看完最近 1 个月的 GBD 论文，我把 5 篇中国团队的全拆给你看：选题套路 + 怎么发 SCI

看完最近 1 个月的 GBD 论文，我把 5 篇中国团队的全拆给你看：选题套路 + 怎么发 SCI

这不是健康科普。这是给想用 GBD 数据发论文的医学研究生/博士生写的「论文拆解手册」。

特别说明：本次 5 篇案例全部来自中国大陆/华人团队（作者姓氏 + 通讯作者邮箱确认），用 GBD 数据结合本土队列/中国特色情境。

检索范围：PubMed，2026-06-28 至 2026-07-28。

一、先看一组让你脊背发凉的数据

最近 30 天，"GBD" 这个词在 PubMed 出现了 250+ 次。

其中中国团队（含港澳台 + 海外华人）占了将近一半——光是 iScience、Journal of Clinical and Translational Hepatology、Medicine 等 OA 期刊，最近 30 天就挤进了 20+ 篇。你打开任何一个 IF ≥ 3 的医学期刊的"近期目录"，都能看到 GBD 论文。

为什么？ 因为 GBD 把 1990–2023 年、204 个国家/地区、459 个健康结局 + 危险因素的完整数据，全部打包免费下载。等于有人把"原材料"帮你清洗好了，你只要：

1. 挑一个疾病 × 切片维度
2. 跑几行 R 代码
3. 拼一份中国本土队列（CHARLS / CNHS / CHNS）
4. 写成论文

门槛被压到极低，但能不能发到 iScience / Medicine / Metabolism 级期刊，全看你选题+图+讲故事+本土数据嫁接的本事。

下面我挑 5 篇最近 1 个月最值得拆的中国团队 GBD 论文，一篇一篇拆给你看"别人是怎么做的"。

二、5 篇案例 + 5 种选题模板（重点，建议收藏）

我从最近 30 天 PubMed 命中的 41 篇"GBD + 中国/华人"论文里，按"方法学可借鉴性 + 期刊档次 + 中国数据深度"筛出这 5 篇：

下面逐个拆。

📊 5 篇论文核心数字一表速查（建议收藏）

💡 读完这张表你就已经掌握 5 篇论文的方法学骨架。下面逐篇展开详细拆解——但所有数字都能在上面找到。

三、模板 A："疾病群 × 中国本土双库联合"——iScience 级最稳入门款

案例 A：Liu T, Zhang Z, Lv W, et al. _Sex differences in disease burden in China from 1990 to 2023 triangulating GBD and CHARLS._ iScience 2026; 29: 116553. PMID: 42491625. （通讯作者：Jinxin Zheng, jamesjin63@163.com）

3.1 它做了啥

把 GBD 2023 里 20 个最高负担疾病在中国 1990–2023 的男女差异算了一遍——然后拉了 CHARLS 2018（中国健康与养老追踪调查，19,542 名 ≥45 岁中老年人）做"三角验证"。

核心结果：中国男性比女性多负担的是心梗、脑卒中、肺癌、道路伤害（"死亡驱动"型）；女性多负担的是肌骨骼疾病、痴呆、跌倒、抑郁症状（"失能驱动"型）。

3.2 这套模板能直接抄的 4 个动作

① 选题公式：[中国/某国家] × [疾病群] × [时间序列] + [本土队列三角验证]

"本土队列"在中国可选项很多：

- CHARLS（中国健康与养老追踪调查）— 中老年

- CHNS（中国健康与营养调查）— 9 省

- CNHS（中国国民健康调查）— 全国

- CLHLS（中国老年健康影响因素跟踪调查）— 高龄老人

>

选哪个看你疾病+年龄段，CHARLS 是中老年心血管/代谢/肿瘤的首选。

② 方法学三件套（GBD 描述 + 本土队列验证）：

• GBD 端：compute_gbd_eapc() / visual_dual_axis_GBD() + BAPC 投影
• CHARLS 端：调整后比值比（OR）+ Cox 风险模型 + 限制性立方样条（RCS）
• 桥接：把 CHARLS 的 OR 方向和 GBD 的男女差异方向对比，看是否一致

上图就是这篇论文的 Figure 6，最值的"方法学桥接"图。

- A 图：OR > 1 表示男性更高（吸烟、饮酒、慢性肺病），OR < 1 表示女性更高（关节炎、跌倒、抑郁、ADL/IADL 失能）—— CHARLS 个体证据

- B 图：按年龄段分层的男女差（百分点）—— GBD 群体证据

- C 图：男女患病率直接对比 —— CHARLS 患病率

- D 图：整体男女差 —— GBD 整体估计

>

4 张小图指向同一个结论：CHARLS 个体证据和 GBD 群体证据完全互证。这就是"triangulation"的威力——把两个完全独立的数据源拼在一起，互相验证可信度，论文立刻从"GBD 二次分析"升级为"双数据库联合验证"。

③ 年龄组 × 性别 × 疾病 三维柱状图：

上图是 Figure 3：20 个核心疾病 × 6 个年龄组 = 120 个柱状图（仅展示前 15 个疾病）。粉=男、青=女。

- 0–19 岁组：新生儿疾病 + 道路伤害是男性主导（男相对过剩 29.5%、50.9%），其他肌骨疾病女主导（48.1%）

- 20–44 岁组：道路伤害性别差距最大，男性 DALY 比女性高 231.6%

- 45–59 岁组：缺血性心脏病（男 +196.2%）、脑卒中（+129.1%）、气管/支气管/肺癌（+149.6%）—— 心血管与癌症全面男性主导

- 60–74 岁组：男女绝对差距最大（缺血性心脏病 +3218/10 万，脑卒中 +4651/10 万）

>

这种"小多面板 + 双色对比"是 iScience 主编最爱收的图。

④ 危险因素归因镜像图（男 vs 女 PAF 对比）：

上图是 Figure 5：16 个核心疾病 × 17 种危险因素，纵轴是危险因素名称，左半（蓝条）= 女性归因分数、右半（橙条）= 男性归因分数。

- 吸烟：男性肺癌 82.3% vs 女性 27.0%（差 55.3 pp）

- 饮酒：男性食管癌 57.5% vs 女性 8.9%（差 48.6 pp）

- 高空腹血糖：女性糖尿病 5.1 pp > 男性

- 固体燃料家庭空气污染：女性慢阻肺 5.3 pp > 男性

>

"镜像图"的好处是一眼看出男女危险因素结构差异——比单条柱状图信息密度高 2 倍。

⑤ 时序趋势图：

上图是 Figure 4：每个小图是一个疾病，横轴年份、纵轴标化 DALY 率，红线=男、蓝线=女、绿线=合并，右下角数字是 1990→2023 的变化百分比。一眼能看出哪些疾病男女差距在扩大/缩小——比如缺血性心脏病，男性的相对过剩从 36.3% 涨到 70.2%。

⑥ BAPC 预测到 2030：用 GBD_bapc_analysis() 一键预测，还做了敏感性分析确认趋势稳定。

关键发现：到 2030 年，中国缺血性心脏病预计成为标化 DALY 率第 1 位（当前第 2 位），脑卒中、跌倒紧跟其后——男性的男-女 DALY 率差距将达 1638/10 万。

3.3 这套模板的优缺点

✅ 优点：把 GBD 描述分析 + CHARLS 个体验证 + BAPC 预测 三股线拧成一根——审稿人最爱这种"互相验证"的研究。

❌ 缺点：CHARLS 数据获取有门槛（要申请），需要协调国家老年研究所合作。

四、模板 B："重大疾病 × 跨国 + 长期预测"——能上 iScience / Lancet 子刊

案例 B：Wang H, Zhang M, Ke X, et al. _Rheumatoid arthritis burden in 129 low- and middle-income countries from 1990 to 2023._ iScience 2026. PMID: 42495527. （通讯作者：Hongnian Wang, hongnianwang@gmail.com。北华大学 + 四川省自然科学基金资助）

4.1 它做了啥

把 129 个中低收入国家 (LMIC) 的类风湿关节炎（RA）负担按 3 个 GNI 等级（低、中低、中高）拆开分析，用 GBD 2023 数据 + ARIMA 预测到 2050。

核心发现：到 2050 年，低收入国家 RA 死亡率会下降，但中高收入国家死亡率会上升——这是因为 RA 早诊水平在不同收入国家发展不均。

4.2 这套模板能直接抄的 3 个动作

① 选题公式：[某种疾病] × [某收入分组国家] × [趋势 + 长期预测]

适合疾病：RA、糖尿病、心血管、肿瘤亚型、慢阻肺、哮喘…

② GNI 分层投影图：

上图是 Figure 3：左右两幅图分别画了发病率（A）和死亡率（B）的 ARIMA 投影到 2050 年。

- 橙线 = 低收入国家 (GNI-L)：发病率 2023 起开始下降（医保覆盖+早诊普及）

- 蓝线 = 中低收入 (GNI-LM)：发病率走势平稳，但死亡率 2020 后抬升（诊断跟上但治疗跟不上）

- 绿线 = 中高收入 (GNI-UM)：发病率继续上升，死亡率也上升（老龄化 + 诊断能力扩大）

>

这种"分组预测+虚线分隔历史/未来"是 ARIMA 论文的标准套路，审稿人一看就懂你要表达"组间分化加剧"。

③ 不平等分析三件套：

上图是 Figure 2：6 个子面板同时展示 4 种不平等指标。

- A、B 图：Spearman 相关——GNI × 患病率（ρ=0.668，p<0.001）、GNI × 死亡率（ρ=-0.001，p=0.995）

- C、D 图：Slope Index of Inequality (SII) 散点+回归线——1990 年 SII=52.7，2023 年 SII=152.2，不平等扩大 189%

- E、F 图：Concentration Index (CI) 累积曲线——患病 CI 1990 年 0.179 → 2023 年 0.259（不平等扩大 45%）

>

这是"不平等分析三件套"的完美范本：Spearman 看单因素关联、SII 看绝对差距、CI 看相对集中度。三张图互为补充，审稿人很难挑刺。

>

GlobalBurdenR 函数：concentration_analysis() 一键算 SII/CI。

④ 不平等核心数字速查：

• Spearman 相关：GNI × 患病率（ρ=0.668, p<0.001），与死亡率无关
• SII：1990 年 52.7 → 2023 年 152.2（不平等扩大 189%）
• Concentration Index：发病 0.179 → 0.259，死亡 0.030 → 0.097

4.3 这套模板的优缺点

✅ 优点：模板 A 不敢碰的人群数据（CHARLS 申请周期长）不在此列——纯 GBD 数据就够了。只要选对疾病 + 跨国 + 分层，发 5–10 分期刊稳了。

❌ 缺点：纯描述性 + 预测，方法学贡献小，必须配 1 个非 GBD 方法（MR、机器学习、生态学比较）才能上 10 分。

五、模板 C："区域 × 疾病亚型 + 干预模拟"——东亚对比神器

案例 C：Li Y, Jiang F, Liu Y, et al. _East Asia and high-income Asia Pacific burden of diabetes mellitus from 1990 to 2023._ iScience 2026; 29: 116590. PMID: 42491707.

5.1 它做了啥

把 东亚 5 国（中国、日本、韩国、朝鲜、文莱）+ 高收入亚太（新加坡），按 DM / T1DM / T2DM 三层拆开分析 1990–2023 负担。还算了一个超级有价值的指标：MIR（Mortality-to-Incidence Ratio，死亡率/发病率比）——能反映"诊断后存活能力"。

核心发现：T2DM 在东亚整体负担在涨，但 MIR 下降——说明治疗在改善；T1DM 的 MIR 在文莱高达 0.58，远高于 T2DM，因为 T1DM 多发于儿童/青少年/年轻人，死亡率高。

5.2 这套模板能直接抄的 3 个动作

① 选题公式：[大区域 × 子区域] × [疾病亚型] × [质量指标 (MIR/QCI)]

这种"区域 × 亚型 × 质量指标"组合的论文，审稿人会觉得你看到了一般人看不到的层次。

② "地图 + 排序条形图"组合：把空间分布和数量排名一次性说清。

上图是 Figure 1：左边 4 张地图分别画 ASIR、ASPR、ASMR、ASDR 的国家分布；右边 4 张递减条形图按指标排序。红色 = 最高负担（文莱、新加坡），蓝色 = 最低负担（日本）。

一眼看出：文莱 DM 负担爆表（ASIR 381.98/10 万，ASDR 7775.76/10 万），但 MIR 仅 0.02——治疗效率其实很高；朝鲜 MIR 高达 0.07，诊断后生存能力差。

>

这种"地图+条形"组合图，*plot_world_map() + IF25_Lancet_Public_Health_() 一键出**。

③ MIR（死亡/发病比）—— 衡量"诊断后生存能力"的金指标：

上图是 Figure 2：3 个面板 (A=DM, B=T1DM, C=T2DM)，每张画 6 个国家的 MIR。

- A 图（DM 整体）：高收入亚太 / 日本 / 新加坡 MIR = 0.01（极低），韩国 0.03，中国 0.04，文莱 0.14（高出东亚均值 3.5 倍）

- B 图（T1DM）：文莱 T1DM MIR 高达 0.58——是 T2DM MIR 的 4 倍！原因是 T1DM 多发于儿童/青少年/年轻人，死亡率高

- C 图（T2DM）：所有国家 MIR < 0.05，整体死亡率控制好

>

MIR 是反映"治疗体系效率"的金指标——它把发病率和死亡率合成 1 个数，比单独看发病率/死亡率更能说明问题。

>

GlobalBurdenR 函数：compute_gbd_mpr_cfi() / gbd_mpr_wm_table() 一键算 MIR。

④ Joinpoint 趋势箭头图：

上图是 Figure 3：3 个面板 (A=DM, B=T1DM, C=T2DM)，每个面板内 9 条线 = 9 个国家 × 4 个指标（ASIR, ASPR, ASMR, ASDR），红条=升、蓝条=降、灰=稳。箭头数量代表拐点位置。

- DM 整体：高收入亚太先升后降（2020 拐点）；中国 ASMR/ASDR 持续下降

- T1DM：高收入亚太 ASIR/ASPR 双升，T1DM 发病率涨得最凶

- T2DM：东亚各国 ASIR/ASPR 都涨（糖尿病流行），ASMR/ASDR 多数下降（治疗改善）

>

这种"小条 + 箭头"是 Joinpoint 视觉化的标准做法，比传统折线图节省 5 倍空间。

>

GlobalBurdenR 函数：gbd_joinpoint_analysis() + plot_joinpoint_apc()。

⑤ 风险因素归因核心数字：

• BMI 是 T2DM 的首要归因风险因素（东亚 49.3%）
• 温度暴露是 T1DM 的非传统风险因素（高收入亚太 T1DM 与温度密切相关）
• 干预模拟：到 2050 年，T2DM 死亡和 DALY 率将上升；优化行为和代谢干预可减少 东亚 84%、高收入亚太 70% 的 DM DALY 率

5.3 这套模板的优缺点

✅ 优点：区域 × 亚型 + MIR 这种"诊断/治疗效率"视角，几乎没人做——创新性高。

❌ 缺点：需要 IHME 提供亚区域级数据，GBD Results Tool 上能直接拉到。

六、模板 D："多疾病 × 多国家 + Joinpoint 分段回归"——能上 Medicine

案例 D：Liang B, Shi H, Tie X, et al. _Burden and trends of alcohol- and NAFLD/NASH-related liver disease in 5 East Asian countries: A GBD 2021 analysis._ Medicine (Baltimore) 2026; 105: 30. PMID: 42499114.

6.1 它做了啥

把 5 个东亚国家（中国、日本、韩国、朝鲜、蒙古）的 4 种肝病（NASH 相关肝癌、酒精相关肝癌、NAFLD 肝硬化、酒精性肝硬化）的负担，用 Joinpoint 分段回归拆出"哪一年加速、哪一年减速"。

核心发现：中国 NASH 相关肝癌在 2006–2015 加速涨（APC=2.75%），2019–2021 又再加速（APC=2.81%）——和肥胖/糖尿病流行同步。

6.2 这套模板能直接抄的 3 个动作

① 选题公式：[一组密切相关的疾病] × [多个邻近国家] × [Joinpoint 找拐点]

适合组合：心血管 4 件套、肿瘤亚型、慢性肝病 4 件套、呼吸系统疾病…

② 多疾病 × 多国家 时序图（4×5 网格）：

上图是 Figure 1：5 行（5 个国家）× 4 列（4 种肝病）= 20 个时序图，每张小图按年龄组分通道堆叠。

- 第一行 China：NASH 肝癌、酒精肝癌、NAFLD 肝硬化、酒精肝硬化 4 个都在涨——中国肝病的"全谱上涨"

- 第二行 Japan：4 个都在降——日本是肝病控制最好的发达国家之一

- 第三行 Korea：NAFLD 肝硬化在涨，其他稳

- 第四行 Mongolia：NASH 肝癌 + 酒精肝硬化在涨

- 第五行 DPRK：肝病负担整体最轻（但数据稀疏）

>

这种"行 = 国家、列 = 疾病"的网格，一次性说清"哪些国家哪些病在涨"——审稿人最爱这种一览图。

>

GlobalBurdenR 函数：visual_dual_axis_GBD() + multi_age_table_export() 配合可一键出。

③ Joinpoint 解读模板：

• 中国 NASH 肝癌：2006–2015 涨 2.75%，2015–2019 降 0.70%，2019–2021 再涨 2.81%
• 解读：2006–2015 涨 = 肥胖/糖尿病流行；2015–2019 降 = 控烟控酒初见成效；2019–2021 再涨 = COVID 干扰医疗 + 老龄化

④ 5 国 × 4 肝病核心数字速查表（2021 年 ASR per 100,000）：

一眼看出：中国在 NAFLD/NASH 相关疾病上负担最重（NASH 肝癌 + NAFLD 肝硬化绝对负担最高），但酒精性肝硬化远低于日韩蒙——反映中国肝病谱从"酒精"向"代谢"快速转型。这是和西方代谢病流行的同向变化。

6.3 这套模板的优缺点

✅ 优点：多疾病 × 多国家 + Joinpoint + 4×5 网格，论文信息密度极高，容易被高 IF 期刊看上。

❌ 缺点：需要细到疾病亚型（NAFLD / NASH / 酒精）的细分，GBD 不同年份可能修订，注意版本一致性。

七、模板 E："重大肿瘤 × 复合质量指数（QCI）"——iScience / Lancet 系

案例 E：Wang Y, Zhou E, Shi Z, et al. _Global inequalities in tracheal, bronchus, and lung cancer care quality from 1990 to 2021._ iScience 2026; 29: 116604. PMID: 42491792.

7.1 它做了啥

构造了一个复合质量指数 QCI (Quality-of-Care Index)：用 PCA 主成分分析把"发病率、死亡率、患病率、残疾率"压成 1 个数，数值越高说明治疗效果越好（死亡率被压下来了）。

核心发现：日本 QCI 全球第一（2021 = 99.32）；中国 QCI 仅 4.13 但 EAPC 增速 4.13（涨得最快）；女性 QCI 普遍高于男性。

7.2 这套模板能直接抄的 2 个动作

① 选题公式：[重大疾病] × [复合质量指标] × [跨国家比较]

这是把"GIST 怎么治疗"问题量化成一个 0–100 分的工具型论文，审稿人很喜欢。

② SDI 分层 × 趋势的多面板图：

上图是 Figure 3：

- A 图：204 个国家的 QCI 箱线图 + 趋势（1990–2021）

- B 图：按 SDI 五分位（Low → High）的 QCI 时间趋势——越富的国家 QCI 越高、涨越快

- C 图：1990 vs 2021 SDI 分层箱线图对比

- D 图：按年龄分组的全球 QCI 趋势（年龄越大 QCI 越低）

- E 图：热图——年龄 × 年份 × QCI 变化

>

这种"小多面板组合"（5 个子图互相印证）是 iScience / Cell Reports 系最爱收的图。

>

GlobalBurdenR 函数：calculate_gbd_qci() 一键算 QCI；gbd_cfi_bubble_map() / gbd_cfi_dual_bubble_map() 一键出地图。

③ AQCI 散点图—— 1990 vs 2021 QCI 排名变化：

上图是 Figure 4：左边是 204 国 AQCI 散点图（横轴 1990、纵轴 2021），每个点一个国家；右边是按 SDI 分层的 AQCI 变化箱线图。

- 左上角红框：QCI 涨得最快的国家（如中国 EAPC=4.13、日本 EAPC=10.32）—— 左下角：高 SDI 国家 AQCI 一直领先但增长缓慢

- 对角线：QCI 没变；左下红框：QCI 倒退的国家（罕见）

- 中国 4.13% 涨速：跟高 SDI 国家差距缩小，但绝对值仍低

>

AQCI（Age-adjusted Quality of Care Index）= QCI 的"老龄化校正版"，是这篇的方法学亮点——传统 QCI 没考虑人口老龄化。

④ QCI / AQCI 核心数字速查：

关键洞察：日本连续 30 年全球 QCI 第 1（1990=69.4 → 2021=99.32），韩国 QCI 也稳居前列，中国 QCI 涨速最快但绝对值仍低——这是中国肿瘤防治政策"弯道超车"的关键证据。

7.3 这套模板的优缺点

✅ 优点：QCI 是 PCA 派生指标，不违反 GBD 数据使用条款，审稿人不担心合规。

❌ 缺点：PCA 解释需要方法学功底，论文里要 1 段专门解释 PC1/PC2 的生物学含义。

八、把上面 5 篇拆完，你该学到的 5 个通用动作

8.1 选题检查清单（每个都打勾才算稳）

• [ ] 是不是 GBD 还没被同题挖过？（搜 PubMed [疾病] AND GBD AND 2025 验证）
• [ ] 有没有 明确的政策/临床意义？（不要纯描述"中国 1990–2021 糖尿病趋势"这种烂大街的）
• [ ] 有没有 至少 1 个"动作型"结果？（预测未来 / 比较干预 / 找高危亚群——纯趋势图没人看）
• [ ] 能不能拼一份中国本土队列数据？（CHARLS / CHNS / CNHS / CLHLS 任选一）
• [ ] 图表能不能讲故事？（你能不能用 1 张图讲清"我们发现了一个重要规律"）
• [ ] 期刊匹配？（见 8.5）

8.2 方法学标配（别只会 EAPC）

💡 救命提醒：上面这些 R 包都有现成模板。找一个你目标期刊最近 1 年的 GBD 论文，把它 GitHub 上的代码 fork 下来改数据，比自己从头写快 10 倍。更快的办法是直接装 GlobalBurdenR——这个包把上面 90% 的方法都封装成了 gbd_()、visual_()、IF40_()、IF25_() 函数，命名直接对应期刊风格。

8.3 "图表叙事"——审稿人 30 秒看你的图，能不能立刻 get 到点？

好图六件套（每节至少 2 张配合出现）：

1. CHARLS 三角验证小多面板（OR + 年龄分层 + 患病率 + 整体差）—— Liu T Figure 6 模板 —— 双数据库联合验证
2. 三维柱状图（20 疾病 × 6 年龄组 × 男女双色）—— Liu T Figure 3 模板 —— 横向"全景扫描"
3. 危险因素镜像图（左女右男 PAF 对比）—— Liu T Figure 5 模板 —— 性别结构差异一眼看清
4. 多疾病 × 多国家 4×5 网格时序图 —— Liang B Figure 1 模板 —— 信息密度极高
5. 地图 + 排序条形组合图（4 张地图 + 4 张条形）—— Li Y Figure 1 模板 —— 空间分布 + 数量排名
6. MIR × Joinpoint 组合图（疾病亚型 + 国家 + 趋势箭头）—— Li Y Figure 2 + Figure 3 模板 —— 金指标 + 拐点
7. 收入/SDI 分层预测图（实线历史 + 虚线预测 + 阴影 CI）—— Wang H Figure 3 模板 —— 分组分化加剧
8. 不平等分析三件套（Spearman + SII 散点 + CI 累积曲线）—— Wang H Figure 2 模板 —— 多视角不平等
9. 5 子面板 SDI × 趋势图（箱线 + 趋势线 + SDI 对比 + 年龄组 + 热图）—— Wang Y Figure 3 模板 —— 国际不平等
10. AQCI 散点图（1990 vs 2021 QCI 排名变化 + SDI 分层）—— Wang Y Figure 4 模板 —— 国家间进步对比

避坑：避免堆 10 张看起来一样的趋势线——审稿人没耐心看。每节至少 2 张图，最好 3 张（方法学亮点图 + 核心结果图 + 关键发现辅助图）。

8.4 标题写法（决定打开率）

• 数字型：GBD analysis of xxx: 1.2 million cases and 3 key trends from 1990 to 2021
• 反差型：Despite decades of decline, xxx burden is rising in low-SDI countries: a GBD 2021 analysis
• 中国特色型：Sex differences in China from 1990 to 2023 triangulating GBD and CHARLS
• 政策型：Modest increases in physical activity could prevent 2.2 million diabetes cases by 2050

期刊编辑筛稿时间是 5–10 秒。前 10 个字必须让人想点开。

8.5 投稿去向（按 IF 从高到低）

本篇 5 篇案例的 IF 区间分布：iScience 5×、Medicine 1×。这就是"中国团队 GBD 论文的甜点位"。

九、3 个新手最容易踩的坑

1. 被审稿人说"创新性不足"——对策：拼一份中国本土队列（CHARLS/CHNS/CNHS）做三角验证，直接和"GBD 二次分析"拉开差距。
2. 被审稿人说"GBD 二次分析而已"——对策：把题目从 "GBD analysis of xxx" 改成 "xxx burden in China from 1990 to 2023 triangulating GBD and CHARLS"，强调"动作型"价值。
3. 数据二次利用合规问题——对策：GBD 数据是 CC BY 协议，但 STROBE 检查表里"数据来源声明"必须写清 healthdata.org/IHME。CHARLS 数据要走 北大国家发展研究院 的官方申请流程，不要用从非官方渠道下载的数据，否则审稿人直接拒稿。

十、下一步行动

我帮你拆到这里了，剩下 4 件事你今天就能做：

1. 去 PubMed 搜 GBD AND China AND 2026 AND ([你的科室疾病])，看最近 30 天有没有同题，没有就是你的机会。
2. 去 IHME GBD Results Tool（healthdata.org/data-tools）下载你关心的疾病 × 中国 × 时段数据。
3. 去北大 CHARLS 官网（charls.charlsdata.com）申请同年度数据，做三角验证。
4. 装 GlobalBurdenR（D:/GlobalBurdenR/GlobalBurdenR_3.5.0.zip），对照本文 11.6 的对应表，跑通一遍 demo。

如果你卡在"不知道该改哪个变量/挑哪个疾病"，把你想做的疾病告诉我，我帮你跑一遍可行性评估。

十一、工具篇：GlobalBurdenR——把上面所有方法打包给你

如果你看到上面的 R 包清单已经被劝退，直接装 GlobalBurdenR 就行。

11.1 它是什么

• 包名：GlobalBurdenR
• 版本：v3.7.0（持续更新，已迭代 9 个大版本）
• 作者：Lei qiang（联系方式：1007489299@qq.com）
• 定位：专为 GBD 2023 数据库（也兼容 2019/2021 数据）打造的端到端分析工具包
• 导入依赖：dplyr、ggplot2、maps、tidyr、WDI、ggrepel 等（无重型依赖，安装轻量）

11.2 它能做什么（按使用场景分）

📊 一、年龄标化 & 趋势分析

• calculate_ASR() / calculate_asr_2023asd()：3 种 ASR 算法（直接法 + epitools 间接法）
• compute_gbd_eapc()：EAPC 一键计算
• gbd_joinpoint_analysis() / gbd_joinpoint_analysis_NIH()：Joinpoint 分段回归
• plot_joinpoint_apc() / plot_joinpoint_apc_region_compare()：Joinpoint 出图 + 区域/性别分组对比

🔮 二、预测建模（最值钱的部分）

• GBD_arima_predict() / GBD_arima_predict_multi()：ARIMA 预测（直接覆盖模板 B）
• GBD_bapc_analysis() + visual_BAPC()：BAPC 贝叶斯长期预测（直接覆盖模板 A）
• gbd_forecast_auto()：一键自动选最优模型（ARIMA / ETS / BAPC 都跑一遍比 RMSE）
• process_GBD_data_BAPC()：BAPC 数据预处理

📈 三、跨区域 / 跨国家 / 跨指标可视化

• plot_world_map() / plot_world_map_complete_China()：世界地图（含完整中国疆域版）
• IF25_Lancet_Public_Health_region_map()：复刻 Lancet Public Health 风格的国家分级地图（直接覆盖模板 C）
• IF25_Lancet_Public_Health_percent_change() / IF25_Lancet_Public_Health_ranking_heatmap()：复刻 IF 25+ 期刊风格（直接覆盖模板 D）
• visual_SDI_GBDrateheatmap()：SDI 五分位热图

🧮 四、不平等 / 分解 / 质量指数

• concentration_analysis()：集中指数（CI）+ 集中曲线（直接覆盖模板 B）
• decoposition_analysis_causes_2023() / decoposition_analysis_locations_2023() / decoposition_analysis_sex_2023()：三维度分解分析
• calculate_gbd_qci()：Quality of Care Index (QCI)（直接覆盖模板 E）
• frontier_analysis() / plot_frontier()：前沿分析（同等 SDI 下谁表现最好/最差）

🔗 五、共病 / 共现 / 网络分析

• cocurrence_comorbidity_heatmap() / cocurrence_cross_heatmap()：共病热图
• cocurrence_country_similarity_network()：国家相似性网络图
• cocurrence_risk_factor_maps() / cocurrence_risk_factor_maps_complete_china()：风险因素地图

🛠 六、数据清洗 / 预处理

• gbd_filter() / gbd_select_age_group() / gbd_select_location() / gbd_extract_countries()：5 种过滤提取
• gbd_standardize_location_names() / standardize_countries()：国家名标准化
• check_GBD_data() / gbd_check_data()：数据质量自检
• GLOBOCAN_transform_data_to_GBD()：GLOBOCAN → GBD 格式转换

🌍 七、WDI（世界银行）数据联动

• wdi_fetch_health_outcome_indicators() / wdi_fetch_economy_indicators()：5 类 WDI 指标拉取
• wdi_gbd_merge()：GBD × WDI 关联分析（直接覆盖模板 B 的 RA × GNI 分析）
• plot_gdp_burden_scatter() / plot_education_burden()：5 种社会经济 × 疾病负担散点图

📊 八、Lancet / J_Hematol_Oncol 期刊风格直接套用

• IF40_J_Hematol_Oncolcancer_*()：6 个函数，一键出 J Hematol Oncol 风格的癌症图
• IF25_Lancet_Public_Health_*()：4 个函数，Lancet Public Health 全套
• visual_lancet_pyramid() / visual_lancet_muiticause_bar()：Lancet 风格金字塔 + 多死因柱状图

这是我最推荐的功能——*你想投哪个期刊，就直接调对应 IFxx_ 函数**，出图风格 95% 接近。

11.3 5 分钟上手 Demo

# 1. 装包（从本地 .zip 安装或 GitHub）
install.packages("D:/GlobalBurdenR/GlobalBurdenR_3.5.0.zip", repos = NULL, type = "source")

library(GlobalBurdenR)

# 2. 一键读 GBD 数据 + 算 ASR + 出表
gbd_raw <- read.csv("your_gbd_download.csv")
gbd_clean <- gbd_filter(gbd_raw,
                        cause = "Diabetes mellitus",
                        age = c("25-29","30-34","...","80-84"),
                        location = "China",
                        year = 1990:2023)
gbd_table <- GBD_table(gbd_clean, metric = "Rate", standard_pop = "2023_GBD")
print(gbd_table)        # 自动出三线表
gbd_table_to_word(gbd_table)  # 一键导出 .docx

# 3. 算 EAPC + Joinpoint
eapc <- compute_gbd_eapc(gbd_clean, by = c("age","sex"))
visual_eapc_bar(eapc)

jp <- gbd_joinpoint_analysis(gbd_clean, by = "location")
plot_joinpoint_apc(jp)   # Joinpoint 出图

# 4. BAPC 长期预测
forecast <- GBD_bapc_analysis(gbd_clean, predict_year = 2024:2050)
visual_BAPC(forecast)

# 5. 出 Lancet 风格地图 + QCI
plot_world_map_complete_China(gbd_clean, metric = "Rate", year = 2023)
qci <- calculate_gbd_qci(gbd_clean)
visual_SDI_GBDrateheatmap(qci)

十二、全文总结

拆完 5 篇中国团队 GBD 论文 + 介绍完 GlobalBurdenR v3.7.0 工具包，你应该带走这几样东西：

1. 5 种中国团队最常用的 GBD 选题模板（双库联合 / 跨国预测 / 区域亚型 / 多国多病 / QCI 不平等）——直接套用。
2. 方法学标配清单（EAPC、Joinpoint、ARIMA、BAPC、QCI、CHARLS 三角验证）—— GlobalBurdenR 全覆盖。
3. 图表叙事模板（CHARLS 小多面板、4×5 国家网格、地图+条形、GNI 分层预测、SDI 多面板）—— IF25_Lancet_Public_Health_*() 系列直接出。
4. 5 个投稿去向 + IF 区间——中国团队最舒适的甜点位是 iScience / Medicine / J Clin Transl Hepatol（IF 3–8）。
5. 5 个真实案例论文的 PMID——直接 PubMed 检索读全文，自己再拆一遍。