Health improvement framework for planning actionable treatment process using surrogate Bayesian model
Kyowa Hakko Bio Co., Ltd.(协和发酵生物株式会社);Kyoto University(京都大学);Hirosaki University(弘前大学)
基于个人特征的治疗临床决策导致有效的健康改善。机器学习(ML)已经成为根据综合患者信息进行诊断支持的主要关注点。然而,剩下的突出问题是在临床情况下的客观治疗过程的发展。本研究提出了一种新的框架,以数据驱动的方式规划治疗过程。该框架的一个关键点是通过使用替代贝叶斯模型以及高性能非线性ML模型来评估个人健康改善的“可操作性”。我们首先从使用合成数据集的方法论角度评估了该框架。随后,该框架被应用于包括来自3,132名参与者的数据的实际健康检查数据集,以改善个人水平的收缩压值。我们证实,计算的治疗过程是可行的,并与降低血压的临床知识一致。这些结果表明,我们的框架可以促进医疗领域的决策,为临床医生提供更深入的见解。
2020-11-13 cs.AI cs.LG stat.ML
Applied Bayesian Structural Health Monitoring: inclinometer data anomaly detection and forecasting
DYWIDAG Ltd UK(DYWIDAG英国有限公司)
本文提出了一种基于贝叶斯方法的测斜仪数据异常检测与预测框架,通过构建潜在自相关马尔可夫过程和非线性贝叶斯滤波器实现系统状态预测与高惊奇度异常识别,并在英国铁路网络大型真实数据集上验证了其计算高效性。
2023-07-01 cs.LG stat.ML
Population-aware Hierarchical Bayesian Domain Adaptation via Multiple-component Invariant Learning
New York University(纽约大学)
虽然机器学习正在迅速发展并部署在健康环境中,如流感预测,但由于特征的变化,在使用来自一个环境的数据时存在关键挑战;即使在疾病标签中也可能存在差异(例如,“发烧”可能意味着医生办公室报告的与在线应用程序报告的不同)。此外,模型往往是建立在被动的、观察性的数据基础上的,这些数据包含不同的人口亚组分布(例如男性或女性)。因此,在这个观测输运问题中,环境之间存在两种形式的不稳定性。我们首先利用健康知识来概念化这个问题在健康结果预测任务中的潜在因果结构。基于模型中的稳定性来源,我们认为对于人类来源的数据和健康预测任务,我们可以将环境和人口信息结合在一个新的人口感知分层贝叶斯域适应框架中,该框架在需要时通过人口属性利用多个不变分量。我们研究了不变学习失败的条件,导致对环境特定属性的依赖。在从不同背景收集的四个数据集上进行流感预测任务的实验结果表明,该模型可以通过利用环境和人口不变信息,在来自新环境和不同组成人群的大部分未标记目标数据的情况下改善预测。这项工作代表了一种新颖的,有原则的方式,通过融合领域(健康)知识和算法创新来解决关键挑战。所提出的方法将在许多社会环境中产生重大影响,其中数据来自谁和哪里很重要。
2020-03-09 cs.LG stat.ML
Learning to Address Health Inequality in the United States with a Bayesian Decision Network
Stanford University(斯坦福大学);Indraprastha Institute of Information Technology, Delhi(德里英德拉普拉斯塔信息技术学院);Netaji Subhas University of Technology, Delhi(德里内塔吉·苏巴斯科技大学)
预期寿命是一个复杂的结果,受遗传、社会人口、环境和地理因素的影响。在美国,社会经济和健康方面的差距越来越大,正在扩大寿命差距,使其成为一个令人关切的问题。早期的研究探讨了个别因素,但缺乏一个综合的画面来揭示可量化的行动。人们越来越担心人工智能(AI)导致的医疗不平等进一步扩大,因为对AI驱动的服务的访问存在差异。因此,必须探索和利用人工智能的潜力,以阐明偏见,并使透明的政策决策能够产生积极的社会和健康影响。在这项工作中,我们通过分析包含医疗保健,社会经济,行为,教育和人口特征的县级数据资源,揭示了减少美国长寿差距的可行干预措施。我们学习一个整体平均结构,使用联合概率分布进行推断,并将其扩展到贝叶斯决策网络,以确定政策行动。我们在我们的决策网络的统一框架内对多样性、预防保健质量和稳定家庭的影响进行了定量估计。最后,我们将此分析和仪表板作为一个交互式网络应用程序提供,使用户和政策制定者能够验证我们报告的结果,并探索本工作中报告之外的影响。
2018-11-17 cs.LG stat.AP stat.ML
Optimizing Algorithms for Mobile Health Interventions with Active Querying Optimization
Harvard University(哈佛大学)
本文提出一种贝叶斯扩展的ATM算法,以提升移动健康干预中强化学习的稳定性与样本效率,同时揭示现有方法在复杂现实场景中的局限性。
2025-11-27 cs.LG stat.ML
Amortized Bayesian inference for actigraph time sheet data from mobile devices
UCLA Department of Biostatistics(UCLA生物统计学系)
本文提出了一种用于移动设备活动图时间表数据的平均贝叶斯推断方法,通过分层动态线性模型实现不确定性传播和量化,用于研究运动模式与健康结果的关系。
2026-02-24 cs.LG stat.ME stat.ML
Context in Public Health for Underserved Communities: A Bayesian Approach to Online Restless Bandits
Harvard University(哈佛大学);Google Research India(谷歌印度研究院)
本文提出BCoR方法,将贝叶斯建模与Thompson采样结合用于情境化非平稳RMAB的在线强化学习,在干预稀缺的公共卫生场景中快速学习转移动态,并在真实依从性数据上验证了其优越性能。
2025-02-05 cs.LG stat.AP
Bidirectional Inference Networks: A Class of Deep Bayesian Networks for Health Profiling
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Columbia University(哥伦比亚大学)
我们考虑推断任意一组变量的值的问题(例如,疾病的风险)给定其它观察到的变量(例如,症状和诊断的疾病)和高维信号(例如,MRI图像或EEG)。这是医疗保健中的常见问题,因为不同患者的感兴趣变量通常不同。现有的方法,包括贝叶斯网络和结构化预测,要么不包括高维信号或无法建模变量之间的条件依赖关系。为了解决这些问题,我们提出了双向推理网络(BIN),它将多个概率神经网络缝合在一起,每个网络都对条件依赖性进行建模。然后通过使用反向传播(BP)迭代更新变量以最大化相应的后验概率来进行预测。此外,我们将BIN扩展为复合BIN(CBIN),它涉及训练阶段的迭代预测过程,并通过自适应平滑优化景观来提高精度和计算效率。在合成和真实世界数据集(睡眠研究和皮肤病学数据集)上的实验表明,CBIN是一个单一的模型,可以实现最先进的性能,并在大多数推理任务中获得比多个模型更好的准确性,每个模型都专门针对不同的任务进行训练。
2019-02-06 cs.AI cs.CV cs.LG
AutoGFI: Streamlined Generalized Fiducial Inference for Modern Inference Problems in Models with Additive Errors
本文提出AutoGFI,一种简化广义信念推断(GFI)的变体,通过仅需拟合例程降低应用门槛,并在张量回归、矩阵补全和网络内聚回归等复杂问题中展现竞争力,推动GFI在实际领域的应用。
2024-12-25 stat.ME
Population Empirical Bayes
Columbia University(哥伦比亚大学)
贝叶斯预测推理分析数据集以预测新的观察结果。当模型与数据不匹配时,预测准确性就会受到影响。我们开发了人口经验贝叶斯(POP-EB),一个分层框架,明确建模的经验总体分布的贝叶斯分析的一部分。我们引入了一个新概念,即潜在数据集,作为分层变量,并将经验总体设置为其先验。这导致了新的预测密度,减轻了模型失配。我们有效地将这种方法应用到复杂的模型,提出了一种随机变分推断算法,称为碰撞变分推断(BUMP-VI)。我们证明了改进的预测精度超过经典的贝叶斯推断在三个模型:健康数据的线性回归模型,自然图像的贝叶斯混合模型,和潜在的Dirichlet分配主题模型的科学文献。
2015-06-08 cs.LG stat.ML
Bayesian modeling of spatial ordinal data from health surveys
本文提出结合分类似然与CAR空间分布的贝叶斯个体层面模型,并通过事后分层实现健康调查指标的小区域估计。
2024-01-18 stat.ME
Bayesian Profiling Multiple Imputation for Missing Electronic Health Records
电子健康记录(EHR)越来越多地用于临床和比较有效性研究,但遭受缺失数据。出于对糖尿病护理的卫生服务研究的动机,我们寻求通过关注纵向糖化血红蛋白(A1c)的缺失值来提高EHR的质量,糖化血红蛋白是糖尿病并发症和不良事件的关键风险因素。在多重插补(MI)框架下,我们提出了一个个性化的贝叶斯潜在轮廓的方法来捕捉A1 c测量轨迹的缺失。所提出的方法适用于2003年至2013年期间中西部大型学术卫生系统中成年糖尿病患者的EHR,并且具有Medicare A和B覆盖范围。我们结合MI推断来评估A1c水平与急性不良健康事件发生率的相关性,并检查已确定患者资料的患者异质性。我们调查不同的缺失机制,并进行插补诊断。我们的方法计算效率高,适合灵活的模型,提供有用的临床见解。
2020-07-10 stat.ME
Bayesian analysis of population health data
对全人群数据集的分析可以提供关于大量人群健康状况的见解,以便公共卫生官员能够做出数据驱动的决策。对这些数据集的分析通常需要高度参数化的模型,这些模型具有不同类型的固定和随机效应,以考虑风险因素、空间和时间变化、多级效应和其他不确定性来源。为了说明贝叶斯分层模型的潜力,使用不同类型的模型分析了波兰国家卫生基金发布的包含2年期缺血性卒中发病率信息的约50万居民的数据集。空间逻辑斯谛回归和生存模型被考虑用于分析中风的个体概率和缺血性中风事件发生的时间。人口和社会经济变量以及药物处方信息在个人层面上是可用的。通过区域水平的随机效应来考虑空间变化。
2021-02-02 stat.AP
Bayesian Collaborative Bandits with Thompson Sampling for Improved Outreach in Maternal Health Program
Google DeepMind(谷歌DeepMind);Harvard University(哈佛大学)
针对移动健康项目呼叫时机优化的协同多臂老虎机问题,提出基于汤普森采样的贝叶斯方法,通过吉布斯采样利用先验信息加速收敛,在真实与合成数据上均显著提升效率与受益人留存率,并提供理论分析。
2024-10-30 cs.LG
Analysis of zero inflated dichotomous variables from a Bayesian perspective: Application to occupational health
这项工作提出了一种新的方法来适应零膨胀的伯努利数据从贝叶斯方法,能够区分两个潜在的零源(结构和非结构)。它的用法是通过职业健康领域的一个真实的例子来说明的,即疾病出勤现象,在这种情况下,有理由认为有些人永远不会有患病的风险,因为他们在学习期间没有生病(结构零)。如果不将结构性和非结构性零点分开,人们将共同研究一般健康状况和出勤率本身,因此获得可能有偏见的估计数,因为通过将其稀释到一般健康状况中,这种现象被隐含地低估了。所提出的方法的性能进行了评估,通过全面的模拟研究,它已被编译为R包免费提供给社会。
2021-05-03 stat.AP stat.CO stat.ME
Robust Bayesian compressive sensing with data loss recovery for structural health monitoring signals
将压缩传感技术应用于结构健康监测是一个新兴的研究课题。CS中的基本思想是使用专门设计的无线传感器以压缩形式直接对在某些基(例如小波基)上稀疏的信号进行采样,然后在传输到中央处理单元之后使用某种反演算法精确地重构(重构)这些信号。然而,在结构健康监测中,大多数信号只是近似稀疏的,即在某些基中只有相对较少的信号系数是重要的,但其他系数通常不完全为零。在这种情况下,不期望从压缩测量进行完美重构。提出了一种新的贝叶斯CS算法,其中不确定参数的鲁棒处理进行了探索,包括集成的预测误差精度参数,以消除它作为一个“讨厌的”参数。新的CS算法的性能进行了研究,使用安装在空间框架结构和斜拉桥上的加速度计的压缩数据。与其他国家的最先进的CS方法,包括我们以前发表的贝叶斯方法,使用MAP(最大后验概率)估计的预测误差精度参数相比,新算法表现出优越的性能,重建的鲁棒性和后验不确定性量化。此外,我们的方法可以用于恢复丢失的数据在无线传输过程中,无论在信号的稀疏程度。
2015-03-28 stat.AP stat.CO stat.ML
A Bayesian Nonparametric Approach for Semi-Competing Risks with Application to Cardiovascular Health
本文研究了半竞争风险环境下的因果估计问题,通过定义主分层因果估计量,结合藤Copula和贝叶斯非参数EDPM方法估计联合事件时间分布,并利用敏感性参数和MCMC进行推断,最后应用于心血管健康研究。
2025-06-25 stat.AP stat.ME
A Bayesian Proportional Mean Model Using Panel Binary Data-An Application to Health and Retirement Study
针对面板二元复发事件数据缺乏贝叶斯方法的问题,提出贝叶斯比例均值模型及验证、选择与影响诊断技术,并通过模拟和 HRS 数据分析验证其有效性。
2025-03-15 stat.AP stat.ME
A Two-stage Bayesian Model for Assessing the Geography of Racialized Economic Segregation and Premature Mortality Across US Counties
种族化的经济隔离是同时说明空间、社会和收入两极分化的一个关键衡量标准,与包括发病率和死亡率在内的不利健康结果有关;然而,衡量种族化的经济隔离与健康结果之间关系的统计方法并不完善,通常是在个人一级进行研究。在本文中,我们提出了一个两阶段贝叶斯统计框架,提供了一个广泛的,灵活的方法来研究过早死亡率和种族化的经济隔离之间的空间变化的关联,同时考虑到美国各县的邻里水平的潜在健康因素。我们通过使用来自三个来源的数据来应用我们的方法:(1)CDC WONDER,(2)县健康排名和(3)公共健康差异地理编码项目。我们的研究结果表明,对潜在健康因素的后验估计清楚地表明了美国各县的地理模式。此外,我们的研究结果强调了在以健康公平为重点的环境中,在种族化的经济隔离措施中考虑空间自相关的重要性。
2023-03-20 stat.AP
Modelling the effects of air pollution on health using Bayesian Dynamic Generalised Linear Models
短期暴露于空气污染与死亡率或发病率之间的关系一直是最近许多研究的主题,其中标准的分析方法使用泊松线性或相加模型。在本文中,我们使用贝叶斯动态广义线性模型(DGLM)来估计这种关系,它允许标准的线性或添加剂模型扩展到两种方式:(i)的长期趋势和时间相关性存在于健康数据可以模拟的自回归过程,而不是一个平滑的日历时间函数;(ii)空气污染的影响允许随着时间的推移而演变。这两个扩展的有效性进行了研究,通过应用一系列的动态和非动态模型,从大伦敦的空气污染和死亡率数据。采用贝叶斯方法进行推理,并给出了一种马尔可夫链蒙特卡罗仿真算法。另一种可能性为基础的分析,以允许直接比较,只有以前的空气污染和健康数据分析使用DGLM。
2012-01-26 stat.AP stat.ME
Bayesian Estimation of Population-Level Trends in Measures of Health Status
要改善全世界的健康状况,就需要对人口健康状况的趋势进行严格的量化。然而,全球一级的调查是不可用的,迫使研究人员依靠质量参差不齐的零碎的国别数据。我们提出了一个贝叶斯模型,系统地结合不同的数据,使国家,区域和全球一级的时间趋势估计的重要健康指标。该模型考虑到时间和年龄的非线性,它借用了时间、年龄、协变量以及区域国家集群内部和跨区域国家集群的力量,以便在数据稀疏的情况下进行估计。贝叶斯方法允许我们从缺失以及采样和参数不确定性的各个方面来考虑不确定性。MCMC采样允许在高维的、受约束的参数空间中进行推断,同时提供允许对各种感兴趣的泛函进行直接推断的后验绘制。在这里,我们使用血压作为健康指标的示例。高血压是心血管疾病的主要危险因素,心血管疾病是全球死亡的主要原因。研究结果强调了一个风险转变,高收入地区的血压水平下降,而许多低收入地区的血压水平上升。
2014-05-19 stat.ME
Bayesian Double Feature Allocation for Phenotyping with Electronic Health Records
我们提出了一种分类矩阵分解方法,以无监督的方式从电子健康记录(EHR)数据中推断潜在疾病。潜伏性疾病被定义为一种未知的生物学异常,导致一组患者的一系列共同症状。该方法是基于一种新的双特征分配模型,同时分配功能的行和列的分类矩阵。使用贝叶斯方法,已知疾病的先验信息大大提高了潜在疾病的可识别性和可解释性。这包括患者的已知诊断以及疾病与症状的已知关联。我们验证了所提出的方法,包括错误指定的模型和稀疏的潜在因素模型的比较模拟研究。在中国EHR数据的应用中,我们发现了有趣的结果,其中一些与相关的临床和医学知识。
2019-02-14 stat.AP
A dynamic Bayesian Markov model for health economic evaluations of interventions in infectious disease
背景传染病干预措施的卫生经济学评价通常基于常微分方程系统或马尔可夫模型的预测。标准免疫系统是静态的,而ODE系统通常是动态的,并考虑到群体免疫,这对防止高估感染流行率至关重要。包含概率模型参数的复杂常微分方程系统是计算密集型的。因此,主要是基于ODE的模型,包括确定性参数在文献中。这些不考虑参数的不确定性。因此,概率敏感性分析(PSA),卫生经济评价的一个重要组成部分,不能直接进行。方法.我们提出了一个动态MM贝叶斯框架下。我们扩展了一个静态的MM,将感染力的状态分配算法。相应的产出基于流行率的动态变化,因此考虑到群体免疫。与基于确定性ODE的模型相比,PSA可以直接进行。我们介绍了一个虚构的性传播感染的案例研究,并比较我们的动态贝叶斯MM的确定性和贝叶斯ODE系统。将模型校准到时间序列数据。结果通过案例研究,我们表明,我们的方法产生的结果是可比的“金标准”的贝叶斯ODE系统。结论.与文献中的ODE系统相比,动态MM的设置在可管理的计算工作(包括校准)上是概率性的。贝叶斯ODE系统的运行时间是44倍。
2018-09-01 stat.ME
Bayesian models for data missing not at random in health examination surveys
在流行病学调查中,由于调查无应答而导致的数据非随机非随机缺失(MNAR)可能会导致风险因子估计值的偏倚。我们提出了一种基于贝叶斯数据增强和生存建模的方法,以减少无应答偏倚。这一方法需要基于后续数据的更多信息。我们使用1972年至2007年收集的FINRISK数据进行了一项吸烟流行率的案例研究,并将其与其他常用的随机缺失(MAR)插补方法进行了比较。仿真实验验证了该方法的有效性。我们的方法似乎大大减少了无响应偏差,而MAR插补在减少偏差方面并不成功。
2017-08-28 stat.AP stat.ME
Efficient Bayesian estimation for flexible panel models for multivariate outcomes: Impact of life events on mental health and excessive alcohol consumption
我们考虑的问题考虑估计一个多变量纵向面板数据模型,其结果可以是离散和连续变量的组合。这个问题是具有挑战性的,因为可能性通常是难以分析的。我们的文章既在方法上做出了贡献,也对应用程序做出了实质性的贡献。方法上的贡献是在面板数据文献中引入粒子Metropolis within Gibbs方法来进行贝叶斯推断,使用哈密顿蒙特卡罗(Neal 2011}建议对未知参数的向量进行采样。我们注意到,在面板数据模型中,我们的第二个贡献是应用我们的方法对严重的生活事件对心理健康和过度饮酒的影响进行认真的分析。这两个结果之间的依赖性可能会更加明显,当饮酒过量和心理健康状况差,这反过来又影响了生活事件如何影响结果的联合分布。
2017-09-23 stat.ME
A Bayesian framework for incorporating exposure uncertainty into health analyses with application to air pollution and stillbirth
环境暴露与不良健康结果之间关系的研究通常依赖于两阶段统计建模方法,在第一阶段对暴露进行建模/预测,并在第二阶段将其用作单独拟合健康结果分析的输入。在估计感兴趣的关联时,这些预测中的不确定性经常被忽略,或者以过于简单的方式被考虑。工作在贝叶斯设置,我们提出了一个灵活的核密度估计(KDE)的方法,充分利用后输出的第一阶段的建模/预测,在第二阶段的接触和健康之间的关联作出准确的推断,获得有效的模型拟合所需的完整的条件分布,详细的连接与现有的方法,并通过模拟比较其性能。我们的KDE方法通常在几个设置和模型比较指标上都有改进的性能。使用竞争的方法,我们调查了新泽西州(2011-2015年)滞后的每日环境细颗粒物水平和死产计数之间的关联,观察到分娩前三天暴露增加的风险增加。新开发的方法可在R包KDExp中使用。
2022-03-30 stat.ME
Bayesian Methods for Modeling Cumulative Exposure to Extensive Environmental Health Hazards
针对广泛性环境健康危害的累积空间暴露建模难题,提出一种结合剂量-反应模型与对数高斯考克斯过程的贝叶斯半参数模型,并在模拟与墨西哥废水运河数据中验证了其有效性与计算可行性。
2024-07-25 stat.AP stat.ME
Value of information from vibration-based structural health monitoring extracted via Bayesian model updating
量化从结构健康监测(SHM)系统中提取的信息的价值是说服决策者实施这些系统的重要一步。我们量化这个值的贝叶斯决策分析框架的适应。与以往的工作相比,我们详细的模型的数据生成到处理,模型更新和可靠度计算的整个过程,并调查它在一个日益恶化的桥梁系统。该框架假设动态响应数据是以顺序的方式从部署的加速度计中获得的,随后通过仅输出的操作模态分析方案进行处理,以识别系统的模态特性。我们采用了经典的贝叶斯模型更新方法,顺序学习的恶化和估计的结构损伤随时间的演变。这将导致连续更新的结构可靠性,这构成了前验贝叶斯决策分析的基础。替代行动的定义和一个基于进化论的方法是采用生命周期优化。通过解决前验贝叶斯决策分析,人们能够量化长期SHM振动数据的可用性的好处。数值研究表明,该框架可以提供定量的措施,在特定的决策背景下的SHM系统的最优性。
2021-03-12 cs.SY eess.SY stat.AP
Estimating the health effects of environmental mixtures using Bayesian semiparametric regression and sparsity inducing priors
人类经常暴露于化学品和其他环境因素的混合物中,这使得量化与环境混合物相关的健康影响成为制定充分保护人类健康的环境政策的关键目标。对接触环境混合物的影响进行量化提出了若干统计挑战。通常情况下,暴露于多种污染物会相互作用,从而影响结果。此外,结果与某些暴露(如某些金属)之间的风险-响应关系可能表现出复杂的非线性形式,因为某些暴露在不同的暴露范围内可能是有益的,也可能是有害的。为了估计复杂混合物的健康影响,我们提出了一个灵活的贝叶斯方法,允许暴露相互作用,并与结果有非线性关系。我们使用多变量尖峰和板先验来诱导稀疏性,以确定哪些曝光与结果相关,以及哪些曝光相互作用。所提出的方法是可解释的,因为我们可以使用包含到模型中的后验概率来识别相互作用的污染物。我们说明了我们的方法的能力,使用模拟数据来估计复杂的功能,并将我们的方法应用于两项研究,以确定哪些环境污染物对健康产生不利影响。
2019-10-29 stat.ME
A Bayesian localised conditional auto-regressive model for estimating the health effects of air pollution
估计空气污染对健康的长期影响是一项具有挑战性的任务,特别是在生态研究设计中模拟小面积疾病发病率数据时。挑战来自于这些数据中未观察到的潜在空间相关结构,这是使用全局平滑条件自回归模型建模的随机效应来解释的。这些平稳的随机效应混淆了空气污染的影响,而空气污染的影响在全球范围内也是平稳的。为避免这种共线性,为随机效应开发了贝叶斯局部条件自回归模型。该局部化模型在空间上是灵活的,在这个意义上,它不仅能够模拟随机效应表面的阶跃变化,而且还能够捕获研究区域中的空间平滑区域。与使用传统的条件自回归模型相比,这种方法的发展使我们能够提高协变量效应的估计性能。这些结果是使用模拟研究建立的,然后用我们在2010年对苏格兰大格拉斯哥的空气污染和呼吸道疾病的激励研究来说明。该模型显示了颗粒物空气污染和收入剥夺对健康的重大影响,其影响一直被目前可用的全球平滑模型所削弱。
2013-05-23 stat.ME
Fully Automatic Brain Tumor Segmentation using a Normalized Gaussian Bayesian Classifier and 3D Fluid Vector Flow
University of Alberta(阿尔伯塔大学)
从磁共振图像(MRI)分割脑肿瘤是测量肿瘤对治疗的反应的重要任务。然而,自动分割非常具有挑战性。提出了一种基于归一化高斯贝叶斯分类和新的三维流体矢量流(FVF)算法的脑肿瘤自动分割方法。在我们的方法中,归一化高斯混合模型(NGMM)的建议,并用于健康的脑组织建模。利用高斯贝叶斯分类器从测试脑MR图像中获取高斯贝叶斯脑图(GBBM)。进一步处理GBBM以初始化3D FVF算法,该算法分割脑肿瘤。该算法有两个主要贡献。首先,我们提出了一个NGMM模型健康的大脑。其次,我们将我们的2D FVF算法扩展到3D空间,并将其用于脑肿瘤分割。所提出的方法是在一个公开的数据集上进行验证。
2019-05-01 cs.CV cs.LG cs.MM
A Bayesian Parametric Approach to Handle Missing Longitudinal Outcome Data in Trial-Based Health Economic Evaluations
基于试验的经济学评价通常是对横截面变量进行的,这些变量仅来自研究中完成者的响应,使用的方法忽略了效用和成本数据的复杂性(例如偏度和峰值)。我们提出了一种替代和更有效的贝叶斯参数方法来处理经济评估中缺失的纵向结果,同时考虑到数据的复杂性。我们指定一个灵活的参数模型的观测数据和部分识别的部分识别限制和敏感性参数的缺失数据的分布。我们通过不同的灵敏度参数的先验知识,在观测数据上进行校准,探索替代的不可替代的场景。我们的方法是由一项试验的数据驱动的,并应用于该试验,该试验评估了一种新的治疗智力残疾和挑战性行为的成本效益。
2018-05-18 stat.ME
Tailored Bayes: a risk modelling framework under unequal misclassification costs
风险预测模型是医疗保健领域的重要工具。具有二元结果的风险预测模型(即,二元分类模型)通常使用假设不同分类错误的代价相等的方法来构建。在许多医疗保健应用中,这种假设是无效的,并且误分类成本之间的差异可能相当大。例如,在诊断环境中,将患有危及生命的疾病的人误诊为健康人的成本可能大于将健康人误诊为患者的成本。在这项工作中,我们提出了定制贝叶斯(TB),一种新的贝叶斯推断框架,“裁缝”模型拟合,以优化预测性能不平衡的误分类成本。我们使用模拟研究来展示TB在逻辑斯谛回归的背景下何时有望优于标准贝叶斯方法。然后,我们将TB应用于三个现实世界的应用,心脏手术,乳腺癌分类任务和乳腺癌肿瘤分类任务,并证明了预测性能优于标准方法。
2021-10-15 stat.AP stat.ME
Fast Out-of-Sample Predictions for Bayesian Hierarchical Models of Latent Health States
分层贝叶斯模型在精确医学环境中特别有用,其中临床医生对估计与个体当前健康状态及其轨迹相关的患者水平潜在变量感兴趣。这种模型通常使用批处理马尔可夫链蒙特卡罗(MCMC)来拟合。然而,批处理MCMC计算的缓慢速度使得难以在临床环境中实施,在临床环境中,响应于新的患者数据,通常需要立即的潜在变量估计。在这份报告中,我们讨论了如何重要性抽样(IS),而不是可以用来获得快速,在诊所估计的患者水平的潜变量。我们将IS应用于Coley等人(2015)提出的分层模型,用于预测个体的潜在前列腺癌状态。我们发现,通过IS的潜在变量估计通常可以在1-10秒内获得每个人,并与来自长期运行的批处理MCMC方法的估计值高度一致。还讨论了样本外拟合和在线更新的替代选项。
2015-10-29 stat.AP
A Bayesian Nonparametric Approach for Inferring Drug Combination Effects on Mental Health in People with HIV
虽然联合抗逆转录病毒疗法(ART)在抑制HIV感染者(PWH)的病毒载量方面非常有效,但许多ART药物可能会加剧中枢神经系统(CNS)相关的不良反应,包括抑郁症。因此,了解抗逆转录病毒药物对中枢神经系统功能,特别是精神健康的影响,可以帮助临床医生个性化治疗,减少对PWH的不良影响,并防止他们停止抗逆转录病毒治疗,以避免不良的健康结果和增加艾滋病毒传播的可能性。电子健康记录的出现为研究人员提供了前所未有的艾滋病毒数据,包括个人的心理健康记录,药物处方和临床信息。然而,由于药物组合空间的高维性、个体异质性和观察到的药物组合的稀疏性,对这样的数据进行建模是非常具有挑战性的。我们开发了一种贝叶斯非参数方法,以了解药物组合对PWH心理健康的影响,并根据社会人口统计学、行为和临床因素进行调整。所提出的方法是建立在子集树核方法,表示药物组合的方式,合成已知的方案结构成一个单一的数学表示。它还利用了距离依赖的中国餐馆的过程中聚类异质人群,同时考虑到个人的治疗历史。我们通过模拟研究评估所提出的方法,并将该方法应用于妇女机构间艾滋病毒研究的数据集,产生可解释的和有前途的结果。我们的方法在指导临床医生根据个人的治疗历史和临床特征开出更明智和有效的个性化治疗方面具有临床实用性。
2020-04-11 stat.ME
Bayesian inference for the Markov-modulated Poisson process with an outcome process
本文提出一种带死亡状态的马尔可夫调制泊松过程贝叶斯推断方法,通过吉布斯采样同时建模潜在健康状态、观测时机和终止事件,并在加拿大医疗数据上验证其有效性。
2025-01-10 stat.AP stat.CO
A Bayesian Dynamic Graphical Model for Recurrent Events in Public Health
为了分析某些类型的公共卫生干预措施的影响,我们需要估计适用于异质开放人群的处理效应和结果。动态修改包含风险群体的人群,这些群体对协变量的变化反应非常不同,这无疑是一项挑战。在这里,我们提出了一种新的贝叶斯图形模型,称为减少动态链事件图(RDCEG)定制这样的人群。这些模型将基于树的链事件图推广到一类特殊的图支持的半马尔可夫过程。它们提供了一个接口之间的自然语言解释什么可能发生在个人和正式的统计分析。在这里,我们展示了RDCEG如何能够表达每个脆弱个体的不同可能进展,以及该人群中不同个体之间这些进展中的概率对称性假设。我们展示了如何完善的贝叶斯网络技术可以几乎无缝地转移到这个类。我们的工作是出于对复发性事件过程的非药物干预建模的挑战。我们说明了我们的方法在两个设置:干预,以减少老年人之间的跌倒和试验,以检查延迟治疗的影响,个人提出的早期癫痫。
2019-10-11 stat.ME
Measuring Effects of Medication Adherence on Time-Varying Health Outcomes using Bayesian Dynamic Linear Models
药物治疗的最重要障碍之一是患者不遵守规定的药物治疗方案。依从性差对所产生的健康措施的影响程度往往是未知的,典型的分析忽略了依从性随时间变化的性质。本文开发了一个建模框架,纵向记录的健康措施建模为随时间变化的药物依从性或其他随时间变化的协变量的函数。我们的框架,它依赖于正常的贝叶斯动态线性模型(DLMs),占随时间变化的协变量,如坚持和非动态协变量,如基线健康特征。鉴于低效率使用标准的推理程序DLMs与不频繁和不规则记录的响应数据,我们开发了一种方法,依赖于因素后验密度成两个术语的产品;非动态参数的边际后验密度,和非动态参数条件下的动态参数的多元正常后验密度。这种因式分解导致两阶段的推理过程,其中非动态参数可以从时变参数中单独推断出来。我们证明了该模型的应用,降压药物对血压水平的随时间变化的影响,从一个队列的高血压患者诊断。我们的模型结果进行了比较,其中遵守通过非动态摘要。
2018-11-30 stat.AP stat.ME
Spatial Non-parametric Bayesian Clustered Coefficients
本文提出贝叶斯空间 Dirichlet 过程聚类异质回归模型,通过非参数框架推断聚类数量与配置并估计各聚类参数,经模拟数据验证后应用于 Queensland 儿童健康发展分析,为区域健康干预政策提供依据。
2023-11-23 stat.AP
SkipTrack: A Bayesian Hierarchical Model for Self-tracked Menstrual Cycle Length and Regularity in Large Mobile Health Cohorts
SkipTrack提出贝叶斯分层模型,处理移动健康数据中月经周期追踪缺失,准确估计周期长度与规律性,并在苹果女性健康研究中验证了年龄、BMI和种族的影响。
2025-08-07 stat.AP
Seemingly unrelated Bayesian additive regression trees for cost-effectiveness analyses in healthcare
针对医疗成本效益分析中多结果依赖问题,提出多元BART扩展,允许各响应关联不同树集成,并实现非参数看似无关回归与多元概率比推广,通过模拟与实证验证了新型创伤干预的成本效益。
2025-02-26 econ.EM stat.AP stat.ME
Bayesian Kernel Machine Regression via Random Fourier Features for Estimating Joint Health Effects of Multiple Exposures
Emory University(埃默里大学)
本文提出通过随机傅里叶特征改进贝叶斯核机回归,以高效估计多种暴露的联合健康效应。
2026-01-29 stat.AP stat.ME
Bayesian Inference for Spatially-Temporally Misaligned Data Using Predictive Stacking
本文提出贝叶斯预测堆叠方法,结合多个时空模型分析错位的空气污染与健康数据,避免MCMC收敛问题,并应用于加州臭氧对哮喘影响的研究。
2025-05-30 stat.AP stat.ME
Assessing Spatial Disparities: A Bayesian Linear Regression Approach
本文提出一种基于贝叶斯线性回归的方法,用于检测和分析空间差异,通过引入空间自回归和模拟实验验证了方法的有效性。
2025-11-20 stat.ME
Flexibly Modeling Shocks to Demographic and Health Indicators with Bayesian Shrinkage Priors
针对人口与健康指标受短期冲击影响导致预测偏差的问题,提出基于贝叶斯收缩先验的灵活建模方法,在不牺牲经验覆盖率与预测误差的前提下显著缩小了不确定性区间。
2024-10-11 stat.ME
Progressive Bayesian Confidence Architectures for Cold-Start Personal Health Analytics: Formalizing Early Insight Through Posterior Contraction and Risk-Aware Interpretation
本文提出渐进式贝叶斯置信架构,通过后验收缩和风险感知解释,实现早期阶段的不确定性感知推断,提升个性化健康分析的早期洞察能力。
2026-01-06 math.ST q-bio.QM stat.ME
Bayesian kernel machine regression for heteroscedastic health outcome data
本文针对环境流行病学中BKMR模型误差项恒定方差假设不成立的问题,开发了异方差HBKMR方法,通过贝叶斯分层方差模型更新健康效应估计,并在两项真实金属暴露案例中显著提升了模型拟合度。
2025-05-29 stat.AP stat.ME
Bayesian modelling for spatially misaligned health areal data: a multiple membership approach
糖尿病患病率在英国呈上升趋势,对于公共卫生战略,估计相对疾病风险和随后的绘图是重要的。我们考虑应用伦敦糖尿病患病率和死亡率的数据。为了提高相对风险的估计,我们共同分析患病率和死亡率数据,以确保借贷实力超过两个结果。现有数据涉及两个空间框架,区域(中级超级输出区域,MSOA)和从多个区域招募患者的全科医生(GP)。这就提出了一个空间错位的问题,我们处理采用多重隶属原则。具体来说,我们根据不同地区全科医生人口的比例,将区域空间效应转化为解释全科医生实践的流行率。在斯坦的MCAR和GMCAR的稀疏实现允许这些二元先验的比较,以及探索两种结果的映射模式的不同含义。糖尿病患病率高于死亡率的必然因果关系优先允许在GMCAR中进行特定条件性假设,但在疾病绘图中并不总是存在。
2020-12-04 stat.AP
Sensor Informativeness, Identifiability, and Uncertainty in Bayesian Inverse Problems for Structural Health Monitoring
Technische Universität Dresden(德累斯顿工业大学)
本文提出了一种贝叶斯反演框架,用于量化结构健康监测中传感器信息量、可识别性和不确定性,通过分析弯曲刚度分布来提升传感器布置的优化与诊断可信度。
2025-11-21 cs.CE stat.AP
A Bayesian network model for predicting cardiovascular risk
我们提出了一个贝叶斯网络模型,对心血管疾病的风险进行推断和预测。基础模型中的结构和概率表都是使用从西班牙年度工作健康评估中收集的大型数据集构建的,其不确定性通过后验分布表征。我们举例说明其用于公共卫生实践,政策和研究目的。该软件的免费版本包含在附录中。
2022-03-31 stat.AP
Hierarchical sparse Bayesian learning for structural health monitoring with incomplete modal data
对于土木结构,由于地震等严重荷载事件或由于长期环境退化而导致的结构损坏通常发生在结构的局部区域。提出了一种新的稀疏贝叶斯概率框架,用于计算由损伤引起的局部刚度降低的概率,该框架使用可能损伤之前和之后的噪声不完整模态数据。该方法将结构的系统模态参数作为贝叶斯模型修正的附加变量,并在不完全模态数据的情况下进行修正。一个特定的分层贝叶斯模型的构建,促进空间稀疏的推断刚度减少的方式是一致的贝叶斯奥卡姆剃刀。为了获得最合理的模型稀疏刚度减少连同其不确定性在一个指定的类别的模型,该方法采用的优化方案,迭代之间的所有不确定的参数,包括分层超参数。该方法有四个重要的好处:(1)它推断空间稀疏的刚度变化的基础上确定的模态参数;(2)在推断的刚度降低的不确定性是量化的;(3)不需要匹配的模型和实验模式,和(4)解决非线性特征值问题的结构模型是不需要的。所提出的方法适用于两个先前研究的例子,使用模拟数据:一个10层的剪切建设和三维支撑框架模型,从第二阶段模拟基准问题主办的IASC-ASCE工作组对结构健康监测。结果表明,在建模误差的存在下,损伤检测的误报和漏报现象明显减少。此外,确定的最可能的刚度损失比接近其实际值。
2014-08-16 stat.AP
R = P(Y < X) for unit-Lindley distribution: inference with an application in public health
单位林德利分布最近在文献中被引入作为Beta和Kumaraswamy分布的可行替代方案,并在(0; 1)中得到支持。这个分布在命名的分布上具有许多良性性质。在这篇文章中,我们从贝叶斯的角度来解决参数估计的问题,并通过广泛的模拟研究来研究不同估计量的相对性能。重要的重点是使用经典的以及贝叶斯方法的应力强度可靠性的估计。一个非平凡的有用的应用在公共卫生领域提出了一个简单的度量的差异。
2019-08-02 stat.ME
A Bayesian approach to uncover local and temporal determinants of heterogeneity in repeated cross-sectional health surveys
本文提出一种贝叶斯多元时间逻辑模型,利用状态空间框架融合个体风险因素与地方外生信息,揭示慢性病诊断中局部与时间异质性,并在意大利PASSI数据上验证其有效性。
2024-11-15 stat.AP stat.ME stat.OT
Bayesian ACCESS for Understanding Latent Epidemic Trajectories from Publicly Released Suppressed Data: Application to U.S. Opioid-related Overdose Mortality
The University of Texas Health Science Center at Houston(休斯顿德克萨斯大学健康科学中心)
本研究针对公开健康统计数据中因压制小单元格计数导致的推断难题,提出贝叶斯ACCESS框架,应用于美国阿片类药物过量死亡率数据,识别出特定亚组的流行病轨迹与结构性变化。
2026-10-26 stat.AP stat.ME