Longitudinal Trends in Noncommunicable Disease Risk Factors and Premature Mortality in Saudi Arabia: A 33-Year Ecological Time-Series Study with Machine Learning Prediction
Langfristige Trends bei Risikofaktoren nichtübertragbarer Krankheiten und vorzeitiger Mortalität in Saudi-Arabien: 33-jährige ökologische Zeitreihenstudie mit Machine-Learning-Prognose
Journal of Clinical Medicine · 05.06.2026 · 15 (11) · 4387
DOI: 10.3390/jcm15114387 ↗Auf einen Blick
In Saudi-Arabien nahmen NCD-Risikofaktoren über 33 Jahre zu. Besonders relevant waren Anstieg der Adipositas und der stärkste ökologische Zusammenhang zwischen dem Adipositas-Geschlechterabstand und vorzeitiger NCD-Mortalität.
Fragestellung
Wie entwickelten sich NCD-Risikofaktoren und vorzeitige NCD-Mortalität in Saudi-Arabien, und welche ökologischen Merkmale waren damit verbunden?
Methode
Ökologische Zeitreihenstudie mit WHO-GHO-Daten 1990–2022, bei einigen Lipidindikatoren ab 1980; 5 Regressions-ML-Modelle mit TimeSeriesSplit-CV und PELT-Trendbruchanalyse; Projektion bis 2030.
Ergebnisse
Adipositas bei Erwachsenen stieg um 20,6 Prozentpunkte. Vorzeitige NCD-Mortalität sank um 5,9 Prozentpunkte. Weibliche Adipositas wird bis 2030 auf 50,3 % prognostiziert (95 %-PI 50,0–50,5 %).
Einschränkungen
Alle Modelle zeigten unter TimeSeriesSplit negative R2; das LOOCV-R2 von 0,98 spiegelte Zeittrend-Artefakte wider. Die ML-Komponente wurde als deskriptive Merkmalsanalyse neu eingeordnet.
Schlussfolgerung der Autor:innen
Die NCD-Risikofaktoren in Saudi-Arabien entwickeln sich komplex. Zielgerichtete Maßnahmen zu geschlechtsspezifischen Unterschieden und zur Leistungsfähigkeit des Gesundheitssystems sind laut den Autor:innen dringend nötig.
Kernaussagen
- Adipositas bei Erwachsenen nahm um 20,6 Prozentpunkte zu.
- Vorzeitige NCD-Mortalität sank um 5,9 Prozentpunkte.
- Der Adipositas-Geschlechterabstand war stärkster ökologischer Zusammenhang.
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Journal of Clinical Medicine, online erschienen am 05.06.2026. Verfasst von Nader Alnomasy und 5 weiteren Autor:innen. Beteiligte Einrichtung: Medical Surgical Nursing Department, College of Nursing, University of Ha'il, Hail 81451, Saudi Arabia. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 18 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Background/Objectives: In Saudi Arabia, noncommunicable diseases (NCDs) are an increasing public health concern, with almost 70% of deaths related to chronic diseases. The study aimed to analyze 33-year trends in NCD risk factors and apply machine learning (ML) models to identify ecological associates of premature NCD-related mortality, sex-specific analyses and project trajectories to 2030.
Methods
A longitudinal ecological time-series design which used WHO Global Health Observatory (GHO) NCD Indicators (1990–2022; select lipid indicators from 1980). Five supervised regression ML models—OLS, LASSO, Ridge, Random Forest, and Gradient Boosting—were trained with TimeSeriesSplit cross-validation (five folds) to preserve temporal order and prevent data leakage. A formal PELT changepoint algorithm confirmed trend breakpoints. Linear projections to 2030 were estimated with 95% prediction intervals.
Results
Adult obesity increased by +20.6 percentage points (pp) over 33 years. Under a no-policy-change scenario, female obesity is projected at 50.3% by 2030 (95% PI: 50.0–50.5%). Premature NCD mortality declined by −5.9 pp. Under TimeSeriesSplit CV, all models yielded negative R2, confirming LOOCV R2 = 0.98 reflected shared time-trend artefacts; the ML component is reframed as descriptive feature-importance analysis. The obesity sex gap (female minus male) was the strongest ecological associate of premature NCD mortality. Diabetes treatment coverage showed a strong inverse ecological association (r = −0.913).
Conclusions
NCD risk factors in Saudi Arabia are evolving in complex ways. Targeted interventions addressing sex-specific disparities and healthcare system performance are urgently needed to meet national and global NCD targets.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Medical Surgical Nursing Department, College of Nursing, University of Ha'il, Hail 81451, Saudi Arabia.
- Department of Nursing, College of Applied Medical Sciences, King Faisal University, Al Ahsa 31982, Saudi Arabia.
- Community Health Nursing Department, College of Nursing, University of Ha'il, Hail 81451, Saudi Arabia.
- College of Nursing, King Saud bin Abdulaziz University for Health Sciences, Jeddah 21423, Saudi Arabia.
- King Abdullah International Medical Research Center, Jeddah 22384, Saudi Arabia.
- Ministry of National Guard Health Affairs, Jeddah 22384, Saudi Arabia.
ORCID-Profile: Nader Alnomasy, Sudharani B Banappagoudar, Habib Alrashedi, Ebtsam Abouhashish, Suebsarn Ruksakulpiwat
Zitieren
APA
Alnomasy, N., Banappagoudar, S. B., Alrashedi, H., Mahmoud, S. K. M., Abouhashish, E., & Ruksakulpiwat, S. (2026). Longitudinal Trends in Noncommunicable Disease Risk Factors and Premature Mortality in Saudi Arabia: A 33-Year Ecological Time-Series Study with Machine Learning Prediction. Journal of Clinical Medicine, 15(11), 4387. https://doi.org/10.3390/jcm15114387
Vancouver
Alnomasy N, Banappagoudar SB, Alrashedi H, Mahmoud SKM, Abouhashish E, Ruksakulpiwat S. Longitudinal Trends in Noncommunicable Disease Risk Factors and Premature Mortality in Saudi Arabia: A 33-Year Ecological Time-Series Study with Machine Learning Prediction. Journal of Clinical Medicine. 2026;15(11):4387. doi:10.3390/jcm15114387
BibTeX
@article{Alnomasy2026,
author = {Alnomasy, Nader and Banappagoudar, Sudharani B and Alrashedi, Habib and Mahmoud, Soha Kamel Mosbah and Abouhashish, Ebtsam and Ruksakulpiwat, Suebsarn},
title = {Longitudinal Trends in Noncommunicable Disease Risk Factors and Premature Mortality in Saudi Arabia: A 33-Year Ecological Time-Series Study with Machine Learning Prediction},
journal = {Journal of Clinical Medicine},
year = {2026},
volume = {15},
number = {11},
pages = {4387},
doi = {10.3390/jcm15114387}
}
EUVIMED