MétaCan
Menu
Retour à la cohorte
Enregistrement W4379600756 · doi:10.2196/45943

Global, Regional, and National Prevalence of Gout From 1990 to 2019: Age-Period-Cohort Analysis With Future Burden Prediction

2023· article· en· W4379600756 sur OpenAlexvenueno aff
Qiyu He, Tsz Ngai Mok, Tat‐Hang Sin, Jiaying Yin, Sicun Li, Yiyue Yin, Wai‐Kit Ming, Bin Feng

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueGout, Hyperuricemia, Uric Acid
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineGoutIncidence (geometry)CohortDemographyEpidemiologyCohort studyCohort effectRate ratioDisease burdenPrevalenceDiseaseConfidence intervalInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Gout is a common and debilitating condition that is associated with significant morbidity and mortality. Despite advances in medical treatment, the global burden of gout continues to increase, particularly in high-sociodemographic index (SDI) regions. OBJECTIVE: To address the aforementioned issue, we used age-period-cohort (APC) modeling to analyze global trends in gout incidence and prevalence from 1990 to 2019. METHODS: Data were extracted from the Global Burden of Disease Study 2019 to assess all-age prevalence and age-standardized prevalence rates, as well as years lived with disability rates, for 204 countries and territories. APC effects were also examined in relation to gout prevalence. Future burden prediction was carried out using the Nordpred APC prediction of future incidence cases and the Bayesian APC model. RESULTS: The global gout incidence has increased by 63.44% over the past 2 decades, with a corresponding increase of 51.12% in global years lived with disability. The sex ratio remained consistent at 3:1 (male to female), but the global gout incidence increased in both sexes over time. Notably, the prevalence and incidence of gout were the highest in high-SDI regions (95% uncertainty interval 14.19-20.62), with a growth rate of 94.3%. Gout prevalence increases steadily with age, and the prevalence increases rapidly in high-SDI quantiles for the period effect. Finally, the cohort effect showed that gout prevalence increases steadily, with the risk of morbidity increasing in younger birth cohorts. The prediction model suggests that the gout incidence rate will continue to increase globally. CONCLUSIONS: Our study provides important insights into the global burden of gout and highlights the need for effective management and prophylaxis of this condition. The APC model used in our analysis provides a novel approach to understanding the complex trends in gout prevalence and incidence, and our findings can inform the development of targeted interventions to address this growing health issue.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,622

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,300
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations101
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetGout, Hyperuricemia, Uric AcidTravaux en français237 207