從死亡率數據估算癌症發病率：基於人群癌症登記的驗證性研究

核心概念

通過將預期病例與格拉納達癌症登記處的實際觀察病例進行比較，本研究驗證了基於死亡率和發病率死亡比 (IMR) 數據推算癌症發病率方法的有效性，並提出了一種客觀指標來評估不同情景下的擬合優度，以幫助選擇最佳的 IMR 趨勢假設。

摘要

參考文獻： Redondo-Sánchez D, Rodríguez-Barranco M, Ameijide A, Alonso FJ, Fernández-Navarro P, Jiménez-Moleón JJ, et al. Cancer incidence estimation from mortality data: a validation study within a population-based cancer registry. Population Health Metrics. 2021;19:18.
研究目標：
本研究旨在評估基於死亡率和發病率死亡比 (IMR) 數據推算癌症發病率方法的預測性能，並提出一個客觀指標來評估不同 IMR 趨勢假設下的擬合優度。
方法：
研究人員使用格拉納達省 1982 年至 2010 年的癌症死亡數據和 1985 年至 2013 年的癌症發病率數據，採用 NORDPRED 方法估計目標年份的死亡人數，並使用廣義線性混合模型 (GLMM) 估計目標年份的 IMR。根據 IMR 的不同趨勢假設（恆定、線性、二次），研究人員計算了 2004 年至 2013 年期間每年的預期癌症病例數，並與實際觀察到的病例數進行比較。採用平均絕對百分比誤差 (MAPE) 作為擬合優度指標。
主要發現：
對於大多數癌症類型，基於 IMR 數據推算出的癌症發病率與實際觀察到的發病率相對接近。線性 IMR 趨勢假設最適合男性前列腺癌以及女性肺癌、卵巢癌和其他部位的癌症。對於其他癌症類型，恆定 IMR 趨勢假設表現更好。二次 IMR 趨勢假設在所有癌症類型中表現最差。
主要結論：
基於死亡率和 IMR 數據推算癌症發病率的方法是一種有效的工具，前提是數據（發病率、死亡率和人口）質量高。本研究提出的擬合優度指標可以幫助研究人員在應用該方法時選擇最佳的 IMR 趨勢假設。
意義：
這項研究為基於死亡率和 IMR 數據推算癌症發病率的方法提供了重要的驗證證據，並提出了一個客觀指標來評估不同 IMR 趨勢假設下的擬合優度。這些發現對於在缺乏可靠癌症登記數據的地區開展癌症監測工作具有重要意義。
局限性和未來研究方向：
本研究的局限性在於它只關注了西班牙的一個省份。未來的研究應在其他地區和人群中驗證該方法。此外，未來的研究還可以探索其他 IMR 趨勢假設，並開發更複雜的模型來提高估計的準確性。

統計資料

本分析納入了格拉納達省 1982 年至 2010 年間發生的 43,884 例癌症死亡病例，以及 2004 年至 2013 年間診斷出的 39,848 例癌症發病病例（男性 23,197 例，女性 16,651 例）。
在最佳情景下，男性癌症病例的總體相對偏差為 -0.3%（預期病例數 23,126 例，觀察病例數 23,197 例），女性為 -0.5%（預期病例數 16,574 例，觀察病例數 16,651 例）。
除了乳腺癌和前列腺癌外，該方法對大多數癌症類型都能提供良好的可靠性。
乳腺癌的總體相對偏差僅為 -1.1%（預期病例數 4175 例，觀察病例數 4220 例），但由於篩查計劃的影響，該系列最後幾年的偏差值高於 20%。
前列腺癌的平均高估為 12%，在該系列的最後一年甚至達到了 136%，這可能是由於 PSA 檢測導致的過度診斷。

從以下內容提煉的關鍵洞見

Cancer incidence estimation from mortality data: a validation study within a population-based cancer registry

by Dani... 於 arxiv.org 11-21-2024

https://arxiv.org/pdf/2411.12784.pdf

深入探究

在缺乏可靠死亡率數據的地區，如何有效估算癌症發病率？

在缺乏可靠死亡率數據的地區，估算癌症發病率確實是一項挑戰。以下是一些可考慮的方法：

利用其他地區的數據進行推估： 可以參考鄰近地區或具有相似人口特徵地區的癌症發病率和死亡率數據，結合目標地區的人口結構和已知風險因素，建立統計模型進行推估。
利用癌症登記數據： 若目標地區有部分區域或特定人群設有癌症登記，可以利用這些數據推估整體發病率。但需注意數據的代表性和完整性，並進行相應的校正。
利用醫院數據： 收集目標地區醫院的癌症診斷和治療數據，結合人口數據和就醫率等指標，推估整體發病率。但需注意醫院數據的覆蓋範圍和診斷標準差異。
開展專項調查： 針對目標地區開展專項的癌症流行病學調查，收集癌症發病和死亡數據，以獲得更準確的估計。但此方法成本較高，且需要較長時間。
需要注意的是，以上方法都存在一定的局限性，估計結果的準確性受數據質量和方法選擇的影響。建議結合多種方法和數據來源進行綜合分析，並對估計結果的不確定性進行評估。

基於 IMR 的方法是否會低估癌症治療的進步對發病率的影響？

是的，基於 IMR (發病率-死亡率比率) 的方法可能會低估癌症治療的進步對發病率的影響。這是因為：

IMR 方法的基本假設是癌症的發病率和死亡率之間存在穩定的比例關係。 然而，隨著癌症治療技術的進步，患者的生存期延長，死亡率下降，而發病率可能保持穩定甚至上升，導致 IMR 下降。
如果僅根據歷史 IMR 數據推算未來發病率，就會忽略治療進步帶來的影響，導致低估發病率。
為避免低估，可以考慮以下方法：

將治療進步因素納入模型： 在使用 IMR 方法時，可以考慮將癌症治療的進步因素納入模型，例如，根據不同時期的癌症治療水平和患者生存率對 IMR 進行調整。
結合其他數據和方法： 除了 IMR 方法，還可以結合其他數據和方法進行發病率估計，例如，利用癌症登記數據、醫院數據、專家評估等，綜合分析癌症發病率的變化趨勢。
總之，基於 IMR 的方法是一種簡便易行的癌症發病率估計方法，但在應用時需注意其局限性，並結合其他數據和方法進行校正，以提高估計結果的準確性。

如何利用大數據和人工智能技術來提高癌症發病率估計的準確性和時效性？

大數據和人工智能技術為提高癌症發病率估計的準確性和時效性提供了新的可能性，以下是一些具體應用方向：

數據整合與挖掘： 利用大數據技術整合來自多個來源的數據，包括癌症登記數據、電子病歷、基因數據、環境數據、社會經濟數據等，構建更全面、多維度的癌症數據庫。通過數據挖掘技術，可以發現數據中的隱藏模式和關聯，為發病率估計提供更豐富的信息。
預測模型構建： 利用機器學習等人工智能技術，可以構建更精確的癌症發病率預測模型。這些模型可以考慮多種因素的影響，例如，人口結構、遺傳因素、生活方式、環境暴露、醫療服務水平等，並根據數據動態調整模型參數，提高預測的準確性和時效性。
空間流行病學分析： 結合地理信息系統 (GIS) 和空間統計方法，可以對癌症發病率進行空間分布和趨勢分析，識別高危地區和人群，為癌症防控策略制定提供科學依據。
實時監測與預警： 利用大數據和人工智能技術，可以構建實時監測和預警系統，及時捕捉癌症發病率的變化趨勢，並對潛在的疫情風險進行預警，為疾病防控提供決策支持。
總之，大數據和人工智能技術為癌症發病率估計提供了新的思路和方法，可以有效提高估計的準確性和時效性，為癌症防控提供更精準的數據支持。