的交互作用。年龄-时期-队列（ageperiod-cohort，APC）模型改进了传统疾病描述分析方法，在同时调整年龄、时期和队列等因素的条件下估计人群疾病发病或死亡危险及其变化趋势［3］。基于此，本研究收集1990—2019年中国女性乳腺癌发病和死亡资料，采用APC模型了解乳腺癌随年龄、时期和队列变化的长期趋势，以期减轻乳腺癌带来的疾病负担，为乳腺癌的防治提供科学依据。 1 资料与方法 1.1 资料来源 本研究数据来自2019年全球疾病负担研究（Global Burden of Disease Study，GBD2019）数据库（/gbd-results-tool）。该数据库记录了1990—2019年全球195个国家和地区的死因监测、营养与健康调查、死因推断、慢性病及其危险因素监测、文献研究等数据［4］，并且对其涵盖的264种疾病和84种危险因素进行了疾病负担评估［5-6］。 1.2 研究方法 1.2.1 统计指标 本研究提取了GBD2019数据库中有关1990—2019年中国≥15岁女性乳腺癌粗发病率（crude incidence rate，CIR）、粗 死 亡 率（crude mortality rate，CMR）、年龄标化发病率（age-standardized incidence rate，ASIR）与年龄标化死亡率（age-standardized mortality rate，ASMR）等指标，其中标准化数据是以全球年龄标准化人口权重为参照［7］。统计指标具体计算公式如下： 1.2.2 APC模型 APC模型以Poisson分布为基础［8］，在同时调整年龄、时期和队列等因素的条件下估计一定人群中疾病发病或死亡的危险性。本研究采用APC网页分析工具（/apc/）［9］分析年龄、时期和队列对乳腺癌发病和死亡趋势的影响。通过Excel 2019软件按照网页输入格式要求（5年为一周期，年龄间隔为5岁）整理GBD 1990—2019年中国女性乳腺癌发病及死亡数据，本研究将80～95岁及≥96岁人群进行合并（考虑≥80岁高龄女性人口占比较低且基础疾病较多，对该年龄段女性进行干预效果甚微），统称为≥80岁人群，最终共获得14个年龄组；1990—2019年以连续5年为一个时间段进行划分，共划分为6个时期。出生队列=时期-年龄，出生队列的重叠现象通过取中值加以避免。按照网页要求选取中位年龄、时期和队列作为对照组，年龄对照组=（年龄组数+1）/2，时期对照组=（时期组数+1）/2，队列对照组=时期对照组-年龄对照组+年龄组数，若组数为偶数，设定2个中心组中值较低的组为对照组。 APC模型输出参数包括：净漂移值（net drift），即经非线性时期和队列效应调整后的疾病率对数值的年变化百分比；局部漂移（local drift），即不同年龄组女性疾病率对数值的年变化百分比；年龄偏差系数，即非线性年龄效应，反映某个年龄段内的曲率，描述趋势的局部变化；时期（队列）偏差系数，即非线性时期（队列）效应，反映某个时期（队列）内的曲率；纵向年龄曲线，即时期偏差调整后的纵向以对照队列为参照的年龄别率值，可推断年龄效应对乳腺癌变化趋势的影响；时期（队列）率比，是以选定对照时期（队列）为参照时期（队列）的年龄别率比，可用于推断时期（队列）效应对乳腺癌变化趋势的影响［10］。 1.3 统计学方法 采用APC网页分析工具拟合APC模型，通过网页自带的Wald χ2检验进行参数估计，检验水平α=0.05（双侧）。使用Excel 2019软件进行数据整理，结果输出后采用GraphPad Prism 8软件绘图。 2 结果 2.1 1990—2019年中国女性乳腺癌发病和死亡趋势乳腺癌的CIR和CMR总体呈持续上升趋势，CIR由1990年的14.14/10万升至2019年的52.81/10