在公共卫生研究中，构建年龄-时期-队列（Age-Period-Cohort, APC）模型对于理解疾病负担变化的驱动因素至关重要。今天，我们将介绍如何使用R语言和GlobalBurdenR工具包处理全球疾病负担（GBD）数据，通过APC模型分析死亡率变化趋势，以揭示年龄、时期和队列效应对疾病负担的影响。

背景介绍

GBD数据库提供了全球范围内的健康数据，研究人员可以利用这些数据分析死亡率在不同年龄组、时间段和出生队列中的变化情况。我们的教学代码专注于从多个CSV文件合并GBD数据，并通过APC模型直观展示全球范围内的死亡率变化，帮助理解疾病负担变化的驱动因素。

代码功能解析

这段R代码主要完成了以下几个步骤：

1. 数据加载：从CSV文件加载GBD数据。

2. 数据合并：使用merge_csv_files_vroom_progress函数合并多个CSV文件中的GBD数据。

3. 数据重命名：使用gbd_rename_column函数标准化数据列名。

4. 数据筛选：使用gbd_filter函数筛选出符合条件的死亡数据。

5. 数据格式化：对年龄组数据进行格式化处理。

6. APC模型构建：使用age_period_cohort_model函数构建APC模型，分析死亡率变化。

7. 结果展示：获取APC模型的分析结果。

代码详细解读

以下是代码的详细解读，帮助您理解每个步骤的具体实现：

# 从CSV文件加载数据
data=read.csv('X:/GBD数据库示例数据/ES.csv')

# 合并多个CSV文件中的GBD数据
data=merge_csv_files_vroom_progress('X:/GBD数据库示例数据/datas/')

# 标准化数据列名
data=gbd_rename_column(data)

# 去掉不需要的列（例如filename）
data=data[,-1]

# 加载2021年人口数据
data('apcie_pop2021')

# 筛选死亡数据（全球，两性，非所有年龄组，数量指标）
data=gbd_filter(data, measure=='Deaths',
                age!='All Ages', metric=="Number", sex=='Both',
                location=='Global')

# 格式化年龄组数据
# 使用 gsub 去掉 "years" 并将 "-" 替换为 " to "
data$age<-gsub("years", "", data$age)  # 去掉 " years"
data$age<-gsub("-", "to ", data$age)

# 构建年龄-时期-队列（APC）模型
dt=age_period_cohort_model(data, pop2021,
                        measure="Deaths",
                        location_filter="Global",
                        sex_filter="Both",
                        start_year=1990,
                        start_age=15,
                        interval=5)

# 获取APC模型结果
dt$QuadLongAge
dt$Coefficients

解读说明：

• 数据加载和合并：通过read.csv函数从'ES.csv'文件加载数据，随后使用merge_csv_files_vroom_progress函数合并多个CSV文件中的GBD数据。

• 数据重命名和筛选：使用gbd_rename_column函数标准化数据列名，去掉不需要的列。gbd_filter函数筛选出符合条件的数据，限定为死亡数据（measure=='Deaths'）、非所有年龄组（age!='All Ages'）、数量指标（metric=="Number"）、两性数据（sex=='Both'）和全球范围（location=='Global'）。

• 数据格式化：通过gsub函数对年龄组数据进行格式化处理，去掉"years"并将"-"替换为" to "，以便后续分析。

• APC模型构建：age_period_cohort_model函数用于构建APC模型，参数设置了数据、人口数据、指标、地区筛选、性别筛选、起始年份、起始年龄和时间间隔。结果包含年龄组的长期数据（dt$QuadLongAge）和模型系数（dt$Coefficients）。

应用场景

通过这段代码，研究人员可以分析全球范围内死亡率变化的年龄、时期和队列效应，揭示驱动这些变化的关键因素。这对于理解疾病负担的年龄分布、时间趋势和出生队列差异、识别高风险群体以及制定针对性的公共卫生干预措施具有重要意义。

总结

使用R语言和GlobalBurdenR工具包构建年龄-时期-队列（APC）模型，可以帮助我们深入理解死亡率变化的驱动因素。希望这段代码和详细解读能为您的研究提供启发，如果您有任何问题或需要进一步的指导，欢迎留言交流。

关注我们的公众号，获取更多数据分析和可视化的实用教程！