GBD共病研究发了柳叶刀大子，不愧是大佬团

⭕️研究背景

缺血性心脏病（IHD）和缺血性脑卒中（Ischaemic Stroke）是全球致死的两大主因，但既往研究多孤立分析单一疾病。共病研究面临数据与方法学挑战，而全球视角的共现模式与风险因素关联仍不明确。本研究首次结合GBD 2019数据，从空间分布角度解析203个国家/地区的共病特征及关键风险因素。（不用怀疑，这就是2025年近期上线基于GBD2019的研究）

⭕️统计过程亮点

1️⃣ 数据来源：GBD 2019数据库，覆盖203个国家/地区，包含68种风险因素。

2️⃣ 分类方法：基于发病率四分位数划分三类区域（一致区、IHD主导区、脑卒中主导区）。

3️⃣ 机器学习+传统统计：

SHAP模型筛选重要性变量（如高血压、低温、吸烟）。

负二项回归量化风险因素相对风险（RR）。

4️⃣ 归因分析：计算人群归因分数（PAF），评估风险因素对疾病负担的贡献。

5️⃣ 空间映射：结合ArcGIS可视化全球风险暴露分布。

⭕️关键结果

1️⃣ 共病区域划分：

一致区（43.8%国家）：IHD与脑卒中发病率水平相同（如俄罗斯）。

IHD主导区（29.1%）：高收入国家为主（如澳大利亚、加拿大）。

脑卒中主导区（27.1%）：低收入国家为主（如中国、印尼）。

2️⃣ 核心风险因素：

共同因素：高血压（SBP）、肾功能障碍、低温暴露。

IHD特异性：全谷物摄入不足、反式脂肪摄入高。

脑卒中特异性：高盐饮食、吸烟及二手烟。

3️⃣ 归因贡献：

45.4%的IHD和38.5%的脑卒中发病可归因于上述风险因素。

⭕️结论与启示

1️⃣ 全球差异：经济水平与风险暴露高度关联，高收入国家IHD负担更重，低收入国家脑卒中主导。

2️⃣ 干预重点：

控制高血压、改善饮食（如推广全谷物、限盐）。

低温地区需加强供暖政策（如俄罗斯、北欧）。

3️⃣ 跨学科研究价值：机器学习与传统统计结合，为多疾病共现研究提供新范式。

⭕️发文思维分享

🔍 选题创新点：

全球视角：打破单国研究局限性，这是GBD数据库的大优势。

共病分析：填补IHD与脑卒中联合研究的空白。

方法融合：SHAP模型提升变量筛选效率，负二项回归增强结果可信度。

💡 统计思路启示：

数据重定义：将国家发病率视为随机变量，结合空间分析挖掘隐藏关联。

多维验证：PAF与复合风险指数（Composite Risk Index）双维度评估疾病负担。