Global, regional, and national burden of gout, 1990–2020, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021
Notice bibliographique
Résumé
BACKGROUND: Gout is an inflammatory arthritis manifesting as acute episodes of severe joint pain and swelling, which can progress to chronic tophaceous or chronic erosive gout, or both. Here, we present the most up-to-date global, regional, and national estimates for prevalence and years lived with disability (YLDs) due to gout by sex, age, and location from the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2021, as well as forecasted prevalence to 2050. METHODS: Gout prevalence and YLDs from 1990 to 2020 were estimated by drawing on population-based data from 35 countries and claims data from the USA and Taiwan (province of China). Nested Bayesian meta-regression models were used to estimate prevalence and YLDs due to gout by age, sex, and location. Prevalence was forecast to 2050 with a mixed-effects model. FINDINGS: In 2020, 55·8 million (95% uncertainty interval 44·4-69·8) people globally had gout, with an age-standardised prevalence of 659·3 (525·4-822·3) per 100 000, an increase of 22·5% (20·9-24·2) since 1990. Globally, the prevalence of gout in 2020 was 3·26 (3·11-3·39) times higher in males than in females and increased with age. The total number of prevalent cases of gout is estimated to reach 95·8 million (81·1-116) in 2050, with population growth being the largest contributor to this increase and only a very small contribution from the forecasted change in gout prevalence. Age-standardised gout prevalence in 2050 is forecast to be 667 (531-830) per 100 000 population. The global age-standardised YLD rate of gout was 20·5 (14·4-28·2) per 100 000 population in 2020. High BMI accounted for 34·3% (27·7-40·6) of YLDs due to gout and kidney dysfunction accounted for 11·8% (9·3-14·2). INTERPRETATION: Our forecasting model estimates that the number of individuals with gout will increase by more than 70% from 2020 to 2050, primarily due to population growth and ageing. With the association between gout disability and high BMI, dietary and lifestyle modifications focusing on bodyweight reduction are needed at the population level to reduce the burden of gout along with access to interventions to prevent and control flares. Despite the rigour of the standardised GBD methodology and modelling, in many countries, particularly low-income and middle-income countries, estimates are based on modelled rather than primary data and are also lacking severity and disability estimates. We strongly encourage the collection of these data to be included in future GBD iterations. FUNDING: Bill & Melinda Gates Foundation and the Global Alliance for Musculoskeletal Health.
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 | 0,013 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,016 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».