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
Variance partitioning in spatio-temporal disease mapping models
贝叶斯疾病绘图,如果说在描述风险随时间和空间的变化方面是非常有用的,那么它也会遇到难以解释的随机效应精确参数的先验启发的障碍。我们介绍了一个重新参数化版本的流行的时空相互作用模型,克罗内克产品的内在高斯马尔可夫随机场的基础上,我们命名的方差分割(VP)模型。VP模型包括一个混合参数,用于平衡主效应和交互作用效应对总(广义)方差的贡献,并增强可解释性。在混合参数上使用惩罚复杂度先验有助于以直观的方式对先验信息进行编码。我们用两个案例来说明VP模型的优点。
2022-05-17 stat.ME
Association between Air Pollutants and Hospitalizations for Cardiovascular Diseases: Time-Series Analysis in São Paulo, 2010-2019
UNESP(圣保罗州立大学);UFES(Espírito Santo联邦大学)
本研究使用广义可加模型分析圣保罗2010-2019年空气污染物与心血管疾病住院的关联,发现基于污染物预测的时间平滑方法比基于结果预测更稳健,能避免掩盖污染物的真实效应。
2025-09-15 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
A spatio-temporal model to detect potential outliers in disease mapping
本研究在Rushworth时空疾病制图模型基础上引入带两种先验的精度矩阵缩放参数以实现厚尾,用于识别疾病相对风险演变的潜在异常区域,经模拟验证后应用于COVID-19疫情分析,在蒙特利尔和法国分别识别出6个行政区、21个省为异常区域。
2024-04-15 stat.ME
Geostatistical methods for disease mapping and visualization using data from spatio-temporally referenced prevalence surveys
在本文中,我们提出了一般原则,并制定地统计学方法的时空参考流行调查的数据分析。我们的目标是提供一个教程指南,可以用来确定简约的地质统计模型的流行率映射。提出了一种通用的基于变差图的蒙特卡罗方法来检验模型假设的有效性。我们描述和对比基于似然和贝叶斯推理方法,显示如何考虑参数的不确定性下的两个范例。我们还描述了扩展的标准模型的疾病患病率,可以使用时的时空协方差函数的平稳性不支持的数据。我们讨论了如何定义预测目标,并认为,发病概率提供了一个最有效的方式来传达流行率估计的不确定性。我们描述了统计软件,通过交互式动画的流行率的时空预测总结的可视化。最后,我们说明了1905年至2014年在塞内加尔进行的1334次调查的历史疟疾流行率数据的应用。
2018-02-18 stat.ME
Using prior information to identify boundaries in disease risk maps
疾病地图显示疾病风险的空间模式,以便识别高风险集群。风险图中的空间结构通常由一组随机效应表示,这些效应是用条件自回归(CAR)先验建模的。这样的先验包括一个全局空间平滑参数,而真正的风险表面很可能包括平滑演变的区域以及不连续性,后者被称为风险边界。因此,本文提出了一种扩展类的CAR先验,它可以识别两个区域的局部空间平滑和风险边界。然而,允许这种局部平滑需要大量的相关参数进行估计,这是不太可能从数据中很好地识别。为了解决这个问题,我们建议引出一个信息先验的位置,这样的边界,它可以与数据的信息相结合,以提供更精确的后验推理。我们通过模拟测试我们的方法,然后将其应用于苏格兰大格拉斯哥的急诊入院风险的研究。
2012-08-24 stat.AP stat.ME
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
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 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
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
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 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
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
Kalman Filtering and Smoothing for Improving Precision in Horvitz--Thompson Estimation of Infectious Disease Prevalence
The Ohio State University(俄亥俄州立大学);Uppsala University(乌普萨拉大学)
针对Horvitz--Thompson患病率估计的噪声与缺失问题,提出联合局部线性趋势状态空间模型,利用卡尔曼滤波与平滑提高精度,并在模拟和真实数据中验证了效果。
2026-09-10 stat.AP 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
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
Smoothing Out Sticking Points: Sampling from Discrete-Continuous Mixtures with Dynamical Monte Carlo by Mapping Discrete Mass into a Latent Universe
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出通过将离散质量映射到潜在宇宙,改进动态蒙特卡洛方法以高效处理spike-and-slab先验下的后验推断。
2026-03-04 stat.CO 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
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
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
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
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
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
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
Reliable event rates for disease mapping
在分析空间参照事件数据时,宣布速率为“可靠”的标准仍然是一个有争议的问题。然而,这些不同的标准有一个共同点,即在小面积分析环境中,它们很少满足粗略估计,这促使人们使用空间模型来提高可靠性。虽然合理,但最近的工作量化了空间统计学文献中流行的模型在多大程度上可以压倒数据中包含的信息,导致过度平滑。在这里,我们首先提供了一个定义的“可靠”的估计事件发生率,可用于原油和基于模型的估计,并允许离散和连续的可靠性声明。然后,我们构建了一个空间贝叶斯框架,允许用户将先验信息注入到他们的模型中,以提高可靠性,同时也防止过度平滑。我们将我们的方法应用于宾夕法尼亚州的县级出生数据,突出了空间模型中过度平滑的影响,以及我们的方法如何使用户能够更好地将注意力集中在存在足够数据以推动推理决策的领域。最后,我们简要讨论了如何在小面积研究的设计中使用可靠性的定义。
2023-02-09 stat.AP stat.ME
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
Fast Covariance Estimation for Multivariate Sparse Functional Data
协方差估计在多元函数数据分析中是必不可少的,但还不成熟。提出了一种基于二元惩罚样条的多元稀疏函数数据协方差快速估计方法。所提出的方法的张量积B样条制定一个简单的谱分解相关的协方差算子和显式表达式的特征函数的线性组合的B样条基地,从而大大方便了随后的主成分分析。我们推导出一个快速算法,用于选择平滑参数的协方差平滑使用留一主题交叉验证。该方法通过广泛的数值研究进行评估,并应用于具有多个纵向结果的阿尔茨海默病研究。
2019-06-09 stat.CO stat.ME
A novel smoothing-based goodness-of-fit test of covariance for multivariate sparse functional data
本文提出一种基于平滑的多元稀疏函数型数据协方差拟合优度检验,扩展单变量检验并引入多元统计量,提高功效,应用于ADNI和PPMI数据验证实用性。
2025-03-27 stat.AP 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
Space-time smoothing models for sub-national measles routine immunization coverage estimation with complex survey data
针对亚国家级常规免疫覆盖率估计问题,提出一种利用复杂调查数据并整合补充免疫活动信息的时空平滑模型,用于尼日利亚MCV1覆盖率估计,可高效实现。
2020-07-07 stat.AP 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
Mapping beyond diseases: Controlled variable selection for secondary phenotypes using tilted knockoffs
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Semel Institute for Neuroscience and Human Behavior, University of California Los Angeles(加州大学洛杉矶分校塞梅尔神经科学与人类行为研究所);Department of Psychology, University of California Los Angeles(加州大学洛杉矶分校心理学系);Universidad de Antioquia(安蒂奥基亚大学);Stanford University(斯坦福大学)
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