精神障碍是全球健康相关负担的主要原因，占老年人总残疾的10.6%，其中抑郁症和焦虑症是造成这一负担的最常见因素。
2025年8月15日，首都医科大学学者用GBD 2021数据库，在期刊《Journal of Affective Disorders》（医学二区Top，IF=4.9）发表题为:“Global burden of depression and anxiety disorders in older adults, 1990-2019: An analysis of age-period-cohort and temporal-spatial patterns”的研究论文，旨在探究1990–2019年老年人（60-89岁）抑郁与焦虑障碍的全球负担，分析了不断变化的时间趋势、空间分布变化，并确定了高风险亚群和地理区域。
研究表明，全球老年人抑郁症负担呈上升趋势，而焦虑症负担下降。其中，1950年后出生队列、女性及65–84岁人群为高风险群体，而撒哈拉以南非洲东部/西部和拉丁美洲南部则为高负担聚集区。
在“公共数据库与孟德尔随机化”公众号回复“ 原文”即可获得文献PDF等资料，想用GBD 2023新数据发文，欢迎联系郑老师团队，微信号：aq566665
研究基于GBD 2019数据库，获取了全球204个国家和地区、23个年龄组、男女两性的抑郁与焦虑障碍的患病率、残疾调整生命年（DALYs）等指标数据，并计算其年化变化百分比（EAPC）以描述时间趋势。
研究使用年龄-时期-队列（APC）模型揭示其时间趋势背后的年龄、时期、队列效应。同时，使用全局和局部莫兰指数识别疾病负担的空间聚集模式，并结合社会人口指数（SDI）进行分层分析。
主要研究结果
研究结果显示，2019年，全球患有抑郁症和焦虑症的老年人分别有5778万和4626万。
并且，从1990年到2019年，抑郁症的患病率和DALYs率均呈上升趋势（EAPC均 > 0），相比之下，同期焦虑症则均呈下降趋势（EAPC < 0）。
这些数据均表明，老年人的抑郁症负担比焦虑症更重。
图1 1990-2019年，6个年龄组（60-64岁至85-89岁）抑郁症和焦虑症的的年变化百分比变化 (A)抑郁症；(B)焦虑症
APC模型显示，不同年龄的抑郁趋势呈倒U型，在70-74岁的人群中达到顶峰，且男性增长更快；与该模式不同，焦虑症则随年龄呈U型下降，在极端情况下（如85-89 岁）下降幅度最大，在中年组下降较慢，且女性下降更明显。
不过，就性别而言，女性比男性更容易患抑郁症和焦虑症。
图2 1990-2019年，年龄、时期和队列对全球老年人焦虑症和抑郁症患病率和DALYs的影响（A-C）抑郁症；（D-F）焦虑症
关于SDI水平与抑郁症和焦虑症负担之间的关联，探究发现，抑郁症负担与SDI水平呈负相关，而焦虑症则与SDI水平呈正相关。
图3 1990-2019年，按SDI划分的21个GBD地区老年人中焦虑症和抑郁症的患病率和DALY率 (A、B)抑郁症；(C、D)焦虑症
此外，空间分析进一步表明，抑郁症负担在撒哈拉以南非洲呈现高-高聚类，而焦虑症负担则在拉丁美洲和西欧地区聚集，强调了不同的地理模式。
图4 2019年全球老年人焦虑以及抑郁的患病率和DALY率的莫兰图 (A、B)抑郁症；(C、D)焦虑症
综上所述，研究结合时间和空间模式发现，在表现出波动和稳定的高聚集模式的区域，尤其是撒哈拉以南非洲东部/西部和拉丁美洲南部，抑郁症和焦虑症的患病率显著升高。因此，各国政府优先实施有针对性的干预措施以减轻这些区域的负担。
亮点小结
本文一大亮点就是采用了GBD研究中的新方法——全局与局部莫兰指数，用于识别疾病负担的空间聚集模式。有趣的是，这个方法不仅新，还简单！实用性非常高！
一、什么是莫兰指数？
要想理解莫兰指数，首先要明白空间自相关的概念。它指的是一个地理单元上的某种属性值（如疾病发病率、房价、犯罪率）与其相邻地理单元上的同一属性值是否相关。
而莫兰指数（Moran's I）就是用来量化这种“空间自相关”程度的指标。
I > 0: 表示正空间自相关，即高值倾向于与高值相邻（高-高聚类），低值倾向于与低值相邻（低-低聚类），表明疾病负担在空间上呈现聚集性；
I ≈ 0: 表示无空间自相关，即疾病负担在空间上是随机分布的；
I < 0: 表示负空间自相关，即高值倾向于被低值包围，反之亦然，表明空间分布呈现离散或均匀模式。
1️⃣全局莫兰指数 (Global Moran's I):
方法说明：该指标用于评估整个研究区域内（即全球范围内），疾病的分布是否存在整体的空间自相关性。其值域通常在-1到1之间。
文中应用：研究计算了2019年全球各国老年人抑郁和焦虑的患病率及DALYs率的全局莫兰指数，并进行了显著性检验（P值）。
2️⃣局部莫兰指数 (Local Moran's I / LISA):
方法说明：全局指数只能判断整体是否存在聚集，但无法指出聚集发生在哪里。局部莫兰指数用于识别局部区域的空间聚集类型和具体位置。它将每个国家（或地区）与其邻近国家进行比较，将空间单元分为四类：
高-高 (High-High)聚类: 高负担国家被同样高负担的国家所包围（热点区）；
低-低 (Low-Low)聚类: 低负担国家被同样低负担的国家所包围（冷点区）；
高-低 (High-Low)异常值: 高负担国家被低负担国家包围（空间异常点）；
低-高 (Low-High)异常值: 低负担国家被高负担国家包围（空间异常点）。
文中应用：研究绘制了局部莫兰指数散点图或地图（文中图4），精确标识了全球范围内哪些国家组成了抑郁和焦虑的热点区和冷点区。
二. 莫兰指数的研究优势
选择莫兰指数在该研究中具有以下几大优势：
1.量化空间模式，超越描述性地图： 它不仅仅是绘制一张疾病分布地图，而是通过统计检验客观地、量化地证明观察到的空间模式是真实存在的聚集，而非随机产生，增强了发现的科学性和可信度；
2.识别具体的聚集区域： 局部莫兰指数能够精确定位疾病负担异常高或异常低的核心区域，这对于优先分配公共卫生资源和制定针对性干预措施至关重要。它直接回答了“问题最严重的地方在哪里”这一政策制定者最关心的问题；
3.揭示潜在的驱动因素： 发现的空间聚集模式（如高-高聚类）强烈暗示其背后存在共同的、与地理位置相关的潜在驱动因素。例如，研究中发现抑郁负担在撒哈拉以南非洲聚集，这提示低SDI、医疗资源匮乏等地区性因素可能扮演了关键角色。这为后续的病因学研究提供了重要假设和方向；
4.适用于全球尺度分析： 该方法非常适合处理像GBD这样包含大量国家和地区（204个）的全球性数据，能够系统地扫描整个地球，揭示宏观的地理分布规律。
以本研究为例，该研究的空间分析不仅证实了两种精神障碍在全球尺度上存在非随机的空间结构，更重要的是精确描绘了它们迥异的地理分布版图：抑郁症负担沉重地压在撒哈拉以南非洲，而焦虑障碍的热点则转移至拉丁美洲和西欧。
这一发现强烈提示，影响这两种疾病的社会经济、环境和医疗系统等宏观决定因素可能存在显著差异。
