Global, Regional, and National Burden of Low Bone Mineral Density From 1990 to 2019: Results From the Global Burden of Disease Study 2019
Notice bibliographique
Résumé
Objective: We aim to explore the global spatial prevalence and temporal trends of the burden of low bone mineral density (LBMD) worldwide, due to a lack of related studies. Design: Cross-sectional study. Methods: We used data from the Global Burden of Disease Study 2019 to conduct this study. LBMD in the GBD study includes both osteopenia and osteoporosis. The estimation for the prevalence, measured by the summary exposure value (SEV), and burden of LBMD was made in DisMod-MR 2.1, a Bayesian meta-regression tool. Correlation analysis was performed using the Spearman rank order correlation methods. The temporal trends were represented by the estimated annual percentage change (EAPC). Results: In 2019, there were 438 thousand deaths and 16.6 million DALYs attributable to LBMD, increasing by 111.1% and 93.8% respectively, compared to that in 1990. From 1990 to 2019, the prevalence of LBMD has decreased worldwide, but has increased in high-income North America. Some countries, such as the United States, Australia, Canada, and China had increased disability and mortality rates of LBMD with time. Countries with low socio-demographic index (SDI) had higher incidence and mortality rate than those with high SDI. The prevalence of LBMD was lower in males, but the attributable disability and mortality were higher in males in all years from 1990 to 2019. Conclusion: With population aging, countries worldwide, especially those with low-SDI, will face increasing challenges in reducing the burden attributable to LBMD and osteoporosis. The treatment of osteoporosis has been overlooked in men for a long time. Effective measures are warranted to control the prevalence and burden of LBMD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».