Big problems in spatio-temporal disease mapping: methods and software
区域数据的时空模型拟合在癌症流行病学等许多领域中至关重要。然而，当数据集非常大时，会出现许多问题。本文的主要目的是提出一个通用的程序来分析高维时空计数数据，特别强调死亡率/发病率的相对风险估计。我们提出了一个务实和简单的想法，允许适合层次时空模型时，小区域的数量是非常大的。模型拟合使用集成嵌套拉普拉斯近似在空间域的分区上进行。我们还使用并行和分布式策略来加快贝叶斯模型拟合通常非常耗时甚至不可行的设置中的计算。使用模拟和真实数据，我们表明，我们的方法优于经典的全球模型。我们实现了我们在开源R包bigDM中开发的方法和算法，其中包括特定的小插曲，以方便非专家用户使用该方法。我们的可扩展的方法建议提供可靠的风险估计时，拟合贝叶斯分层时空模型的高维数据。
2022-10-11 stat.CO stat.ME
Nonparametric Causal Feature Selection for Spatiotemporal Risk Mapping of Malaria Incidence in Madagascar
现代疾病绘图利用大量高分辨率空间数据产品，在地质统计框架内将环境和/或社会经济因素作为协变量或“特征”加以反映，以改进对疾病风险的预测。特征选择是构建这些模型的重要步骤，有助于减少过拟合和计算复杂性，并提高模型的可解释性。仅选择与响应变量具有因果关系的特征可能会提高预测和概括性，但从非干预性时空数据中识别这些因果特征是一个具有挑战性的问题。在这里，我们研究的因果特征选择过程中估计在马达加斯加的疟疾发病率的性能。为这项任务设计的研究过程结合了PC算法与时空预白化和基于内核的独立性测试扩展到容纳聚合数据。这个案例研究揭示了一个明显的优势，因果特征选择的前向时间估计任务中的样本预测精度，但不是在时空插值任务，与阈值的尖峰和板相比，线性和非线性回归模型。与没有特征选择相比，因果特征选择在可用数据量相对于模型复杂性较低的设置中最有益。
2021-03-15 stat.AP
A joint spatiotemporal model for multiple longitudinal markers and competing events
针对慢性疾病无明确发病时间难以定义联合模型参考时间的问题，提出原因特异性联合时空模型，可捕捉潜在疾病年龄与纵向结局排序的影响，在ALS数据上性能与传统模型相当且参数更少。
2025-01-15 stat.ME
Mapping the Genetic-Imaging-Clinical Pathway with Applications to Alzheimer's Disease
阿尔茨海默氏病是一种渐进形式的痴呆症，导致记忆，思维和行为问题。它通常以β淀粉样蛋白和tau蛋白的异常聚集和沉积开始，随后是神经元损伤，例如脑萎缩，导致阿尔茨海默病（AD）。本文的目的是绘制AD的遗传-成像-临床路径，以描绘基于阿尔茨海默病神经成像倡议（ADNI）数据集驱动疾病进展的遗传调节的大脑变化。我们开发了一种新的两步法来描述高维2D海马表面暴露与阿尔茨海默病评估量表（ADAS）认知评分之间的关联，同时考虑到基线时的超高维临床和遗传协变量。分析结果表明，径向距离的每个像素的两个campi是负相关的行为缺陷的严重程度的条件下观察到的临床和遗传协变量。这些协会是更强的角Ammonis区域1（CA 1）和下托亚区相比，角Ammonis区域2（CA 2）和角Ammonis区域3（CA 3）亚区。
2022-06-02 stat.AP stat.ME
Hierarchical Multivariate Directed Acyclic Graph Auto-Regressive (MDAGAR) models for spatial diseases mapping
疾病分布图是流行病学家用来评估疾病率的地理差异和从空间模式中识别潜在环境风险因素的重要统计工具。这种地图依赖于区域汇总数据的空间模型，其中相邻区域往往表现出与距离较远的区域相似的结果。我们贡献的文献多变量疾病映射，其中涉及多个（两个或两个以上）疾病在每个地区的测量。我们的目标是从每种疾病的空间自相关中解开多种疾病之间的关联。我们开发了多变量有向非循环图形自回归（MDAGAR）模型，以适应空间和疾病间的依赖性。分层结构赋予灵活性和丰富性，空间自相关性和疾病间关系的可解释性，以及计算简便性，但取决于癌症建模的顺序。为了避免这一点，我们演示了如何贝叶斯模型选择和平均跨订单很容易实现使用桥采样。我们比较了我们的方法与竞争对手使用模拟研究，并提出了一个应用程序，多个癌症映射使用的数据从监测，流行病学和最终结果（SEER）计划。
2021-02-04 stat.ME
Disease Mapping via Negative Binomial Regression M-quantiles
我们介绍了一个半参数的方法，生态回归疾病映射，建模的基础上回归M-分位数的负二项变量。该方法对模型协变量中的异常值具有鲁棒性，包括由于测量误差引起的异常值，并且可以解释空间异质性和空间聚类。基于著名的苏格兰唇癌数据集的模拟实验是用来比较的M-分位数建模方法和疾病映射的随机效应建模方法。这表明M分位数方法导致预测的相对风险比标准疾病映射方法具有更小的均方根误差。本文最后说明性的应用M分位数的方法，映射低出生体重的发病率数据，为2005年至2010年的英国地方政府区。
2013-10-12 stat.ME
Simultaneous disease mapping and hot spot detection with application to childhood obesity surveillance from electronic health records
近年来，电子健康记录（EHR）已成为数据驱动的细粒度监控平台。在本文中，我们利用电子健康档案的早期预防儿童肥胖。所提出的方法同时提供平滑的疾病映射和肥胖患病率的离群值信息，这对于提高公众意识和促进针对性干预是有用的。更准确地说，我们考虑了惩罚的多级广义线性模型。我们将区域贡献分解为平滑和稀疏信号，这些信号通过对似然函数施加融合和稀疏惩罚的组合来自动识别。此外，我们权衡了建议的可能性，以解释EHR数据所产生的缺失和潜在的非代表性。我们开发了一种新的交替最小化算法，这是计算效率高，易于实现，并保证收敛。仿真研究表明，所提出的方法的优越性能。最后，我们将我们的方法应用到威斯康星大学人口健康信息交换数据库。
2019-04-14 stat.AP stat.ME
Cough Detection Using Hidden Markov Models
University of Saskatchewan（萨斯喀彻温大学）
呼吸道感染和慢性呼吸道疾病在全世界造成沉重的健康负担。咳嗽是许多此类感染的最常见症状之一，并且可以指示慢性呼吸道疾病的突然发作。无论是在临床还是公共卫生层面，识别咳嗽发作的能力都有助于了解人群和个人的健康状况。在呼吸道疾病以及具有咳嗽等症状的季节性疾病的背景下开发健康监测模型，有可能提高生活质量，帮助临床医生和公共卫生当局做出决定，并降低卫生服务的成本。在本文中，我们研究了一种简单的机器学习方法的能力，隐马尔可夫模型（HMM）的形式可以用来分类不同的咳嗽状态，使用单变量（与一个单一的能量带作为输入功能）和多变量（与多个能量带作为输入功能）装箱的时间序列，使用两个咳嗽数据。我们进一步使用该模型将咳嗽事件与其他事件和环境噪声区分开来。我们的隐马尔可夫算法实现了92%的AUR（接收器工作特征曲线下的面积）在分类咳嗽事件在嘈杂的环境中。此外，单变量与多变量HSPs的比较表明多变量HSPs用于咳嗽事件分类的准确性较高。
2019-04-28 cs.LG cs.SD eess.AS
Prior Smoothing for Multivariate Disease Mapping Models
Duke University（杜克大学）
本文探讨多变量疾病制图模型中先验平滑的影响，通过不同先验设置分析平滑效果，提出理论和实证指标，结合模拟和实际数据验证方法。
2026-10-14 stat.AP stat.ME
Non-stationary Bayesian Spatial Model for Disease Mapping based on Sub-regions
本文提出一种基于子区域的非平稳贝叶斯空间模型，通过多精度参数和联合惩罚复杂度先验捕捉复杂空间依赖，提升了疾病制图模型的解释力与适用性。
2023-06-29 stat.AP stat.ME
Disease Mapping with Generative Models
疾病分布图侧重于了解呈现高相对风险的区域单位。疾病计数的疾病映射模型指定了与预期计数相比的相对风险的Poisson回归。这些模型通常包含空间随机效应以实现空间平滑。这些模型的拟合通常通过内部标准化来计算预期的疾病计数。这将数据放在模型的两侧，即，计数在左侧，但它们也用于获得右侧的预期计数。因此，这些内部标准化模型是不连贯的，没有生成性;从概率上讲，它们无法产生观察到的数据。在这里，我们主张采用直接生成模型的疾病计数。我们使用广义逻辑斯谛回归对疾病发病率而不是相对风险进行建模。我们提取模型拟合后的相对风险。我们还将生成模型扩展到动态设置。我们通过模拟数据集和俄亥俄州的肺癌发病率数据将生成模型与内部标准化模型进行比较。每个模型都是一个空间平滑器，它们在相对风险方面对数据进行了类似的平滑。然而，生成模型倾向于提供更紧密的可信区间。由于生成规范是没有更难适应，是连贯的，至少是良好的inclusion，我们建议它应该是空间疾病映射的选择模型。
2016-07-24 stat.ME
Bayesian Mapping of Mortality Clusters
本文提出多元贝叶斯模型Perla，利用stick-breaking和收缩先验同时识别空间死亡率聚类边界及驱动聚类的疾病，并通过模拟和案例研究验证其有效性。
2025-08-15 stat.AP stat.ME
Joint Quantile Disease Mapping with Application to Malaria and G6PD Deficiency
与均值回归方法相比，基于分位数回归方法的统计分析更全面、灵活，对离群值的敏感性更低。当对不同疾病之间的联系感兴趣时，关节疾病映射对于测量它们之间的方向相关性是有用的。大多数研究通过多重相关均值回归来研究这种联系。在本文中，我们提出了一个联合分位数回归框架，多个疾病，不同的分位数水平可以考虑。我们的动机是疟疾的存在和基因缺陷G6PD之间的理论联系，其中医学科学家已经发现了高水平的G6PD和低于预期水平的疟疾之间的可能联系，最初指向G6PD的发生抑制疟疾的发生。这种联系不能用均值回归来研究，因此需要在疾病映射框架中进行灵活的关节分位数回归。我们的联合分位数疾病映射模型可以用于随机样条的协变量的线性和非线性效应，因为我们将其定义为潜在高斯模型。我们使用嵌入在R软件包INLA中的INLA框架对该模型进行贝叶斯推断。最后，我们通过分析21个非洲国家的疟疾和G6PD缺乏症的发病率，使用不同水平的链接分位数来说明模型的适用性。
2022-01-30 stat.ME
Amortized Bayesian Disease Mapping and Boundary Detection on Heterogeneous Spatial Graphs
University of California, Los Angeles（加州大学洛杉矶分校）
针对异质空间图谱，提出协变量感知的贝叶斯边界模型与摊销后验近似，实现疾病制图与边界检测，并在多区域数据上验证其有效性与可重用性。
2026-09-28 stat.AP stat.ME
A Bayesian semi-parametric approach to causal mediation for longitudinal mediators and time-to-event outcomes with application to a cardiovascular disease cohort study
针对队列研究中纵向中介变量和时变混杂因素导致的因果中介分析复杂问题，提出基于贝叶斯加法回归树（BART）模型的方法，可处理连续/二元时变变量及竞争事件，应用于ARIC队列研究评估药物对心血管疾病死亡时间的影响。
2024-11-27 stat.AP stat.ME
Settlement Mapping for Population Density Modelling in Disease Risk Spatial Analysis
本研究针对疾病风险空间分析中人口密度建模过于简化的问题，提出使用聚落制图替代行政区域面积，以印尼结核病数据验证，发现聚落密度相关性更强，建议推广使用。
2024-03-19 q-bio.PE q-bio.QM stat.AP
An Interaction Neyman-Scott Point Process Model for Coronavirus Disease-19
2019冠状病毒病（COVID-19）传播迅速，已导致全球超过200万人死亡，构成重大社会挑战。了解患者就诊的空间模式和检测局部传播事件对于控制疾病暴发至关重要。我们分析了从首尔收集的非常详细的COVID-19接触者追踪数据，这为了解患者就诊发生的机制提供了独特的机会。分析接触者追踪数据具有挑战性，因为患者访问显示出强烈的聚类模式，而事件聚类可能具有复杂的交互行为。为了解释这种行为，我们开发了一种新的交互Neyman-Scott过程，该过程将观察到的患者访问事件视为从父传播事件生成的后代。这种模型的推理是复杂的，因为可能性涉及棘手的归一化函数。为了解决这个问题，我们嵌入一个辅助变量算法到我们的马尔可夫链蒙特卡罗。我们将我们的模型拟合到不同爆发场景下的几个模拟和真实数据示例中，并表明我们的方法可以很好地描述患者就诊的空间模式。我们还提供可视化工具，可以为传染病的公共卫生干预提供信息，例如社交距离。
2021-02-05 stat.AP stat.ME
High-dimensional order-free multivariate spatial disease mapping
针对大区域面域空间数据多元疾病制图计算负担重的问题，提出一种基于分区与共识蒙特卡洛的无阶多元可扩展贝叶斯方法，用INLA在bigDM中实现，可高效分析多疾病大数据并取得更优结果。
2022-10-26 stat.CO stat.ME
Approximate Bayesian Inference for the Interaction Types 1, 2, 3 and 4 with Application in Disease Mapping
我们在本文中解决了一个新的方法来拟合时空模型与应用在疾病映射使用的相互作用类型1，2，3和4。当我们考虑疾病映射模型中的时空相互作用时，推理在揭示数据中的未知模式方面变得更加有用。然而，当位置数量和/或时间点数量很大时，由于推理所需的大量约束，推理在计算上变得具有挑战性，并且这适用于各种推理架构，包括马尔可夫链蒙特卡罗（MCMC）和集成嵌套拉普拉斯近似（INLA）。我们重新制定INLA方法的基础上，密集矩阵，以适应固有的时空模型与四种类型的相互作用和帐户的总和为零的约束，并讨论如何新的方法可以实现在一个高性能的计算框架。使用新方法的计算时间不依赖于约束的数量，并且在现实场景中可以达到比INLA快40倍的速度。通过仿真研究和实际数据应用验证了该方法，并在R包INLAPLUS和Python头函数inla 1234（）中实现。
2022-06-18 stat.CO stat.ME stat.OT
Are continuous models better than areal models for spatial disease mapping with a large number of small areas?
Public University of Navarre（纳瓦拉公立大学）；Institute for Advanced Materials and Mathematics, InaMat 2 , Public University of Navarre（纳瓦拉公立大学高级材料与数学研究所 (InaMat 2)）；Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文针对大量小区域的空间疾病制图场景，对比分层混合泊松模型与含非结构化随机效应修改方案的SPDE框架，经模拟研究与西班牙肺癌死亡率实证分析，探究连续模型是否优于区域模型。
2026-10-16 stat.ME
A Bayesian modelling framework to quantify multiple sources of spatial variation for disease mapping
空间连通性是对地理区域内的传染病数据进行建模时的一个重要考虑因素。连通性的产生有多种原因，包括区域之间的共同特征，以及人类或病媒的移动。贝叶斯分层模型包括结构化随机效应，以解释空间连通性。然而，传统的方法需要在模型拟合之前完全定义空间结构。通过将惩罚平滑样条应用于坐标，我们创建了描述数据空间结构的二维平滑表面，同时对结构进行了最小假设。其结果是一个非固定的表面，这是设置特定的。这些表面可以被纳入一个分层建模框架，并解释类似于传统的随机效应。通过模拟研究，我们表明，样条可以应用于任何连续的连接措施，包括人类运动的措施，并可以扩展模型，以探索数据中的空间结构的多个来源。使用贝叶斯推断和模拟，可以计算每个空间结构的相对贡献，并用于生成关于疾病驱动因素的假设。这些模型被发现至少执行以及现有的建模框架，同时允许未来的扩展和空间连接的多个来源。
2022-06-03 stat.ME
A framework for joint assessment of a terminal event and a score existing only in the absence of the terminal event
Novo Nordisk（诺和诺德）；University of Southern Denmark（南丹麦大学）
本文提出一种框架，用于同时评估终端事件和在终端事件不存在时存在的评分，利用半参数统计方法估计风险和评分，并通过闭合检验程序验证治疗效果。
2026-03-27 stat.ME
Mapping Incidence and Prevalence Peak Data for SIR Forecasting Applications
提出一种将历史住院峰值发病率数据纳入SIR模型拟合的双方程系统新方法，通过模拟验证其准确性与计算速度，并更新Dirichlet-Beta State Space建模框架以支持住院发病率数据。
2024-04-24 stat.AP stat.ME
On prior smoothing with discrete spatial data in the context of disease mapping
针对疾病制图中不同空间先验的平滑程度缺乏比较及参数影响未明的问题，本研究通过模拟与真实数据分析七种常用空间先验，提出量化平滑的经验与理论指标并建立二者关联。
2025-07-29 stat.ME
An intuitive Bayesian spatial model for disease mapping that accounts for scaling
近年来，疾病绘图研究已成为地理流行病学的常规应用，通常在贝叶斯分层模型公式中进行分析。已经提出了各种潜在水平的模型公式，但都有固有的问题。在经典的BYM模型中，空间结构化的组件不能独立于非结构化的组件。这使得两个随机效应的超参数的先前定义具有挑战性。有替代的模型公式来解决这种混淆，然而，如何选择可解释的超级先验的问题仍然没有解决。在这里，我们讨论了最近提出的参数化的BYM模型，导致改进的参数控制的超参数可以看到彼此独立。此外，需要一个缩放的空间组件的解决，这有利于分配可解释的hyperprior，并使这些空间应用程序之间具有不同的图形结构的转移。我们提供了新的模型配方，保持稀疏性的实施细节，我们系统地研究模型的性能，并将其与现有的参数化。通过仿真研究，我们表明，新的模型表现良好，既表现出良好的学习能力和良好的收缩行为。在模型选择标准方面，所提出的模型至少与现有的参数化一样好，但只有新的公式提供了可解释的参数和具有明确含义的超级先验。
2016-01-06 stat.ME
Capturing Cumulative Disease Burden in Chronic Kidney Disease Outcome Trials: Area Under the Curve and Restricted Mean Time in Favor of Treatment Beyond Conventional Time-to-First Analysis
Global Statistical Science（全球统计科学）；Eli Lilly and Company（礼来公司）
本文提出两种方法，AUC和RMT-IF，用于更准确地评估慢性肾脏病治疗的累积疾病负担，通过整合事件严重程度和状态占用，改进CKD结局试验的效率和可解释性。
2026-01-24 stat.ME
Approximate Bayesian inference for multivariate point pattern analysis in disease mapping
我们提出了一种新的方法来分析多变量病例对照地理参考数据，使用贝叶斯推断的背景下，疾病映射，不同类型的癌症的空间分布进行了分析。扩展点模式分析中的其他方法，我们提出了一个对数高斯Cox过程的点模式的情况下，控制，占风险因素，如暴露于污染源，并包括一个术语来衡量空间残差变化。对于每种疾病，其强度是根据基线空间效应（根据对照和病例估计）、疾病特异性空间项和对解释风险因素的协变量的影响建模的。通过拟合这些模型，可以评估协变量对病例集的影响，并且可以很容易地比较残差空间项，以检测协变量无法解释的高风险区域。三种不同类型的影响模型暴露于污染源被认为是。首先，固定效应对源的距离。接下来，使用距离上的平滑项通过一阶离散随机游动和具有Matérn协方差的一维高斯过程来建模非线性效应。使用集成嵌套拉普拉斯近似（INLA）拟合模型，以便使用基于求解随机偏微分方程（SPDE）的方法来近似空间项。最后，这个新的框架被应用到三种不同类型的癌症的数据集和一组控制阿尔卡拉德埃纳雷斯（马德里，西班牙）。可用的协变量包括与几个污染行业的距离和社会经济指标。我们的研究结果指出，由于靠近其中一些行业，可能会增加风险。
2019-03-27 stat.ME
A Bayesian approach for unadjudicated events in cardiovascular disease cohort studies
针对队列研究中ICD-9编码事件不准确的问题，提出利用相关队列ARIC构建贝叶斯联合模型与贝叶斯加性回归树，生成未裁定事件的后验预测分布，并通过模拟和实际数据验证。
2025-06-23 stat.ME
A Bayesian hierarchical model for disease mapping that accounts for scaling and heavy-tailed latent effects
提出一种扩展BYM2的贝叶斯层次模型，通过尺度混合结构处理重尾潜在效应并识别离群值，在模拟和里约寨卡数据分析中优于现有方法。
2024-03-20 stat.ME
Learning association from multiple intermediate events for dynamic prediction of survival: an application to cardiovascular disease prognosis
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
本文提出基于copula的框架，通过伪似然估计学习多个相关边缘成分的依赖关系，用于动态生存预测，通过模拟和心脏疾病数据验证了方法的灵活性和预测效果。
2026-07-03 stat.AP stat.CO stat.ME
Robust Estimation under Outcome Dependent Right Censoring in Huntington Disease: Estimators for Low and High Censoring Rates
本文提出三种稳健估计器用于亨廷顿病中因结果依赖右删失的问题，通过比较不同删失率下的表现，为估计器选择提供实用指导。
2025-11-19 stat.AP stat.ME
Spatial Disease Mapping and Disparity Detection Using Generative AI: An Amortized Bayesian Learning Framework
Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系）
提出一种摊销贝叶斯框架，通过神经网络近似后验分布，实现跨不同区域图的空间边界检测，并在呼吸疾病和肺癌数据中验证其有效性。
2026-06-17 stat.ME
Implementing Response-Adaptive Randomisation in Stratified Rare-disease Trials: Design Challenges and Practical Solutions
本文针对分层罕见病试验中实施响应自适应随机化的实际挑战，提出映射策略将随机化概率离散化为分配比率向量以改善小样本下的频率误差，并分析了缺失数据对期中分析后适应性调整的影响，同时讨论了数据合并、盲法与安全性报告等实际问题。
2025-07-07 stat.AP stat.ME
Identification of Parkinson's Disease Subtypes with Divisive Hierarchical Bayesian Clustering for Longitudinal and Time-to-Event Data
针对帕金森病的异质性，提出一种分裂层次贝叶斯聚类方法，结合多元纵向轨迹模型与生存数据半参数模型，从PPMI数据库中识别具有不同进展模式的特发性PD亚组。
2023-08-03 stat.ME
Spatial disease mapping using Directed Acyclic Graph Auto-Regressive (DAGAR) models
区域聚集疾病发病率数据的分层模型通常涉及区域特异性潜在随机效应，其被联合建模为具有多变量高斯分布。协方差或精度矩阵包含区域之间的空间依赖性。精度矩阵的常见选择包括广泛使用的ICAR模型，它是奇异的，它的非奇异扩展缺乏可解释性。我们提出了一个新的参数模型的精度矩阵的基础上有向无环图（DAG）表示的空间依赖。我们的模型保证了正定性，因此，除了作为区域空间相关随机效应的有效先验外，还可以直接对图像和网络等相关数据的结果进行建模。理论结果建立了我们模型中的参数与随机效应的方差和协方差之间的联系。大量的模拟研究表明，我们的模型的可解释性的改善收获的好处，在准确地恢复潜在的空间随机效应，以及空间协方差参数的推断。在适度的空间相关性下，我们的模型远远优于CAR模型，而当空间相关性较强时，性能相似。我们还评估了选择的顺序在DAG建设的理论和实证结果证明了我们的模型的鲁棒性的敏感性。我们还提出了一个大规模的公共卫生应用程序，展示了该模型的竞争力。
2019-04-28 stat.ME
Mapping beyond diseases: Controlled variable selection for secondary phenotypes using tilted knockoffs
针对病例对照等偏倚抽样导致的碰撞偏倚与高维变量选择问题，提出按选择概率倾斜总体分布并构造 tilted knockoff 的方法，实现次级表型分析中的 FDR 控制。
2025-09-30 stat.AP stat.ME
Modeling treatment events in disease progression
Stanford University（斯坦福大学）
量化和预测疾病进展的能力是选择适当治疗的基础。许多临床指标无法频繁获取，这是因为它们的成本（例如MRI、步态分析），或者因为它们对患者不方便或有害（例如活检、X射线）。在这种情况下，为了估计疾病进展的个体轨迹，有利的是利用患者之间的相似性，即轨迹的协方差，并找到进展的潜在表示。大多数现有的估计轨迹的方法不考虑观察之间的事件，这大大降低了它们对临床实践的充分性。在这项研究中，我们开发了一个名为Coordinatewise-Soft-Impute（CSI）的机器学习框架，用于在存在混杂事件的情况下从稀疏观察中分析疾病进展。CSI保证收敛到相应优化问题的全局最小值。实验结果也证明了CSI使用模拟和真实数据集的有效性。
2019-05-26 cs.LG q-bio.QM stat.ME
Bayesian Event-Based Model for Disease Subtype and Stage Inference
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Chiba Institute of Technology（千叶技术大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出贝叶斯事件基于模型(BEBMS)，在合成数据实验中优于SuStaIn，在阿尔茨海默病真实数据集上结果更符合科学共识。
2026-04-21 cs.LG stat.ME
Copula and spatial-regularized variational autoencoder for mapping disease comorbidity in West Africa
Institute of Mathematics and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学研究所）；The Federal University of Technology（联邦理工大学）
提出一种结合双变量Gumbel copula和空间正则化的变分自编码器，用于建模西非儿童腹泻、发烧和急性呼吸道感染共病的空间异质性和非对称依赖关系，并识别高风险区域及风险因素。
2026-05-26 stat.ME
Markov-modulated marked Poisson processes for modelling disease dynamics based on medical claims data
本文提出用马尔可夫调制的标记泊松过程联合建模医疗索赔数据的观测时间与标记，以推断患者潜在疾病状态，并在COPD数据上验证了其识别医疗利用模式的能力。
2022-11-03 stat.AP stat.ME
Flexible Bayesian additive joint models with an application to type 1 diabetes research
纵向和时间-事件数据的联合建模是越来越受欢迎的重要工具，用于深入了解生物标志物和事件过程之间的关联。我们开发了一个通用框架的灵活添加剂联合模型，允许规格的各种影响，如平滑的非线性，时变和随机效应，在纵向和生存的部分模型。我们的扩展是出于波动的疾病特异性标志物之间的关系的调查，在这种情况下，自身抗体，和自身免疫性疾病1型糖尿病的进展。通过使用贝叶斯P样条，我们特别能够捕获高度非线性的受试者特异性标记物轨迹以及标记物与事件过程之间的时变关联，从而对疾病进展有新的见解。该模型是在贝叶斯框架内估计的，并在R-包bamlss中实现。
2017-01-20 stat.AP stat.ME
Efficient Cumulative Incidence Estimation in Biobank Studies Using All Prevalent and Incident Events
Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Tel Aviv University（特拉维夫大学）
针对生物库数据中同时包含招募前发病（现患）和随访期间发病的个体，提出一种新的累积发病率函数估计方法，整合所有病例，处理年轻发病且生存期长的疾病，理论证明渐近性质，模拟和UK生物库癌症数据验证其优势。
2026-06-19 stat.ME
Semiparametric Analysis of Interval-Censored Data Subject to Inaccurate Diagnoses with A Terminal Event
Department of Biostatistics, University of Michigan（密歇根大学生物统计学系）
针对诊断不准确且存在终端事件的区间删失数据，提出基于Cox比例风险模型的半参数框架，采用非参数最大似然估计和EM算法，并证明估计量的渐近正态性。
2026-01-11 stat.ME
A non-parametric estimator for excess recurrent events
Karolinska Institutet（卡罗林斯卡学院）；Stockholm University（斯德哥尔摩大学）
本文提出一种非参数估计量，将相对生存概念扩展至复发事件，结合队列与人群数据估计超额复发事件数，并证明其渐近性质及提供实际应用。
2026-09-23 stat.ME
Quantile Regression Modeling of Recurrent Event Risk
慢性疾病的进展通常表现为随着时间的推移反复发生疾病相关事件。描述这种复发事件风险的异质性可以为指导定制的疾病管理提供有价值的科学见解。在本文中，我们提出了一个新的建模框架，复发事件的数据，这使得一个灵活的和强大的表征，通过分位数回归，同时容纳观察到的协变量和不可观察的脆弱性的复发事件的个人倍增风险。建议的建模不需要分布规格的不可观察的弱点，同时允许探索动态协变量的影响。我们开发的估计和推理程序所提出的模型，通过一种新的适应原则的条件得分。证明了估计量的一致相合性和弱收敛性。大量的仿真研究表明，所提出的方法具有令人满意的有限样本性能。我们通过应用于糖尿病临床试验来说明新方法的实际效用，该试验探索了2型糖尿病患者低血糖的风险模式。
2018-11-15 stat.ME
Joint analysis for multivariate longitudinal and event time data with a change point anchored at interval-censored event time
University of Nebraska Medical Center（内布拉斯加医学中心）
本文提出了一种联合模型，用于分析具有区间截断事件时间的多变量纵向和事件时间数据，以探讨亨廷顿病中认知障碍与运动功能障碍的相互作用。
2026-02-16 stat.ME
Comparison of g-estimation approaches for handling symptomatic medication at multiple timepoints in Alzheimer's Disease with a hypothetical strategy
本研究针对临床试验插补事件处理的假设策略，提出利用部分插补事件结局影响与发生时间无关假设的改进g估计方法，阿尔茨海默病模拟研究显示其在保持无偏性和I类错误控制的同时显著提升估计效率。
2024-09-17 stat.ME
Nonparametric Estimation of Event-Free Survival for Data with Left-Truncated Death and Intermittently Assessed Nonfatal Events
University of Minnesota（明尼苏达大学）；Columbia University（哥伦比亚大学）；University of Texas（德克萨斯大学）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Mississippi Medical Center（密西西比大学医学中心）；University of North Carolina（北卡罗来纳大学）；Wake Forest University School of Medicine（维克森林大学医学院）
针对左截断、分量特异性删失（区间删失非致命事件与右删失死亡）下的无事件生存估计，提出核平滑非参数方法，支持受限均值检验及补充数据利用，并经模拟和ARIC数据验证。
2026-09-14 stat.ME
Improving the efficiency of infectious disease prevention trials using negative control outcome event times
University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；Penn State University（宾夕法尼亚州立大学）；Gillings School of Global Public Health, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校吉林斯全球公共卫生学院）
该研究针对传染病预防试验中常规协变量调整精度不足的问题，提出调整阴性对照结局事件时间的估计方法，经HVTN 704/HPTN 085试验验证，可显著提升预防效果估计的精度。
2026-08-07 stat.ME
C-learning in estimation of optimal individualized treatment regimes for recurrent disease
针对复发性疾病的最优个体化治疗方案估计问题，提出ReCL方法，将优化转化为加权分类并给出三种代价估计量，通过模拟和结直肠癌数据验证其有效性。
2025-02-15 stat.ME
Spatial Modeling, with Application to Complex Survey Data: Discussion of "Model-based Geostatistics for Prevalence Mapping in Low-Resource Settings", by Diggle and Giorgi
在低资源环境下的患病率绘图是一项越来越重要的努力，以指导政策制定和空间和时间特征的疾病负担。我们将集中讨论分析调查数据时的复杂设计考虑以及空间建模。对于前者，我们考虑两种方法：直接使用的权重，和基于模型的方法，使用空间模型来确认聚类。对于后者，我们考虑连续指标马尔可夫高斯随机场模型。
2016-08-12 stat.ME
Dynamic Prediction of Competing Risk Events using Landmark Sub-distribution Hazard Model with Multiple Longitudinal Biomarker
病因特异性累积发生率函数（CIF）量化了具有竞争性风险结局的受试者特异性疾病风险。利用纵向收集的生物标志物数据，感兴趣的是通过结合最近的生物标志物以及累积的纵向历史来动态更新预测的CIF。受慢性肾脏疾病纵向队列研究的启发，我们提出了一个使用多变量纵向生物标志物动态预测终末期肾脏疾病的框架，考虑了死亡的竞争风险。该框架将地标生存模型扩展到竞争风险数据，并意味着在每个地标时间定义一个不同的子分布风险回归模型。允许模型参数、预测范围、纵向历史和风险人群在里程碑时间内变化。当生物标志物的测量时间间隔不规则时，在预测时可能无法观察到预测变量。局部多项式被用来估计模型参数，而不显式地插补预测或建模其纵向轨迹。所提出的模型导致简单的解释的回归系数和封闭式计算的预测CIF。估计和预测可以通过具有易处理计算的标准统计软件来实现。我们进行了模拟评估的估计过程和预测精度的性能。该方法说明了从非裔美国人的肾脏疾病和高血压研究的数据。
2019-05-22 q-bio.QM stat.ME
