Global, regional, and national burden of other musculoskeletal disorders, 1990–2020, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021
Notice bibliographique
Résumé
Background: Musculoskeletal disorders include more than 150 different conditions affecting joints, muscles, bones, ligaments, tendons, and the spine. To capture all health loss from death and disability due to musculoskeletal disorders, the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) includes a residual musculoskeletal category for conditions other than osteoarthritis, rheumatoid arthritis, gout, low back pain, and neck pain. This category is called other musculoskeletal disorders and includes, for example, systemic lupus erythematosus and spondylopathies. We provide updated estimates of the prevalence, mortality, and disability attributable to other musculoskeletal disorders and forecasted prevalence to 2050. Methods: Prevalence of other musculoskeletal disorders was estimated in 204 countries and territories from 1990 to 2020 using data from 68 sources across 23 countries from which subtraction of cases of rheumatoid arthritis, osteoarthritis, low back pain, neck pain, and gout from the total number of cases of musculoskeletal disorders was possible. Data were analysed with Bayesian meta-regression models to estimate prevalence by year, age, sex, and location. Years lived with disability (YLDs) were estimated from prevalence and disability weights. Mortality attributed to other musculoskeletal disorders was estimated using vital registration data. Prevalence was forecast to 2050 by regressing prevalence estimates from 1990 to 2020 with Socio-demographic Index as a predictor, then multiplying by population forecasts. Findings: Globally, 494 million (95% uncertainty interval 431-564) people had other musculoskeletal disorders in 2020, an increase of 123·4% (116·9-129·3) in total cases from 221 million (192-253) in 1990. Cases of other musculoskeletal disorders are projected to increase by 115% (107-124) from 2020 to 2050, to an estimated 1060 million (95% UI 964-1170) prevalent cases in 2050; most regions were projected to have at least a 50% increase in cases between 2020 and 2050. The global age-standardised prevalence of other musculoskeletal disorders was 47·4% (44·9-49·4) higher in females than in males and increased with age to a peak at 65-69 years in male and female sexes. In 2020, other musculoskeletal disorders was the sixth ranked cause of YLDs globally (42·7 million [29·4-60·0]) and was associated with 83 100 deaths (73 600-91 600). Interpretation: Other musculoskeletal disorders were responsible for a large number of global YLDs in 2020. Until individual conditions and risk factors are more explicitly quantified, policy responses to this burden remain a challenge. Temporal trends and geographical differences in estimates of non-fatal disease burden should not be overinterpreted as they are based on sparse, low-quality data. Funding: Bill & Melinda Gates Foundation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,015 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».