EN中文

地球信息科学学报 >

2025 , Vol. 27 >Issue 3: 698 - 715

DOI: https://doi.org/10.12082/dqxxkx.2025.240528

地理空间分析综合应用

基于时空统计建模的主要类型癌症全球疾病负担变化研究

  • 申力 ,
  • 徐瑱梵 ,
  • 艾明耀 ,
  • 卢宾宾 , *
展开
  • 武汉大学遥感信息工程学院，武汉 430072
* 卢宾宾（1984— ），男，河南周口人，博士，副教授，主要从事空间统计和数据科学研究。E-mail:

作者贡献：Author Contributions

申力、徐瑱梵、卢宾宾参与实验设计；申力和徐瑱梵完成实验操作；申力、徐瑱梵、艾明耀、卢宾宾参与论文的写作和修改。所有作者均阅读并同意最终稿件的提交。

The study was designed by SHEN Li, XU Zhenfan and LU Binbin. The experimental operation was completed by SHEN Li and XU Zhenfan. The manuscript was drafted and revised by SHEN Li, XU Zhenfan, AI Mingyao and LU Binbin. All the authors have read the last version of paper and consented to submission.

申 力（1986— ），女，河北张家口人，博士，副教授，主要从事时空大数据挖掘应用研究。E-mail:

收稿日期: 2024-09-20

  修回日期: 2024-11-25

  网络出版日期: 2025-03-06

基金资助

国家自然科学基金项目(42201448)

国家自然科学基金项目(42071368)

中央高校自主科研项目项目(2042022dx0001)

收起

A Spatio-Temporal Modeling Study on the Global Disease Burden of Major Types of Cancers

  • SHEN Li ,
  • XU Zhenfan ,
  • AI Mingyao ,
  • LU Binbin , *
Expand
  • School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430072, China
* LU Binbin, E-mail:

Received date: 2024-09-20

  Revised date: 2024-11-25

  Online published: 2025-03-06

Supported by

National Natural Science Foundation of China(42201448)

National Natural Science Foundation of China(42071368)

The Fundamental Research Funds for the Central Universities, China(2042022dx0001)

Fold

摘要

【目的】 癌症是全球绝大多数国家的主要致病死因，对人类寿命和公共卫生构成了严重威胁。本文探讨了全球五类主要癌症死亡率的时空分布特征，并给出了未来发展趋势预测。【方法】 本文针对2011—2019年全球200个国家五类主要癌症（肺癌、结直肠癌、胃癌、肝癌与胰腺癌），采用GBD数据与世界银行数据库资料，基于MGWR模型提取各类癌症死亡率影响因素的空间异质性特征，利用ARIMA模型提取各类癌症死亡率的时间变化趋势特征，并将该时空信息作为参数输入构建贝叶斯时空模型，对全球主要类型癌症死亡风险进行预测评估。【结果】 研究发现，全球五类癌症死亡率均持续增加， 2019年各类癌症死亡率较2011年平均上升了17.2/100 000人。全球超过72.8%的国家癌症死亡相对风险较高（RR>1），呈现出明显的空间聚集性。【结论】 相比非洲与南亚地区，欧洲、中亚、北美、东亚及太平洋地区癌症死亡率增速较快。相比中低收入和低收入国家，高收入和中高收入国家各类癌症死亡率上升趋势明显，相对风险更高。65岁及以上人口占比、吸烟、酒精、低运动强度、高糖加工饮食、人均GDP、人均GNI和人均医疗卫生支出成为全球主要类型癌症死亡风险的关键影响因素。本研究通过集成不同地理时空分析方法优势，创新性构建了涵括时空分组变量和不同影响因素的疾病风险时空预测模型，灵活度高，可解释性强，更适用于量化时空非平稳性关系，能够有效评估全球不同地区主要类型癌症死亡的相对风险，加深了地理空间建模技术与流行病研究的交叉融合，对严峻的全球癌症防控规划具有重大科学意义。

关键词： 全球疾病负担; 癌症死亡率; 多尺度地理加权回归; 时间序列预测; 贝叶斯时空模型

本文引用格式

申力 , 徐瑱梵 , 艾明耀 , 卢宾宾 . 基于时空统计建模的主要类型癌症全球疾病负担变化研究[J]. 地球信息科学学报, 2025 , 27(3) : 698 -715 . DOI: 10.12082/dqxxkx.2025.240528

Abstract

[Objectives] Cancer is the leading cause of death in most countries worldwide, posing a significant threat to human longevity and public health. This study explores the spatiotemporal distribution characteristics of mortality rates for five major types of cancer worldwide and provides predictions for future trends. [Methods] Aiming at five major cancer types (lung, colorectal, gastric, liver, and pancreatic cancer) in 200 countries from 2011 to 2019, this study used GBD and World Bank data to extract spatial heterogeneity of the factors affecting cancer mortality using the MGWR model. The ARIMA model was used to extract temporal trend characteristics of various cancer mortality rates. Such spatial-temporal information was integrated into a Bayesian spatial-temporal model to predict and evaluate the global mortality risk for the five types of cancer. [Results] Results revealed that global death rate for all five cancer types increased, with an average rise of 17.2 deaths per 100 000 people in 2019 compared to 2011. Over 72.8% of countries exhibited a high relative risk of cancer death (RR>1), indicating significant spatial clustering. [Conclusions] Regions such as Europe, Central Asia, North America, and East Asia and the Pacific experienced faster increases in cancer death rates compared to Africa and South Asia. Compared to low- and middle-income countries, middle-high- and high-income countries showed a more pronounced upward trend in cancer mortality and a higher relative risk. Key factors influencing global cancer mortality included the percentage of the population aged 65 years and older, smoking, alcohol consumption, low physical activity, high sugar diets, GDP per capita, GNI per capita, and health expenditure per capita. By integrating the advantages of different geographical spatial-temporal analysis methods, this study developed an innovative spatiotemporal prediction model of disease risk that integrates spatial-temporal grouping variables and multiple influencing factors. This proposed model is highly flexible, interpretable, and better suited for quantifying non-stationarity spatial-temporal relationships. While the structured spatial and temporal effects increase computational demands, the model effectively assesses cancer mortality risk across regions, offering robust insights into the spatiotemporal dynamics of disease. This approach deepens the integration of geospatial modeling technology and epidemiological research, providing significant scientific contributions to global cancer research, prevention, and control planning.

Key words： global burden of disease; cancer mortality rate; Multiscale Geographically Weighted Regression; time series forecasting; Bayesian spatiotemporal model

1 引言

作为全球公共卫生领域中严峻威胁之一，癌症已经成为制约人类寿命提升的重要障碍之一[1]。据世界卫生组织（WHO）估计，未来20年全球癌症人数可能会增加60%，防控形势愈发严峻[2]。2020年国际癌症研究中心（International Agency for Research on Cancer, IARC）发布的《世界癌症报告》[3]指出，全球排前十的癌症依次是肺癌、乳腺癌、前列腺癌、结直肠癌、胃癌、肝癌、食管癌、子宫颈癌、甲状腺癌和膀胱癌，占全癌症发病总数的60.8%[4-5]。因此，研究全球主要类型癌症发病率和死亡率的时空分布特征、相关风险因素与发展趋势预测具有重要的科学意义。
长期以来，以疾病监测、现场调查和队列设置等为主的观察性研究是疾病预测评估的常用方法，但随着统计理论和计算机技术发展，数学模型在流行病危险因素识别和风险预测中的地位越来越重要。目前国内外在全球癌症的时空模式和风险评估方面研究，大致包括： ① 基于一般回归模型的癌症发病率和死亡率时空趋势评估，以及对年龄与癌症发病率的相关关系探究[6]； ② 基于空间统计模型的癌症发病率和死亡率聚集模式分析，如利用空间自相关揭示癌症在国家间的聚集性[7]，以及对癌症死亡率的冷热点识别[8]，并利用空间扫描评估癌症死亡率变化等[9]； ③ 基于机器学习方法的生态层面癌症死亡率的预测，对不同癌症数据聚类检测成功率和精度表现的评价[10]，以及癌症实例在地理空间中邻近模式的识别[11]。考虑到病例数据本身具有的空间属性以及疾病区域传播过程中的空间依赖性和异质性，地理分析方法和时空模型在流行病影响因素研究中具有独特优势和广泛应用前景，如Anderson等[12]和Cupido等[13]尝试利用MGWR（Multiscale Geographically Weighted Regression）提取特定癌症的死亡率与其影响因素在地理空间格局上的分布，得出一定空间范围内癌症死亡率与不健康生活习惯具有强相关性的结论。在时间序列上，Costa等[14]和Earnest等[15]运用ARIMA（Auto Regressive Integrated Moving Average Model）针对特定癌症的发生率和死亡率进行时间序列分析与预测，发现部分癌症的发生率和死亡率将持续上升。在各类流行病时空模型中，相比于自变量依赖性较高的空间回归类模型、前置假设过多的传播动力学模型，以及可解释性不强的深度学习模型，贝叶斯时空映射模型以其建模结构的直观性、对参数不确定性的量化及对先验知识的充分利用，为流行病时空风险估计和影响因素分析提供了一种重要研究方法范式[16-17]。然而，集成时空贝叶斯预测模型在癌症等慢性病研究中应用较少，在传染病（如布鲁氏菌、手足口病、流感等）相关研究中有所应用，实现了简便的模型参数贝叶斯估计[18]。
当前研究定量揭示出了部分癌症疾病负担的空间聚集性与时间变化性，对于相关风险因素的评价和解释也有一定贡献。但仍存在几点不足： ① 目前癌症相关研究覆盖范围和类型均比较有限，并未深入挖掘全球多种癌症不同影响因素作用的空间异质性和时间规律性； ② 多数研究仅着力于在空间尺度或时间尺度的单一分析，并未将时空依赖特征信息融合，通过构建集成模型从时空维度揭示癌症的风险变化趋势； ③ 癌症诱因复杂且时空分布具有较强时效性，需采用多源时空数据集对当前全球多种癌症的不同影响因素进行探究。因此，本研究对2011—2019年全球200个国家的5种主要类型癌症（肺癌、结直肠癌、胃癌、肝癌与胰腺癌）死亡病例数据进行了时空信息挖掘，将多尺度地理加权回归、自回归积分滑动平均模型提供的时空特征信息，集成融合到时空贝叶斯预测模型的参数设计中，从时空角度综合评估了全球癌症死亡风险的疾病负担趋势，并揭示出其关键驱动因素的影响作用，为制定全球性癌症防控策略提供科学依据与理论支持。

2 研究方法

2.1 技术路线

本文通过集成MGWR、ARIMA和贝叶斯时空模型3种方法优势，同时融合流行病的时空特征信息进行全球癌症的时空风险趋势预测。研究技术路线如图1所示。① 研究数据搜集与预处理。将获取到的原始数据进行清洗、筛选并空间化匹配，作为后续研究的数据基础。 ② 各类型癌症的时空流行特征提取。首先，对各类型癌症进行多尺度地理加权回归分析，提取不同影响因素驱动作用的空间分异特征；其次，基于自回归积分滑动平均模型进行时间序列分析，提取全球不同国家主要类型癌症的时间趋势与周期波动特征。 ③ 时空贝叶斯预测模型构建。将MGWR和ARIMA的提取的时空特征作为参数输入，集成时空联合信息建立贝叶斯集成嵌套拉普拉斯近似模型，预测全球每个国家的主要癌症相对死亡风险。该方法有效提升了流行病时空演化过程与风险预测能力，为公共卫生管理决策提供更为精准的时空预测和风险评估。
图1 全球主要类型癌症死亡率的时空风险预测技术路线

Fig. 1 Research framework for the spatiotemporal risk prediction of mortality rates for the global major cancers

2.2 多尺度地理加权回归

多尺度地理加权回归模型（MGWR）通过为每个解释变量设置不同的邻域（带宽），揭示出各影响因素在不同地理位置和尺度上的变化关系，精确分析其空间异质性[19-20]。公式如下：
Y i = β 0 ( u i , v i ) + ∑ j = 1 p β j ( u i , v i ) X i j + ε i
式中：Yi是指不同国家某类型癌症的死亡率； β0(ui,vi)是该国家癌症死亡率的基线水平； βj(ui,vi) (j=0,1,…, p)反映了自变量在特定地理位置对癌症死亡率的影响强度，用于衡量不同影响因素对某种癌症死亡率的影响； Xij是影响癌症死亡率的具体因素； εi是第i个观测点的误差项，反映了癌症死亡率的随机波动或者未被纳入模型的其他未知因素； ui和vi是观测点的地理坐标，代表各国家的地理位置。基于自适应Bi-square核函数计算每个国家的中心坐标作为空间属性，选择基于正态分布的线性回归高斯模型进行拟合（输入变量如表1所示），可得到常数项β0(ui,vi)和每个自变量系数βj(ui,vi)，进而探究每个自变量对于各类癌症死亡率影响的相关程度，为后续贝叶斯时空预测模型建立提供空间特征信息输入。
表1 纳入本研究的全球主要癌症不同影响因素

Tab. 1 Different influencing factors of global major cancers included in the study

影响因素(中文) 影响因素(英文) 数据来源 衡量指标
65岁及以上人口占比 Population ages 65 and above WDI 百分比/%
低运动强度 Low physical activity GBD SEV/%
高空腹血糖 High fasting plasma glucose GBD SEV/%
高体重指数人群 High body-mass index GBD SEV/%
酒精 Alcohol use GBD SEV/%
空气污染 Air pollution GBD SEV/%
吸烟 Smoking GBD SEV/%
饮食中低膳食纤维 Diet low in fiber GBD SEV/%
饮食中高含糖饮料 Diet high in sugar-sweetened beverages GBD SEV/%
饮食中高红肉 Diet high in red meat GBD SEV/%
饮食中高加工肉类 Diet high in processed meat GBD SEV/%
职业致癌物暴露 Occupational carcinogens GBD SEV/%
GDP GDP WDI 2015不变价美元/USD
GNI GNI WDI 2015不变价美元/USD
PM2.5 PM2.5 WDI 年平均浓度/(μg/m3)
人均GDP GDP per capita WDI 2015不变价美元/USD
人均GNI GNI per capita WDI 2015不变价美元/USD
人均医疗卫生支出 Health expenditure per capita WDI 现价美元/USD
乙型肝炎病毒 Total burden related to hepatitis B GBD SEV/%
丙型肝炎病毒 Total burden related to hepatitis C GBD SEV/%
糖尿病 Diabetes GBD SEV/%

2.3 自回归积分滑动平均

自回归积分滑动平均模型（ARIMA）能够有效模拟和预测具有趋势或季节性的时间序列数据[21]。其计算公式为自回归模型（AR）、滑动平均模型（MA）和差分法的结合。
1 - ∑ i = 1 p ϕ i L i 1 - L d X t = 1 + ∑ i = 1 q θ i L i ε t
式中： L是滞后算子，表示癌症死亡率时间序列中的滞后关系，即某一年癌症死亡率可能受到前几年死亡率的影响，Li则代表i年内的综合影响； d是需要对数据进行差分的阶数，其意义是对2011—2019年各类型癌症死亡率时间序列进行差分处理，以消除趋势或季节性效应，使时间序列更加平稳，从而便于模型拟合； ϕi是自回归系数，表示前几年癌症死亡率对当前年份死亡率的影响程度； θi是滑动平均系数，反映了前几年模型预测误差对当前癌症死亡率的影响； εt是误差项，是对某一年癌症死亡率的未解释因素的反映，比如突发性事件或其他不确定因素； Xt是目标变量，代表某一年某种癌症的死亡率。本研究中，因变量为2011—2019年5类主要癌症的死亡率。通过对这些非平稳时间序列数据进行差分处理，对全球不同国家的癌症死亡率时间趋势进行模拟预测，为后续贝叶斯时空预测模型建立提供时间特征信息输入。

2.4 贝叶斯时空预测模型

研究集成嵌套拉普拉斯进行近似贝叶斯推断，使用Bernardinelli模型[22]来估计全球各个国家各类型癌症的相对风险。该模型假设观察到的病例数Yij在国家i和年份j被建模为：
Y i j ~ P o ( E i j θ i j )
式中：Yij是第i个国家在第j年的癌症死亡病例数，即实际观测到的病例数； Eij是第i个国家在第j年预期的病例数，通过统计模型或历史数据估计，即没有额外影响因素下的期望病例数； θij是国家i和年份j的相对风险，表示该国家在该年份癌症死亡的风险相对于全球基准的高低。
l o g ( θ i j ) = α + u i + v i + β + δ i × t j
式中： log(θij)是相对风险的对数变换，便于建模和解释，它包含空间和时间结构的多个部分，捕捉了癌症死亡风险的空间分布和时间动态特征；截距α表示全局基线风险水平，表示所有国家的整体癌症死亡风险的基准值； ui是第i个国家的空间随机效应，捕捉不同国家空间上的癌症风险差异，由MGWR分析提供的空间变化系数作为ui参数的空间特征输入； vi是第i个国家的独立随机效应，反映该国家的特殊个体因素对癌症死亡率的影响； β是全局线性趋势效应，即所有国家的癌症死亡率随时间变化的线性趋势； δi反映第i个国家特有的时间趋势变化，捕捉不同国家间的时间趋势差异，由ARIMA分析提供的季节和周期性信息作为δi参数的时间特征输入。使用CAR分布对ui和δi建模，并假设vi是独立且同分布的正态变量。该模型允许每个区域有特定截距α+ui+vi，并且其自身线性趋势由β+δi给出。θij为相对风险（Relative Risk, RR），表明国家i在年份j的疾病风险高于（θij>1）或低于（θij<1）全球平均风险。RR常用来衡量某一因素对结果的影响程度，可解释不同时间地点癌症死亡的风险变化。当RR=1，即该时间和地点的癌症死亡风险与参考组相同；当RR>1，即该时间和地点的癌症死亡风险高于参考组，提示可能存在某些风险因素或该区域内健康资源不足；当RR<1，即该时间和地点的癌症死亡风险低于参考组，可能意味着该地区有较好的医疗条件或有效预防措施，亦或当地癌症发生率较低[23]。

3 研究区概况及数据来源

3.1 研究区概况

本文以全球200个国家为研究区，包括绝大多数可获取相关数据的主权国家，而少数国家由于数据获取困难或数据不清晰等客观因素，并未纳入本次研究。根据世界银行对全球各个国家的经济发展状况以及地域分类[24]，将本研究中的国家根据收入水平、发展程度、地域区位进行了分组。根据2019年世界银行收入水平划分标准，将全球各个国家和地区分为高收入国家（人均GNI>12 055美元）、中高等收入国家（3 896美元≤人均GNI≤12 055美元）、中低等收入国家（996美元≤人均GNI≤3 895美元）和低收入国家（人均GNI<996美元）4类；根据地域区位，分为东亚与太平洋地区、欧洲与中亚地区、拉丁美洲与加勒比海地区、中东与北非地区、北美地区、南亚地区和撒哈拉以南非洲地区共7个区域（图2）。
图2 纳入本研究的全球200个国家收入分组与地区分组

Fig. 2 Income and regional groupings of the 200 countries included in the study

3.2 数据来源

3.2.1 全球主要类型癌症的死亡率数据搜集处理

研究所采集的疾病数据来自于全球疾病负担（GBD）数据库[25]（https://vizhub.healthdata.org/gbd-results/），旨在全面评估全球、国家及地区各种疾病、伤害和风险因素的流行病学情况，涵盖了从1970年到近期数百种疾病和伤害以及数10种风险因素数据信息[26]。本研究选取的数据为2011—2019年全球各个国家的肺癌、肝癌、结直肠癌、胃癌、胰腺癌死亡率数据，覆盖的国家如图2所示。将数据进行清洗，建立数据与国家代码的唯一匹配ID，保证数据的有效性。

3.2.2 其他数据搜集处理

研究使用的全球矢量数据为基于审图号 GS（2016）1666的全球行政区划数据，地理坐标系为WGS 1984。根据医学学术指标以及疾病发病原理等因素，选择的各类癌症影响因素包括65岁及以上人口占比（Population ages 65 and above）、低运动强度（Low physical activity）、高空腹血糖（High fasting plasma glucose）、高体重指数（High body-mass index）、酒精（Alcohol use）、空气污染（Air pollution）、吸烟（Smoking）、饮食中低膳食纤维（Diet low in fiber）、饮食中高含糖饮料（Diet high in sugar-sweetened beverages）、饮食中高红肉（Diet high in red meat）、饮食中高加工肉类（Diet high in processed meat）、职业致癌物暴露（Occupational carcinogens）、糖尿病（Diabetes）、GDP、GNI、PM2.5、人均GDP（GDP per capita）、人均GNI（GNI per capita）、人均医疗卫生支出（Health expenditure per capita）、乙型肝炎病毒感染率（Total burden related to hepatitis B）、丙型肝炎病毒感染率（Total burden related to hepatitis C）等（表1）。
低运动强度、高空腹血糖、高体重指数、酒精、空气污染、吸烟、饮食中低膳食纤维、饮食中高含糖饮料、饮食中高红肉、饮食中高加工肉类、职业致癌物暴露、糖尿病、乙型肝炎病毒感染率、丙型肝炎病毒感染率等数据来自全球疾病负担（GBD）数据库[25]。其中低运动强度、高空腹血糖、高体重指数、酒精、空气污染、吸烟、饮食中低膳食纤维、饮食中高含糖饮料、饮食中高红肉、饮食中高加工肉类、职业致癌物暴露、糖尿病数据为风险加权危险因素暴露率（Summary Exposure Value, SEV），该指标衡量了人群接触风险因素的程度，范围从0~100%。当SEV为0%时表明当前没有暴露风险，而SEV为100%则表明整个人群正处于暴露在该风险的最大水平[27]。乙型肝炎病毒感染率和丙型肝炎病毒感染率为患病率，单位为每十万分之，代表了群体中每十万人的患病人数。以上因素直接或间接影响了癌症的发生与死亡率。
65岁及以上人口占比、GDP、GNI、PM2.5、人均GDP、人均GNI、人均医疗卫生支出、人口总数数据来自于世界银行的世界发展指标（World Development Indicators, WDI）数据[28]（https://databank.worldbank.org/）。WDI是世界银行发展指标的主要集合，由官方认可的国际来源编制而成，提供了最新、最准确的全球发展数据，包括国家、区域和全球估计[29]。65岁及以上人口占比的单位为百分比（%）。GDP、GNI、人均GDP、人均GNI衡量了一个国家的物质发展水平，其单位按照2015年不变价格的美元计算。人均医疗卫生支出衡量了一个国家医疗卫生领域的支出状况，其单位按照现价美元（2024年3月）计算。人口总数基于人口事实计算所有居民，其值为年中估计值。
各个国家的收入分组和地区分组等数据来自于世界银行。每一年度根据世界银行的分类标准，将各个国家和地区分为高收入国家、中高等收入国家、中低等收入国家和低收入国家4类，使各个国家和地区的各类型癌症死亡率数据与收入水平相符。

4 结果及分析

4.1 各类型癌症死亡率的全球分布

全球不同国家各类型癌症的死亡率统计结果表明，全球范围内肺癌的死亡病例数整体偏高，其中北美和欧洲地区最为严重，东欧地区与俄罗斯、中国、澳大利亚和南美洲南部地区其次，非洲肺癌死亡病例数最低。其次，全球范围内肝癌的死亡病例数内整体偏低，最严重地区集中在东亚和欧洲，其中蒙古的肝癌死亡率显著最高。结直肠癌的死亡病例数在全球呈现明显的地域差异性，其最严重地区集中在北美、欧洲、北亚、大洋洲以及南美洲南部地区，而南亚、西亚及非洲地区的结直肠癌死亡率相对较低。胃癌的死亡病例数在全球范围内地域差异明显，最严重地区集中在东亚、东欧和南美洲，而北美洲、非洲、大洋洲、南亚与东南亚胃癌死亡率相对较低。胰腺癌的死亡病例数在全球范围内普遍较低，其中北美、欧洲、大洋洲、胰腺癌死亡率相对较高，而亚洲、非洲和拉丁美洲的胰腺癌死亡率相对较低。

4.2 多尺度地理加权回归结果

依据每种癌症流行病学特征，为其选取不同影响因素作为MGWR分析输入变量（表2）。将65岁及以上人口占比、GDP、GNI、人均GDP、人均GNI、人均医疗卫生支出作为五类癌症普遍影响因素，选取空气污染、吸烟、职业致癌物暴露、PM2.5作为肺癌高风险影响因素；低运动强度、高空腹血糖、高体重指数人群、酒精、乙型肝炎病毒、丙型肝炎病毒、糖尿病作为肝癌高风险影响因素；低运动强度、高空腹血糖、高体重指数人群、酒精、吸烟、饮食中低膳食纤维、饮食中高含糖饮料、饮食中高红肉、饮食中高加工肉类、糖尿病作为结直肠癌高风险影响因素；低运动强度、高体重指数人群、酒精、饮食中低膳食纤维、饮食中高含糖饮料、饮食中高红肉、饮食中高加工肉类作为胃癌高风险影响因素；高空腹血糖、酒精、吸烟、糖尿病作为胰腺癌高风险影响因素。将以上癌症死亡率数据与其影响因素进行MGWR拟合分析，最终得出各类癌症MGWR回归拟合结果（表3）。各类癌症拟合优度R2均相对较好，以p<0.05决定具有显著影响的变量参数，不同类型癌症显著因素有明显差异（表4），这与各种癌症特征及关键诱因有强关联性。
表2 各类型癌症所选影响因素

Tab. 2 Selected influencing factors for different types of cancer

影响因素 肺癌 肝癌 结直肠癌 胃癌 胰腺癌
65岁及以上人口占比 √ √ √ √ √
低运动强度 √ √ √
高空腹血糖 √ √ √
高体重指数人群 √ √ √
酒精 √ √ √ √
空气污染 √
吸烟 √ √ √
饮食中低膳食纤维 √ √
饮食中高含糖饮料 √ √
饮食中高红肉 √ √
饮食中高加工肉类 √ √
职业致癌物暴露 √
GDP √ √ √ √ √
GNI √ √ √ √ √
PM2.5 √
人均GDP √ √ √ √ √
人均GNI √ √ √ √ √
人均医疗卫生支出 √ √ √ √ √
乙型肝炎病毒 √
丙型肝炎病毒 √
糖尿病 √ √ √
表3 多尺度地理加权回归模型指标

Tab. 3 Indicators for the Multiscale Geographically Weighted Regression Model

癌种 模型指标 总体 男性 女性
肺癌 拟合优度R2 0.926 0.914 0.878
AICc 90.173 113.398 155.190
有效参数数量v1 22.134 23.055 20.090
残差平方和 10.720 12.366 17.525
肝癌 拟合优度R2 0.724 0.656 0.804
AICc 318.903 346.099 285.007
有效参数数量v1 34.698 33.310 38.735
残差平方和 39.693 49.604 28.264
结直肠癌 拟合优度R2 0.953 0.934 0.941
AICc 60.175 97.592 73.188
有效参数数量v1 33.635 30.298 27.666
残差平方和 6.757 9.481 8.489
胃癌 拟合优度R2 0.823 0.804 0.802
AICc 244.808 248.714 257.056
有效参数数量v1 31.807 28.461 30.608
残差平方和 25.446 28.224 28.490
胰腺癌 拟合优度R2 0.954 0.959 0.945
AICc 22.880 17.969 35.638
有效参数数量v1 22.369 27.101 18.431
残差平方和 6.687 5.857 7.885
表4 显著变量的回归系数统计描述

Tab. 4 Statistical description of regression coefficients for significant variables

癌种 自变量 均值 标准差 带宽
肺癌 常数项 -0.279 0.117 61
65岁及以上人口占比 0.518 0.007 143
吸烟 0.448 0.302 43
肝癌 常数项 0.079 0.257 44
人均GDP 0.618 0.232 49
丙型肝炎病毒 0.210 0.328 43
结直
肠癌		 常数项 -0.062 0.004 143
65岁及以上人口占比 0.952 0.025 115
低运动强度 -0.065 0.097 44
饮食中高含糖饮料 0.159 0.095 50
饮食中高加工肉类 -0.098 0.006 143
人均GDP -0.314 0.103 45
人均GNI 0.523 0.006 141
人均医疗卫生支出 -0.355 0.005 141
胃癌 常数项 -0.013 0.108 99
65岁及以上人口占比 0.828 0.011 143
低运动强度 -0.063 0.112 54
饮食中高含糖饮料 -0.068 0.054 111
饮食中高红肉 0.198 0.149 61
吸烟 -0.106 0.066 105
人均医疗卫生支出 -0.503 0.007 143
胰腺癌 常数项 -0.055 0.027 117
65岁及以上人口占比 0.657 0.007 117
高空腹血糖 -0.408 0.014 143
糖尿病 0.431 0.098 43
吸烟 0.088 0.011 114
酒精 0.083 0.008 119
GDP -3.863 0.002 143
GNI 3.885 0.002 143
肺癌的显著变量为65岁及以上人口占比与吸烟。基于对不同变量回归系数均值的正负解读，结果表明年龄与肺癌死亡率呈现很强的正相关作用。除大洋洲和非洲绝大多数国家，吸烟与所有国家肺癌死亡率均呈现显著正相关关系。肝癌的显著性变量为人均GDP和丙型肝炎病毒，主要集中在东亚、南亚和东南亚大部分国家，表明人均GDP越高，肝癌的死亡率越高。丙型肝炎病毒感染率与肝癌死亡率呈正相关关系，中国、蒙古、韩国、日本、俄罗斯等国家的回归系数值显著较高，说明在这些国家丙型肝炎病毒感染导致的肝癌死亡率更高。
结直肠癌的显著性变量为65岁及以上人口占比、低运动强度、饮食中高含糖饮料、饮食中高加工肉类、人均GDP、人均GNI和人均医疗卫生支出。分析表明，年龄增长与结直肠癌死亡率在全球范围内具有强正相关关联。低运动强度与结直肠癌死亡率呈负相关关联，且在欧洲国家更加显著。欧洲国家饮用高含糖饮料对于结直肠癌死亡率上升具有明显的正相关作用。非洲西部和加拿大饮食中高加工肉类对于结直肠癌死亡率上升具有较弱的负相关作用。人均GDP对于结直肠癌死亡率上升具有一定的负相关作用，且在非洲更加显著。说明人均GNI在全球范围内与结直肠癌的死亡率具有一定的正相关性。中美洲、非洲西部、欧洲西部、新西兰和日本的人均医疗卫生支出对于结直肠癌死亡率具有一定抑制作用。
胃癌的显著性变量为65岁及以上人口占比、低运动强度、饮食中高含糖饮料、饮食中高红肉、吸烟和人均医疗卫生支出。65岁及以上人口占比在全球所有国家均呈现显著正相关，其中亚洲国家、俄罗斯和新西兰相对较高。低运动强度与胃癌死亡率呈现负相关关系，而饮食中高含糖饮料、高红肉与胃癌死亡率上升具有明显的正相关关系，以东亚和东南亚国家更为显著。吸烟与胃癌死亡率呈现负相关。人均医疗卫生支与胃癌发病率在拉丁美洲和加勒比海地区呈现相对较强的负相关性。
胰腺癌的显著性变量为65岁及以上人口占比、高空腹血糖、糖尿病、吸烟、酒精、GDP和GNI。在亚洲国家及俄罗斯65岁及以上人口占比与胰腺癌死亡率在呈现较强正相关性，而在非洲和美洲国家相对较低。高空腹血糖与胰腺癌死亡率在非洲国家呈现较强的负相关性。糖尿病对于胰腺癌死亡率上升具有明显的正相关作用，在欧洲国家更加显著。吸烟与酒精对胰腺癌死亡率的影响在亚洲、南美洲和北美洲国家更加显著。GDP在全球所有国家均显著，其中非洲国家尤其是南非地区国家较低，负相关相对较强。GNI在大部分国家均显著，其中以北美洲国家、哥伦比亚、厄瓜多尔和秘鲁的回归系数较高，表明GNI对于胰腺癌死亡率上升具有明显的正相关作用。
MGWR模型对5种癌症的死亡率及其影响因素分析表明，多数变量回归系数显著的国家大多集中在欧洲、北美洲、东亚等经济较为发达区域，且回归系数均值也较高。行为习惯因素（如饮酒、吸烟、饮食结构不均衡以及缺乏运动等）与癌症死亡率呈现明显的正相关性，尤其在经济发达地区更为显著。

4.3 自回归积分滑动平均模型拟合结果

不同收入分组的各类型癌症平均死亡率ARIMA拟合结果表明（图3），4类按收入分组的国家肺癌死亡率均呈现上升趋势，收入增加死亡率升高，高收入和中高等收入国家2019年的肺癌死亡率分别约为58%和39%，另外两类均低于10%，其中高收入与中高等收入国家的上升趋势更加明显，自2000—2019年上升幅度约为15%。高收入、中高等收入和中低等收入国家的肝癌死亡率均呈上升趋势，高收入和中高等收入国家的肝癌死亡率较高（约10%），另外2类约2%~3%。4类按收入分组的国家结直肠癌死亡率均呈现上升趋势，且预测未来5年会持续上升，其中高收入国家的结直肠癌死亡率显著高于其他3类国家（约30%以上）。中高等收入和中低等收入国家的胃癌死亡率未来会继续上升，而低收入国家胃癌死亡率则会持续下降，较高收入国家胃癌死亡率比较低收入国家高10%~15%左右。4类按收入分组国家的胰腺癌死亡率均呈现上升趋势，收入越高上升越快，预计未来高收入国家胰腺癌死亡率将超过20%。
图3 按收入分组的全球主要类型癌症的死亡率ARIMA拟合结果

Fig. 3 ARIMA fitting results of major types of global cancer grouped by income

不同地区分组的各类型癌症平均死亡率ARIMA拟合结果表明（图4），7类按地区分组的肺癌死亡率均呈上升趋势，其中北美地区、欧洲与中亚地区和东亚与太平洋地区的肺癌死亡率（>40%）相较其他4类地区（<20%）更高。除撒哈拉以南非洲地区外，其他6类地区的肝癌死亡率均呈现上升趋势，东亚与太平洋地区（2019年>12.5%）显著高于其它地区（2019年<7.5%）。7类按地区分组的结直肠死亡率均呈上升趋势，欧洲与中亚地区高达30%以上；东亚与太平洋地区和欧洲与中亚地区的胃癌死亡率相对较高（>15%），而其他5类地区胃癌死亡率相对较低，且变化趋势平缓。7类按地区分组的胰腺癌死亡率均保持上升趋势，在北美地区和欧洲与中亚地区（2019年>15%）远高于其他5类地区，且上升趋势也更加明显。
图4 按地区分组的全球主要类型癌症的死亡率ARIMA拟合结果

Fig. 4 ARIMA fitting results of major types of global cancer grouped by regions

4.4 贝叶斯时空模型的相对风险

全球主要类型癌症死亡率的相对风险结果表明（图5），南亚、西亚、非洲、拉丁美洲国家肺癌 RR<0，表明这些国家肺癌风险在全球范围内较小，而欧洲、北美洲、东亚国家肺癌RR>0，表明这些国家肺癌风险在全球范围内较大，尤其是欧洲和北美洲（RR>3）肺癌风险更加显著。全球绝大多数国家肝癌死亡率RR值较小，肝癌死亡相对风险较低，而美国、加拿大、欧洲部分国家、埃及、东亚国家的 RR>1，表明其肝癌死亡风险相对较大，尤其是蒙古、日本、泰国RR值接近3，远高于其他国家。南亚、西亚、非洲、中美洲地区国家结直肠癌风险在全球范围内较低（RR<0），而北美洲、欧洲、南美洲南部、大洋洲、东亚国家结直肠癌风险在全球范围内较高的（RR>1），尤其是欧洲国家的RR值接近3。北美洲、非洲、南亚、东南亚以及大洋洲国家的胃癌风险相对较低，而欧洲以及东亚国家的RR值>1，其中中国、蒙古、日本的RR值为2.5左右，表明其胃癌死亡的相对风险较高。东南亚、南亚以及非洲国家的胰腺癌死亡的相对风险较低（RR<1），而北美洲、亚洲、大洋洲以及日本胰腺癌死亡相对风险较高（RR>1），其中北美国家与日本的RR为4左右，风险更高。
图5 全球主要类型癌症的死亡率相对风险预测结果

Fig. 5 Prediction of the relative risk of mortality for major types of global cancers

将各类型癌症死亡率的相对风险根据收入（表5）和地区（表6）进行分组并求其均值，发现高收入国家的各类型癌症死亡率相对风险相较其他收入分组更高（RR>1），其中结直肠癌和胰腺癌的死亡率RR>2。中高等收入国家的肺癌、结直肠癌和胰腺癌死亡率RR>1，表明其3种类型癌症死亡风险也相对较高。中低等收入和低收入国家的五种癌症死亡RR<1，且低收入国家的RR值明显小于其他3个收入分组。
表5 按收入分组的各类型癌症死亡率相对风险均值

Tab. 5 Mean relative risk of mortality from various types of cancer by income group

收入组 死亡率相对风险均值
肺癌 肝癌 结直肠癌 胃癌 胰腺癌
高收入国家 1.799 1.197 2.342 1.027 2.518
中高等收入国家 1.024 0.985 1.244 0.960 1.285
中低等收入国家 0.424 0.845 0.506 0.609 0.475
低收入国家 0.202 0.507 0.251 0.415 0.230
表6 按地区分组的各类型癌症死亡率相对风险均值

Tab. 6 Mean relative risk of mortality from various types of cancer by region

地区 死亡率相对风险均值
肺癌 肝癌 结直肠癌 胃癌 胰腺癌
东亚与太平洋地区 1.004 1.868 1.025 0.898 0.933
拉丁美洲与加勒比海地区 0.674 0.594 1.269 1.010 1.224
撒哈拉以南非洲地区 0.233 0.535 0.355 0.383 0.363
欧洲与中亚地区 2.174 1.272 2.581 1.281 2.798
南亚地区 0.264 0.402 0.362 0.383 0.354
中东与北非地区 0.474 0.502 0.621 0.355 0.730
北美地区 2.342 1.075 2.450 0.654 2.907
在地区分组中，欧亚与中亚地区及北美地区的肺癌死亡RR>2，表明这2个地区的肺癌死亡风险更高，而撒哈拉以南非洲地区及南亚地区的RR值最低（<0.3），表明这2个地区具有肺癌死亡风险更低。东亚与太平洋地区的肝癌死亡相对风险较其他6个地区分组更高（RR=1.868），南亚地区最低，RR为0.402。欧亚与中亚地区及北美地区的结直肠癌死亡相对风险较其他5个地区分组明显偏高， RR均大于2，而撒哈拉以南非洲地区及南亚地区的相对风险最低（RR=0.35）。各地区的胃癌死亡相对风险中，欧洲与中亚地区的相对风险较高（RR=1.281）。欧洲与中亚地区和北美地区的胰腺癌死亡相对风险明显偏高（RR>2），而撒哈拉以南非洲地区及南亚地区的RR值相对较低。

4.5 风险评估分析

本研究结果发现（表7），肺癌在全球范围内发生率和死亡率均偏高（60%），高收入国家更为突出。吸烟是肺癌的显著影响变量，肺癌高发趋势与烟草消费关联性高。特别在欧洲和北美等工业化程度高的地区，肺癌死亡率不断上升且风险值较高，可能归因于快速城市化导致的工业污染[30]。此外，政府控烟政策的执行程度也对肺癌发生率与死亡率有较强影响[31]。由于美国吸烟率居高不下，种族和地理不平等使控烟工作进展缓慢，导致美洲原住民肺癌死亡率控制难度大，密西西比州和肯塔基州肺癌死亡率是大多数西部州的2~3倍[32]。而南亚、西亚、非洲、拉丁美洲国家的肺癌死亡相对风险较小，可能归因于欠发达经济水平导致烟草消费量较低，加之工业污染小，肺癌患病率总体相对较低。
表7 全球各地区主要类型癌症死亡风险与关键诱因

Tab. 7 Mortality risk for global major types of cancer and their key drivers by region

地区 癌种 死亡风险 关键诱因
东亚与
太平洋地区		 肺癌 较高 吸烟、工业污染、老龄化人口
肝癌 高 丙型肝炎病毒感染、酒精摄入
结直肠癌 较高 高加工肉类饮食、高含糖饮料摄入
胃癌 高 高红肉饮食、高盐饮食、幽门螺旋杆菌感染
胰腺癌 较高 高空腹血糖、糖尿病、吸烟
拉丁美洲与
加勒比海地区		 肺癌 较低 吸烟
肝癌 低 酒精摄入、低运动强度
结直肠癌 低 低运动强度
胃癌 低 高盐饮食、低运动强度
胰腺癌 较低 吸烟、酒精
撒哈拉以南
非洲地区		 肺癌 低 吸烟
肝癌 低 无明显诱因
结直肠癌 低 高加工肉类饮食
胃癌 低 无明显诱因
胰腺癌 低 高空腹血糖、糖尿病
欧洲与中亚地区 肺癌 高 吸烟
肝癌 高 酒精摄入、脂肪性肝炎
结直肠癌 高 低运动强度、高含糖饮料摄入、高加工肉类饮食
胃癌 较高 高盐饮食、幽门螺旋杆菌感染
胰腺癌 高 吸烟、酒精、高空腹血糖
南亚地区 肺癌 低 吸烟
肝癌 低 丙型肝炎病毒感染
结直肠癌 低 高含糖饮料摄入、高加工肉类饮食
胃癌 较低 高红肉饮食
胰腺癌 低 高空腹血糖、吸烟
中东与北非地区 肺癌 低 吸烟
肝癌 低 无明显诱因
结直肠癌 低 高含糖饮料摄入、高加工肉类饮食
胃癌 低 无明显诱因
胰腺癌 较低 高空腹血糖
北美地区 肺癌 高 吸烟
肝癌 较高 酒精摄入、脂肪性肝炎
结直肠癌 高 高含糖饮料摄入、高加工肉类饮食
胃癌 较低 低运动强度、吸烟
胰腺癌 高 吸烟、高空腹血糖
全球肝癌死亡率相对风险较低，得益于乙肝疫苗高普及率。但由于丙肝尚无有效疫苗预防，东亚地区（蒙古、中国、韩国、日本等）肝炎病毒感染率持续在12.5%左右，且从丙肝发展到肝癌的时间相对乙肝更短[33-34]。东亚地区丙肝病毒回归系数显著较高，肝癌死亡率呈逐渐上升态势，死亡风险也相对更高。其中蒙古肝癌疾病负担尤为严峻，其男性酗酒现象普遍存在，加之医疗卫生条件较差且预防措施不足，导致蒙古的乙肝与丙肝病毒感染率居高不下，酒精和病毒共同作用造成蒙古的肝癌发生率约为全球平均水平的11倍[35]。而北美及欧洲部分国家因生活习惯导致运动缺乏、糖类和脂肪摄入过多，易患脂肪性肝炎，进一步发展为肝癌[36]。
南亚、西亚、非洲、中美洲地区的国家结直肠癌死亡风险较小，可归因于这些国家经济相对欠发达，饮食结构相对单一，加工类食品摄入较少。北美洲、欧洲、南美洲南部、大洋洲地区结直肠癌的风险较高（RR>2），死亡率也呈上升态势。欧洲饮食因素导致的癌症风险相比其他国家更显著，可归因于该地区饮食结构相对不平衡，以高脂肪、高热量加工类食品为主[37]，加之久坐不动的生活方式[38]，导致结直肠癌发病率偏高。此外，东亚地区的日本结直肠癌死亡相对风险较其他国家更高，这与日本居民食用加工肉类占比较高有关[39-40]。
胃癌全球分布呈显著的地区性差异，尤以日本、韩国和中国等东亚国家为甚，其死亡率高达20%以上。这与其饮食习惯（高盐、腌制食品）以及幽门螺旋菌的高感染率密切相关[41]。此外，以上国家由于饮酒文化盛行，导致酒精摄入量较高，成为胃癌诱因之一[42]。而北美洲、非洲、南亚、东南亚及大洋洲国家的幽门螺旋杆菌感染率相对较低，胃癌患病率与死亡率也相对较低。
胰腺癌全球死亡率相对较低，但其诊断相对困难且预后较差，因此死亡风险较高[43]。胰腺癌死亡高风险区主要集中在欧洲、北美洲、亚洲（日本）与大洋洲，其显著影响因素包括吸烟、饮酒和糖尿病。以上大多为高纬度区域，饮酒和高热量饮食较为流行，易导致酒精过量及脂肪负担，从而加重患胰腺癌风险。此外，该区域烟草行业发达，吸烟人数较多也是导致胰腺癌发生的主要诱因。

5 结论与展望

5.1 结论

本研究基于多尺度地理加权回归、自回归积分滑动平均和贝叶斯时空模型集成，对2011—2019年全球5种主要类型癌症（肺癌、结直肠癌、胃癌、肝癌与胰腺癌）的死亡病例数据进行了时空模式、影响因素及风险趋势探究。研究主要结论如下。
（1）全球主要类型癌症的地理分布具有明显的空间聚集性特征，且各类型癌症死亡率时间维度均呈现上升趋势。高收入和中高收入国家的癌症死亡率上升趋势明显，相对风险高。中低收入和低收入国家癌症死亡率相对较低，变化趋势平缓，相对风险较低。空间分布上，欧洲、中亚、北美、东亚及太平洋地区癌症死亡率增速较快，相对风险较高，而非洲撒哈拉以南与南亚地区的癌症死亡率风险相对较低，该结论与Lin等[5]和李纪宾等[2]研究结果基本一致。
（2）肺癌死亡风险主要因素包括65岁及以上人口占比与吸烟，肝癌死亡风险的主要因素为人均GDP和丙型肝炎病毒，结直肠癌死亡风险主要因素包括65岁及以上人口占比、低运动强度、饮食中高含糖饮料、饮食中高加工肉类、人均GDP、人均GNI和人均医疗卫生支出，胃癌死亡风险主要因素包括65岁及以上人口占比、低运动强度、饮食中高含糖饮料、饮食中高红肉、吸烟和人均医疗卫生支出。胰腺癌死亡风险主要因素包括65岁及以上人口占比、高空腹血糖、糖尿病、吸烟、酒精、人均GDP和人均GNI。
（3）全球范围内南亚、西亚、非洲、拉丁美洲国家肺癌风险较小，而欧洲、北美洲、东亚国家风险较大；全球绝大多数国家肝癌死亡相对风险较低，而蒙古、日本、泰国远高于其他国家；北美洲、欧洲、南美洲南部、大洋洲、东亚国家结直肠癌风险在全球范围内较高；中国、蒙古、日本胃癌死亡的相对风险较高；欧洲国家和美国、加拿大、日本胰腺癌死亡相对风险较高。高收入国家结直肠癌和胰腺癌的死亡风险更高。中高等收入国家肺癌、结直肠癌和胰腺癌死亡风险相对较高。中低等收入和低收入国家的5种癌症死亡风险均较低。

5.2 讨论

本研究针对全球主要类型癌症死亡率的时间动态与空间分异特征，通过集成不同地理时空分析方法优势，创新性构建了涵括时空分组变量和不同影响因素的疾病风险时空预测模型，灵活度高，解释性强，能够有效评估不同地区各类癌症死亡的相对风险。尽管结构化空间和时间效应的设计使模型运算时间有所增加，但更适用于量化时空非平稳性关系，对于揭示大范围疾病时空风险的稳健性更好，加深了地理空间建模技术与流行病研究的交叉融合，对严峻的全球癌症形势研判与防控规划具有重大科学意义。同时，本研究存在以下几点局限性：
（1）由于全球不同国家面积差异较大，对多尺度地理加权回归结果产生一定影响。由于疾病数据通常按照行政单位统计，若将全球划分若干面积相近的网格，不但增加疾病数据收集难度，也会导致计算的网格病例数存在较大误差。后续研究将考虑提取相近面积大小的行政区划单元，将较大的国家拆分为较小的行政单位（例如以省、州等提取），而面积较小的国家则保持独立单元参与分析。既减小不同空间单元带来的尺度差异，也尽可能提高单元病例数计算精度。
（2）由于每类癌症在每种分组条件下可能存在不同的季节性特征，在ARIMA拟合中往往需要根据不同特征选择特定参数，但这对参数选择提出了一定挑战。本研究根据数据特点自动选取参数，拟合效果总体较好，但仍有部分数据拟合效果不佳，这对后续时间序列模型拟合提出了更高要求。
（3）集成时空特征的贝叶斯预测模型参数设计，未纳入影响因素的滞后性效应，后续研究可考虑结合交叉基函数实现精细时间尺度滞后性分析，并尝试更多时空特征提取模型和参量计算方法，以提升疾病风险预测的精度与准确性。

5.3 展望

通过对全球主要类型癌症的时空流行特征探究，揭示了不同影响因素对各类癌症死亡率的影响作用，并有效评估了其疾病负担的时空风险趋势。后续将深入挖掘新冠疫情爆发前后不同癌症流行病学特征发生的重要变化，为减轻全球癌症疾病负担提供更多的科学依据。地理时空信息技术作为强有力的信息挖掘手段，为研判全球癌症流行趋势和制定公共卫生政策提供了决策支持，多学科交叉融合助力全球癌症研究产生新进展，为保障公共卫生安全和提高人类生活质量贡献力量。
■ 本文图文责任编辑： 蒋树芳 黄光玉

利益冲突：Conflicts of Interest 所有作者声明不存在利益冲突。

All authors disclose no relevant conflicts of interest.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王劲松, 魏家燕, 彭敏. 2023年美国癌症统计报告和全球最新癌症统计数据解读及启示[J]. 实用肿瘤杂志, 2023, 38(6):523-527.

[Wang J S, Wei J Y, Peng M. Interpretation and enlightenment of 2023 American cancer statistics report and the latest global cancer statistics[J]. Journal of Practical Oncology, 2023, 38(6):523-527.] DOI:10.13267/j.cnki.syzlzz.2023.083

[2]
李纪宾, 邹小农. 全球癌症流行现状及环境致癌因素解析[J]. 环境卫生学杂志, 2023, 13(11):795-803.

[Li J B, Zou X N. Global cancer epidemic status and its environmental carcinogenic factors[J]. Journal of Environmental Hygiene, 2023, 13(11):795-803.] DOI:10.13421/j.cnki.hj wsxzz.2023.11.001

[3]
Wild C, Weiderpass E, Stewart B. World Cancer Report: Cancer Research for Cancer Prevention[M]. Lyon: International Agency for Research on Cancer, 2020.

[4]
Bray F, Ferlay J, Soerjomataram I, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA, 2018, 68(6):394-424. DOI:10.3322/caac.21492

[5]
Lin L F, Li Z Y, Yan L, et al. Global, regional, and national cancer incidence and death for 29 cancer groups in 2019 and trends analysis of the global cancer burden, 1990-2019[J]. Journal of Hematology & Oncology, 2021, 14(1):197. DOI:10.1186/s13045-021-01213-z

[6]
Uhry Z, Chatignoux E, Dantony E, et al. Multidimensional penalized splines for incidence and mortality-trend analyses and validation of national cancer-incidence estimates[J]. International Journal of Epidemiology, 2020, 49(4):1294-1306. DOI:10.1093/ije/dyaa078

PMID

[7]
Yang J, Zhang Y Q, Luo L S, et al. Global mortality burden of cirrhosis and liver cancer attributable to injection drug use, 1990-2016: An age-period-cohort and spatial autocorrelation analysis[J]. International Journal of Environmental Research and Public Health, 2018, 15(1):170. DOI:10.3390/ijerph15010170

[8]
Amini M, Azizmohammad Looha M, Rahimi Pordanjani S, et al. Global long-term trends and spatial cluster analysis of pancreatic cancer incidence and mortality over a 30-year period using the global burden of disease study 2019 data[J]. PLoS One, 2023, 18(7):e0288755. DOI:10.1371/journal.pone.0288755

[9]
Mather F J, Chen V W, Morgan L H, et al. Hierarchical modeling and other spatial analyses in prostate cancer incidence data[J]. American Journal of Preventive Medicine, 2006, 30(2):S88-S100. DOI:10.1016/j.amepre.2005.09.012

[10]
Huang L, Pickle L W, Evaluating spatial methods for investigating global clustering and cluster detection of cancer cases[J]. Statistics in Medicine, 2008, 27(25):5111-5142. DOI:10.1002/sim.3342

PMID

[11]
张玲莉, 王丽珍, 杨培忠. 工业污染对癌症影响的挖掘方法:改进的空间同位模式[J]. 地球信息科学学报, 2023, 25(12):2340-2360.

DOI

[Zhang L, Wang L, Yang P. Mining the Influence of Industrial Pollution on Cancer: An Improved Spatial Co-location Pattern[J]. Geo-information Science, 2023, 25(12):2340-2360.] DOI:10.12082/dqxxkx.2023.230148

[12]
Anderson T, Herrera D, Mireku F, et al. Geographical variation in social determinants of female breast cancer mortality across US counties[J]. JAMA Network Open, 2023, 6(9):e2333618. DOI:10.1001/jamanetworkopen.2023.33618

[13]
Cupido K, Fotheringham A S, Jevtic P. Local modelling of U.S. mortality rates: A multiscale geographically weighted regression approach[J]. Population, Space and Place, 2021, 27(1):e2379. DOI:10.1002/psp.2379

[14]
Costa E M, Magalhães Rodrigues E S, de Sousa F S, et al. The Brazilian National Oral Health Policy and oral cancer mortality trends: An autoregressive integrated moving average (ARIMA) model[J]. PLoS One, 2023, 18(9):e0291609. DOI:10.1371/journal.pone.0291609

[15]
Earnest A, Evans S M, Sampurno F, et al. Forecasting annual incidence and mortality rate for prostate cancer in Australia until 2022 using autoregressive integrated moving average (ARIMA) models[J]. BMJ Open, 2019, 9(8):e031331. DOI:10.1136/bmjopen-2019-031331

[16]
Lin C H, Wen T H. How spatial epidemiology helps understand infectious human disease transmission[J]. Tropical Medicine and Infectious Disease, 2022, 7(8):164. DOI: 10.3390/tropicalmed7080164

[17]
MacNab Y C. Bayesian disease mapping: Past, present, and future[J]. Spatial Statistics, 2022,50:100593. DOI: 10.1016/j.spasta.2022.100593

[18]
Shen L, Sun M H, Ma W T, et al. Synergistic driving effects of risk factors on human brucellosis in Datong City, China: A dynamic perspective from spatial heterogeneity[J]. Science of the Total Environment, 2023,894:164948. DOI:10.1016/j.scitotenv.2023.164948

[19]
Oshan T, Li Z Q, Kang W, et al. Mgwr: A python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale[J]. ISPRS International Journal of Geo-Information, 2019, 8(6):269. DOI:10.3390/ijgi8060269

[20]
卢宾宾, 葛咏, 秦昆, 等. 地理加权回归分析技术综述[J]. 武汉大学学报(信息科学版), 2020, 45(9):1356-1366.

[Lu B B, Ge Y, Qin K, et al. A review on geographically weighted regression[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1356-1366.] DOI: 10.13203/j.whugis20190346

[21]
Hyndman R J, Khandakar Y. Automatic time series forecasting: The forecast Package for R[J]. Journal of Statistical Software, 2008, 27(3):1-22. DOI: 10.18637/jss.v027.i03.

[22]
Bernardinelli L, Clayton D, Pascutto C, et al. Bayesian analysis of space-time variation in disease risk[J]. Statistics in Medicine, 1995, 14(21/22):2433-2443. DOI:10.1002/sim.4780142112

[23]
郑大山, 张俊国, 文婉琪, 等. 三种常用统计学指标之间的区别和应用:相对危险度和风险比及比值比[J]. 中华预防医学杂志, 2024, 58(5):706-710.

[Zheng D S, Zhang J G, Wen W Q, et al. Difference and application of three commonly used statistical indicators: Relative risk and risk ratio and ratio ratio[J]. Chinese Journal of Preventive Medicine, 2024, 58(5):706-710.] DOI:10.3760/cma.j.cn112150-20231010-00249

PMID

[24]
TARIQ KHOKHAR. 按收入水平划分的新国别类别(2018-2019)[EB/OL]. (2018-7-18) [2018-7-18]. https://blogs.worldbank.org/zh/opendata/new-country-classifications-income-level-2018-2019.

[TARIQ KHOKHAR. New country classifications by income level:2018-2019[EB/OL]. (2018-7-18) [2018-7-18]. https://blogs.worldbank.org/zh/opendata/new-country-classifications-income-level-2018-2019.]

[25]
Institute for Health Metrics and Evaluation (IHME). GBD Results[DB/OL]. Seattle: University of Washington, 2021.

[26]
Collaborators G 2 D A I. Global burden of 369 diseases and injuries in 204 countries and territories, 1990-2019: A systematic analysis for the Global Burden of Disease Study 2019[J]. Lancet, 2020, 396(10258):1204-1222. DOI:10.1016/S0140-6736(20)30925-9

PMID

[27]
Burkart K G, Brauer M, Aravkin A Y, et al. Estimating the cause-specific relative risks of non-optimal temperature on daily mortality: A two-part modelling approach applied to the Global Burden of Disease Study[J]. Lancet, 2021, 398(10301):685-697. DOI:10.1016/S0140-6736(21)01700-1

PMID

[28]
World Bank Group. World Development Indicators[DB/OL]. Washington: World Bank Group, 2021.

[29]
Jeanty P W. Using the world development indicators database for statistical analysis in stata[J]. The Stata Journal: Promoting Communications on Statistics and Stata, 2010, 10(1):30-45. DOI:10.1177/1536867x1001000105

[30]
张景暄, 付庭吕, 李宁, 等. 《肺癌的全球负担:当前状态和未来趋势》要点解读[J]. 中国胸心血管外科临床杂志, 2024, 31(1):17-23.

[Zhang J X, Fu T L, Li N, et al. Interpretation of global burden of lung cancer: Current status and future trends[J]. Chinese Journal of Clinical Thoracic and Cardiovascular Surgery, 2024, 31(1):17-23.] DOI: 10.7507/1007-4848.202309021

[31]
Gredner T, Mons U, Niedermaier T, et al. Impact of tobacco control policies implementation on future lung cancer incidence in Europe: An international, population-based modeling study[J]. The Lancet Regional Health Europe, 2021,4:100074. DOI:10.1016/j.lanepe.2021.100074

[32]
Kratzer T B, Bandi P, Freedman N D, et al. Lung cancer statistics, 2023[J]. Cancer, 2024, 130(8):1330-1348. DOI: 10.1002/cncr.35128

[33]
曹毛毛, 李贺, 孙殿钦, 等. 全球肝癌2020年流行病学现状[J]. 中华肿瘤防治杂志, 2022, 29(5):322-328.

[Cao M M, Li H, Sun D Q, et al. Global epidemiology of liver cancer in 2020[J]. Chinese Journal of Cancer Prevention and Treatment, 2022, 29(5):322-328.] DOI:10.16073/j.cnki.cjcpt.2022.05.03

[34]
中华医学会肝病学分会, 中华医学会感染病学分会. 丙型肝炎防治指南(2022年版)[J]. 中华临床感染病杂志, 2022, 15(6):428-447.

[Chinese Society of Hepatology, Chinese Society of Infectious Diseases, Chinese Medical Association. Guidelines for the Prevention and Treatment of Hepatitis C (2022 Edition)[J]. Chinese Journal of Clinical Infectious Diseases, 2022, 15(6):428-447.] DOI: 10.3760/cma.j.issn.1674-2397.2022.06.002

[35]
Batsaikhan O, Chimed-Ochir O, Kubo T, et al. The burden of liver cancer in Mongolia from 1990-2019: A systematic analysis for the Global Burden of Disease Study 2019[J]. Frontiers in Oncology, 2024,14:1381173. DOI: 10.3389/fonc.2024.1381173

[36]
Lazarus J V, Mark H E, Allen A M, et al. A global research priority agenda to advance public health responses to fatty liver disease[J]. Journal of Hepatology, 2023, 79(3):618-634. DOI:10.1016/j.jhep.2023.04.035

PMID

[37]
杨宗明, 朱章航, 徐李莎, 等. 全球结直肠癌疾病负担与筛查比较[J]. 实用肿瘤杂志, 2023, 38(3):211-217.

[Yang Z M, Zhu Z H, Xu L S, et al. Comparison of global burden and screening of colorectal cancer[J]. Journal of Practical Oncology, 2023, 38(3):211-217.] DOI:10.13267/j.cnki.syzlzz.2023.033.

[38]
徐梦圆, 单天昊, 曾红梅. 2020年全球结肠癌和直肠癌发病死亡分析[J]. 江苏预防医学, 2023, 34(1):12-16.

[Xu M Y, Shan T H, Zeng H M. Global incidence and mortality of colon cancer and rectal cancer in 2020[J]. Jiangsu Journal of Preventive Medicine, 2023, 34(1):12-16.] DOI: 10.13668/j.issn.1006-9070.2023.01.003

[39]
Wada K, Oba S, Tsuji M, et al. Meat consumption and colorectal cancer risk in Japan: The Takayama study[J]. Cancer Science, 2017, 108(5):1065-1070. DOI:10.1111/cas.13217

PMID

[40]
Tamakoshi A, Nakamura K, Ukawa S, et al. Characteristics and prognosis of Japanese colorectal cancer patients: The BioBank Japan Project[J]. Journal of Epidemiology, 2017, 27(3):S36-S42. DOI:10.1016/j.je.2016.12.004

[41]
闫超, 陕飞, 李子禹. 2020年全球胃癌负担分析:聚焦中国流行现状[J]. 中国肿瘤, 2023, 32(3):161-170.

[Yan C, Shan F, Li Z Y. Analysis of global burden of gastric cancer in 2020: Focusing on the statistics in China[J]. China Cancer, 2023, 32(3):161-170.] DOI:10.11735/j.issn.1004-0242.2023.03.A001

[42]
Grantham T, Ramachandran R, Parvataneni S, et al. Epidemiology of gastric cancer: Global trends, risk factors and premalignant conditions[J]. Journal of Community Hospital Internal Medicine Perspectives, 2023, 13(6):100-106. DOI:10.55729/2000-9666.1252

PMID

[43]
孙惠昕, 贾海晗, 王婉莹, 等. 胰腺癌流行现状和影响因素的研究[J]. 医学信息, 2022, 35(11):47-50.

[Sun H X, Jia H H, Wang W Y, et al. The prevalence and influencing factors of pancreatic cancer[J]. Journal of Medical Information, 2022, 35(11):47-50.] DOI:10.3969/j.issn.1006-1959.2022.11.014

Options
文章导航

/

〈 〉