Bayesian local clustering of age-period mortality surfaces across multiple countries
Bocconi University(博科尼大学);University of Padova(帕多瓦大学)
提出一种新的多国对数死亡率贝叶斯模型,利用B样条展开和时间依赖随机划分先验编码国家间局部聚类模式,结合Gibbs采样器实现后验推断,揭示了14国死亡率数据中已知与未知的人口趋势。
2026-10-28 stat.AP stat.ME
Mortality cohort effect detection and measurement based on differential geometry
本文分析了出生年份的死亡队列效应,提出了一种识别和度量死亡率数据中队列效应的方法。该方法是基于微分几何,并导致一个明确的结果,可以描述如何强大的队列效应是在任何时期。这一定量测量为比较不同国家或群体之间的群组效应提供了可能性。本文还建议使用变异系数作为衡量一个国家整体队列效应的指标。以几个国家的数据为例,说明我们的方法和结果。
2015-04-02 stat.AP
Estimating Global and Country-Specific Excess Mortality During the COVID-19 Pandemic
估计COVID-19对世界上每个国家的真实死亡负担是一项困难但至关重要的公共卫生工作。将死亡直接或间接归因于COVID-19是有问题的。一个更容易实现的目标是“超额死亡”,即特定时期的死亡人数相对于“正常时期”的预期死亡人数,我们在2020年和2021年的月度时间尺度上对所有国家进行了估计。超额死亡率需要两个数字,总死亡人数和预期死亡人数,但许多国家无法获得前者,因此需要对这些国家进行建模。预期死亡人数是基于历史数据,我们开发了一个模型,用于为所有国家生成预期估计值,并且在计算超额时,我们考虑到模型预期数字的不确定性。我们描述了为产生世界卫生组织(WHO)超额死亡估计数而开发的方法。为了实现可解释性和透明性,我们开发了一个相对简单的过度分散泊松计数框架,在该框架内可以对各种数据类型进行建模。我们使用有国家月度数据的国家的数据,为没有数据的国家建立一个具有时变系数的预测性对数线性回归模型。对于一些国家来说,只有国家以下一级的数据,我们为这些数据构建了一个多项模型,基于以下假设:随着时间的推移,次区域的死亡比例大致保持不变。根据我们的建模,2020-2021年全球超额死亡率的点估计值为1490万,95%可信区间为(1330,1660)万。这导致超额死亡人数与报告的COVID-19死亡人数之比的点估计值为2. 75,这是一个巨大的差异。
2022-05-18 stat.AP stat.ME
A Flexible Bayesian Model for Estimating Subnational Mortality
在国家以下一级进行可靠的死亡率估计,对于研究一个国家内的健康不平等现象至关重要。编制这种估计数的困难之一是人口较少,死亡人数的随机变化相对较大,因此基本的死亡率水平不清楚。我们提出了一个贝叶斯层次模型来估计在国家以下一级的死亡率。该模型建立在死亡率曲线的特征年龄模式上,死亡率曲线是使用一组参考死亡率曲线的主成分构建的。关于死亡率的信息在地理空间上被汇总,并随着时间的推移而平滑。该模型的测试表明,合理的估计和不确定性水平时,该模型被应用到模拟数据,模仿美国县,和法国部门的真实数据。该模型产生的估计数可直接应用于研究次区域保健模式和差距。
2016-07-12 stat.AP
Latent Spatial Heterogeneity in U.S. Cancer Mortality: A Multi-Site Clustering and Spatial Autocorrelation Analysis
本研究针对1999-2021年美国各州癌症死亡率,通过多变量聚类(马氏距离)、空间自相关分析(全局莫兰指数、LISA)及Getis-Ord统计量,揭示癌症死亡的空间异质性与热点,为靶向预防提供依据。
2025-08-17 stat.AP
Bayesian Modelling of Lexis Mortality Data
在这项工作中,我们提出了一个空间的方法来建模和调查死亡率数据引用的Lexis结构。我们分解成两个可解释的组成部分的死亡率的力量:马尔可夫随机场,光滑的时间,年龄和队列,解释了主要的死亡率模式;和一个次要的组成部分,独立的冲击,占额外的非光滑死亡率。推理是基于分层贝叶斯方法与马尔可夫链蒙特卡罗计算。我们提出了一个广泛的应用程序,从人类死亡率数据库的数据约37个国家。对于每个国家,估计了额外死亡率的主要平滑面和次要面。通过各精密度参数的估计值评价各组分的重要性。对于几个国家,我们发现了一个带的额外死亡率在整个时间域的二级表面,在60和90岁之间的年龄间隔,具有轻微的正斜率。该带在人口最多的国家很重要,但也可能存在于其他国家。该带代表老年人口的大量额外死亡率,否则与年龄、年份和群组的规律和平稳动态不相容。
2018-10-22 stat.AP
Functional Clustering for Longitudinal Associations between Social Determinants of Health and Stroke Mortality in the US
提出一种带正则化期望最大化的功能聚类方法,分析美国各县健康社会决定因素与中风死亡率的纵向关联,识别出18个关键因素并将各县划分为两个聚类,揭示了区域异质性。
2025-02-01 stat.AP stat.ME
Summarising mortality data with a time-dependent beta latent variable model
本文提出时间依赖的贝塔潜在变量模型,用于无需数据转换的死亡数据总结,通过自回归先验实现时间依赖性建模,展示模型在死亡概率数据上的有效性。
2026-03-27 stat.AP
Modeling Structure and Country-specific Heterogeneity in Misclassification Matrices of Verbal Autopsy-based Cause of Death Classifiers
针对VA-calibration跨国汇总错误分类矩阵的同质性假设问题,本文提出含内在准确性与系统性偏好的可识别国家特定建模框架,并用收缩先验估计6国VA错误分类率。
2023-12-05 stat.AP stat.ME
Separating the signal from the noise: Evidence for deceleration in old-age death rates
普遍的人口老龄化使得了解老年死亡率变得至关重要。然而,研究老年人的死亡率具有挑战性,因为数据稀少:随着年龄的增长,幸存者和死亡人数越来越少。我们展示了如何通过使用原则性的模型选择技术来经验性地评估理论死亡率模型来应对这一挑战。我们测试了九种不同的老年死亡率理论模型,将它们拟合到360个关于80岁以上队列死亡率的高质量数据集。考虑到死亡率可能下降的模型往往比假设死亡率呈指数增长的模型拟合得更好。没有一个单一的模型能够普遍解释观察到的老年死亡率模式,但对数二次模型最一致的预测。模型拟合的模式因国家和性别而异;我们讨论了可能的机制,包括样本量、时期效应和区域或文化因素,这些因素可能是理解老年死亡率模式的重要关键。我们引入了一个免费的R包,使研究人员能够将我们的分析扩展到其他模型,年龄范围和数据源。
2018-03-28 stat.AP
A Survival Framework for Estimating Child Mortality Rates using Multiple Data Types
University of Washington(华盛顿大学);Macalester College(玛凯斯特学院)
本文提出了一种贝叶斯生存框架,通过整合多种数据类型,以单个模型估计儿童生存概率随年龄和时间的变化,提供更全面的生存曲线。
2026-01-28 stat.AP
Global estimation of child mortality using a Bayesian B-spline Bias-reduction model
5岁以下儿童死亡率估计数用于跟踪降低儿童死亡率方面的进展,并评价各国在实现千年发展目标4方面的业绩。然而,对于大多数没有运作良好的生命登记系统的发展中国家来说,由于数据有限和数据质量问题,估计5岁以下儿童死亡率具有挑战性。我们描述了一个贝叶斯惩罚B-样条回归模型,用于评估世界上所有国家的五岁以下儿童死亡率水平和趋势,通过纳入一个多层次模型来估计数据系列中的偏差,以改善目前方法的局限性。B样条平滑参数也估计通过多水平模型。改进的样条外推法是通过将样条系数中具体国家变化的后验预测分布与全球一级观察到的变化进行对数合并而获得的。该模型能够灵活地捕捉五岁以下幼儿死亡率随时间的变化,给出反映数据系列中潜在偏差的点估计数和可信区间,并在样本外验证活动中表现相当不错。联合国儿童死亡率估算机构间小组已接受这一方法,以生成所有成员国的估算数。
2015-01-19 stat.AP
Mortality modeling at old-age: a mixture model approach
本文提出了一种新的方法来建模70岁以上的死亡率,提出了一个基于混合模型。该模型与其他四种广泛使用的模型进行了比较:Beard,Gompertz,Makeham和Perks模型。我们的模型可以捕捉所有年龄段死亡率的复杂行为,提供更准确的数据表示。为了评估模型的性能,我们将其应用于两个数据质量不同的国家:日本和巴西。我们的研究结果表明,该模型优于其他模型在这两个国家,特别是在日本,它获得了一个绝对平均百分比误差小于7%,而其他模型提出的值大于30%。这突出了我们的模型适应不同数据质量和国家特定死亡率模式的能力。总之,本文提出了一种基于混合的模型,该模型捕捉了所有年龄段的死亡率行为,并且在高质量和低质量数据设置中优于其他广泛使用的模型。该模型可以改善死亡率预测并为公共卫生政策提供信息。
2023-01-17 stat.AP stat.OT
A Bayesian approach to the global estimation of maternal mortality
产妇死亡率的定义是每100 000名活产婴儿中的产妇死亡人数。联合国孕产妇死亡率估计机构间小组定期公布具体国家的孕产妇死亡率估计数,以跟踪减少孕产妇死亡方面的进展,并评估与千年发展目标5有关的区域和国家绩效,该目标要求在1990年至2015年期间将孕产妇死亡率降低75%。直到2014年,联合国MMEIG使用多层次回归模型为没有足够数据的国家提供估计。虽然这一模式过去在评估数据有限的国家的孕产妇死亡率水平方面运作良好,但对于已经有较长时间序列观察数据的国家而言,这一模式在千年发展目标5的最终报告方面被认为不能令人满意,因为从结构上看,孕产妇死亡率的估计趋势仅由协变量驱动,不一定跟踪数据驱动的趋势。我们开发了一个贝叶斯孕产妇死亡率估计模型,它扩展了UN MMEIG多水平回归模型。新模型通过纳入ARIMA时间序列模型来评估数据驱动的趋势,该模型捕捉产妇死亡率变化率的加速和减速。不同的报告和数据质量问题在特定于源的数据模型中得到考虑。修订后的模型提供了孕产妇死亡率水平和趋势的数据驱动估计数,将用于所有国家的千年发展目标5报告。
2015-11-10 stat.AP
Mortality and life expectancy forecasting for a group of populations in developed countries: A multilevel functional data method
在拥有高质量人口动态登记系统的发达国家,采用多级函数数据方法预测两个或两个以上人口的年龄别死亡率。它使用多层次的功能主成分分析的总体和特定群体的数据,提取的共同趋势和特定群体的残差趋势之间的群体。如果特定人群的残差趋势的预测没有显示出长期趋势,则可能实现预测的收敛。该方法首先适用于英国的年龄和性别特定的数据,其预测精度,然后进一步比较与现有的几种方法,包括独立的功能数据和产品比率的方法,通过多国比较。所提出的方法也证明了年龄,性别和国家的具体数据在澳大利亚,在预测的收敛可能会实现性别和国家。对于年龄别死亡率的预测,多水平函数数据方法比其他相关方法更准确。在预测女性出生时预期寿命时,多水平函数数据方法优于\cite{RLG14}的贝叶斯方法。对于男性出生时预期寿命的预测,多水平函数数据方法在点预测方面优于贝叶斯方法,但在区间预测方面则不如贝叶斯方法。本文的补充材料可在网上查阅。
2016-06-16 stat.AP
Identification of COVID-19 mortality patterns in Brazil by a functional QR decomposition analysis
应用线性代数的子集选择问题来识别巴西境内COVID-19演变的独立模式。数据包括一组死亡率曲线在巴西各州。最独立的曲线的一个子集被选择通过使用QR矩阵分解技术与列旋转的功能版本。所选子集接下来用作表示滤除任何数据冗余的剩余曲线的基础。对于每个独立的曲线,定义了相关的流行病学影响区域。结果表明,两个主要的独立曲线具有相似的双峰模式和模式之间的50天的移动。接下来确定了两个主要的流行区:一个包括从中部和东北部各州到南部的大部分国家,另一个包括西北部的亚马逊地区。
2022-03-18 q-bio.PE stat.AP
Clustering and Forecasting Multiple Functional Time Series
对多个国家的同质年龄别死亡率进行建模和预测,可以改善长期预测。输入联合模型的数据通常根据名义属性进行分组,例如地理区域,种族群体和社会经济地位,这可能仍然包含异质性并使预测结果恶化。本文提出了一种新的聚类技术,追求多个功能时间序列之间的同质性的基础上功能面板数据模型来解决这个问题。利用固定效应的功能面板数据模型,我们可以提取共同的功能时间序列特征。这些共同特征可以分解为两个组成部分:功能的时间趋势和功能的变化模式(功能模式)。功能时间趋势反映了一段时间内的动态变化,而功能模式则反映了曲线内的波动。所提出的聚类方法通过考虑曲线之间的变化模式和时间动态来搜索多个国家的同质年龄别死亡率。我们证明了所提出的聚类技术优于其他现有的方法,通过蒙特卡罗模拟,可以处理复杂的情况下,缓慢衰减的特征值。在实证数据分析中,我们发现年龄别死亡率的聚类结果可以通过地理区域、种族群体和社会经济地位的组合来解释。我们进一步表明,我们的模型产生更准确的预测比几个基准方法在预测特定年龄的死亡率。
2022-01-04 stat.AP stat.ME
Gradient boosted multi-population mortality modelling with high-frequency data
Department of Economics, University of Melbourne(墨尔本大学经济学系)
本文提出一种将梯度提升技术融入传统随机死亡率模型的多群体方法,利用高频死亡数据提升预测精度,通过聚类分析优化子群体选择,减少数据预处理需求。
2026-05-13 stat.AP stat.ME
Detecting interpolation errors in infant mortality counts in 20th Century England and Wales
Lancaster University(兰卡斯特大学)
本文提出了一种新的转折点方法,用于检测历史婴儿死亡率数据中插值误差,以提高数据分析的准确性。
2026-01-22 stat.AP
Applications of Clustering with Mixed Type Data in Life Insurance
死亡抚恤金通常是影响寿险公司财务报表的最大现金流项目,其中一些寿险公司仍然没有系统的流程来跟踪和监测死亡索赔经验。在本文中,我们将探讨数据聚类,以检查和了解实际死亡索赔与预期的差异,这是开发风险管理关键监控系统的早期阶段。我们扩展了$k$原型聚类算法得出的推论,从人寿保险数据集只使用被保险人的特征和政策信息,而不考虑已知的死亡率。这种聚类具有有效处理分类、数值和空间属性的特性。使用间隙统计,从算法中获得的最优聚类,然后使用比较实际的预期死亡索赔经验的寿险投资组合。我们的经验数据包含观察,在2014年期间,约114万张保单,总保险金额超过6500亿美元。对于这个投资组合,该算法产生了三个自然集群,每个集群的实际死亡索赔低于预期,但具有不同的可变性。分析结果为管理层提供了一个过程,以识别保单持有人的属性,主导重大死亡率偏差,从而提高决策采取必要的行动。
2021-01-26 stat.AP
Estimating the Stillbirth Rate for 195 Countries Using A Bayesian Sparse Regression Model with Temporal Smoothing
对全球死产率的估计是复杂的,因为缺乏来自死产发生最多的国家的可靠数据。我们汇编了数据,并开发了贝叶斯分层时间稀疏回归模型,用于估计2000年至2019年所有国家的死产率。该模型将协变量与时间平滑过程相结合,以便在具有高质量数据的国家时期进行数据驱动的估计,并在数据有限或没有数据的国家时期由协变量确定。马蹄铁先验是用来鼓励稀疏。该模型调整观察与其他死产的定义和帐户的偏差,受非抽样误差的观察。样本内拟合优度和样本外验证结果表明,该模型是相当好的校准。联合国儿童死亡率估算机构间小组使用该模型来监测所有国家的死产率。
2020-10-07 stat.AP
A Bayesian approach to estimate the completeness of death registration
本研究提出带GL先验的分层贝叶斯线性混合模型,基于GBD 2019数据集估计多层面死亡登记完整性,可提升参数估计与预测精度,并以哥伦比亚各省数据验证了方法有效性。
2023-10-03 math.ST stat.AP stat.TH
Bayesian Profile Regression using Variational Inference to Identify Clusters of Multiple Long-Term Conditions Conditioning on Mortality in Population-Scale Data
Health Data Research UK, Swansea University Medical School, Swansea University(英国健康数据研究中心,斯旺西大学医学院,斯旺西大学);Department of Statistics, University of Warwick(华威大学统计系);Department of Pharmacology and Therapeutics, University of Liverpool(利物浦大学药理学与治疗学系);Division of Cancer and Genetics, Cardiff University(卡迪夫大学癌症与遗传学部)
本研究利用变分推断的贝叶斯轮廓回归方法,在大规模人口数据中识别与死亡率相关的多种长期疾病聚类,展示了该方法在处理大规模数据时的高效性和准确性。
2026-02-27 stat.AP
Analyzing Cause-Specific Mortality Trends using Compositional Functional Data Analysis
我们研究的动态原因-特异性死亡率在国家之间考虑他们的功能组成。我们开发了一个新的框架,这样的数据结构,特别注意功能PCA。应用这种方法的一个子集的世界卫生组织死亡率数据库揭示了主要模式的变化的原因-特异性率多年来为男性和女性,使我们能够在预测的子空间进行聚类。结果给出了许多见解的持续趋势,只有部分解释过去的文献,认为国家正在经历。我们还能够显示男性和女性死亡原因的不同演变:例如,我们可以看到,虽然男性肺癌发病率稳定,但女性的发病率仍在上升。
2020-07-31 stat.AP stat.ME
The shapes of an epidemic: using Functional Data Analysis to characterize COVID-19 in Italy
我们调查了20个意大利地区的COVID-19死亡率模式及其与流动性,积极性以及社会人口,基础设施和环境协变量的关系。尽管从公共来源获得的数据在准确性和分辨率方面存在局限性,但我们利用函数数据分析技术在曲线和形状中利用信息来确定重要趋势。这些描述了两种截然不同的流行病;在伦巴第和北部受灾最严重的地区呈现出“指数”趋势,而在该国其他地区(包括威尼托,那里的病例与伦巴第同时出现,但早期实施了积极的检测)则较为温和,“平坦(缓和)”。我们发现,在控制相关协变量时,流动性和阳性可以预测COVID-19死亡率。在后者中,初级保健似乎可以降低死亡率,而医院、学校和工作场所的接触则会加剧死亡率。如果将我们所描述的技术应用于更丰富的数据,它可以捕获更多的、可能更清晰的信号。
2020-08-11 physics.soc-ph stat.AP
Contrasting pre-vaccine COVID-19 waves in Italy through Functional Data Analysis
IBM Research Europe(IBM 欧洲研究院);Penn State University(宾夕法尼亚州立大学);Sant’Anna School of Advanced Studies(圣安娜高等研究学院);Université Laval(拉瓦尔大学);CHU de Québec – Université Laval Research Center(魁北克大学医院研究中心)
本文通过功能数据分析对比意大利接种疫苗前新冠流行病第一和第二波的死亡模式,发现第二波传播更广泛且不一致,并验证了及时限制措施对减少死亡的有效性。
2023-07-19 physics.soc-ph stat.AP
Estimation and extrapolation of time trends in registry data---Borrowing strength from related populations
为了分析和预测年龄别死亡率或发病率,年龄期队列(APC)模型非常流行。贝叶斯方法通过将平滑先验分配给年龄、时期和队列效应来促进估计和改善预测。使用额外的随机效应可以直接调整过度分散。当比率进一步分层时,例如,按国家,可以使用多变量APC模型,其中层特异性效应的差异可解释为对数相对风险。在这里,我们将相关的层特定的平滑先验和相关的过度分散参数的多变量APC模型,并使用马尔可夫链蒙特卡罗和集成嵌套拉普拉斯近似的推理。与没有相关性的模型相比,新方法可能会导致更精确的相对风险估计,如英格兰和威尔士三个地区慢性阻塞性肺疾病死亡率的应用所示。此外,可以改进对一个特定层的缺失数据的插补,因为新方法利用了剩余层,如果那里有相应的观察结果的话。这一点在20世纪丹麦、瑞典和挪威女性死亡率的应用中得到了证明,在该应用中,我们依次将每个国家的前半部分或后半部分的观察结果视为缺失,然后对遗漏的数据进行插补。的预测进行比较,从一个单变量APC模型和扩展的李-卡特人口预测方法使用适当的Dawid--Basttiani评分规则。
2012-03-20 stat.AP
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
Reinterpreting Economic Complexity: A co-clustering approach
本研究针对经济与产品复杂度指数解读存在分歧的问题,基于谱聚类最新进展证明两类指数可同时识别国家-产品联合聚类,调和了谱聚类解读与原始反射法的矛盾,拓展了复杂度指标的经济学应用场景。
2024-06-23 econ.GN q-fin.EC stat.AP
Rethinking Case Fatality Ratios for COVID-19 from a data-driven viewpoint
COVID-19的病死率(CFR)难以估计。一个困难是由于忽视或高估了报告和死亡之间的时间延迟。我们声称,所有这些导致大的错误和人为的CFR的时间依赖性。我们发现,对于每个国家,报告病例和死亡之间的时滞与时间的关系都有一个独特的值,这使得它们之间的最佳相关性是一个特定的意义。我们发现,由此产生的校正CFR(死亡人数按时间滞后向后移动,除以病例数)实际上在许多个月内是恒定的,对于许多国家来说,而且对于整个世界来说。每个国家的最佳时滞和恒定CFR可以通过简单的数据驱动算法找到。传统的CFR(忽略时间滞后)是虚假的时间依赖性和它的演变是难以量化的。我们校正的CFR随着时间的推移而保持不变,因此是每个国家/地区大流行的重要指标,并且可以从早期数据中推断,有助于改善对COVID-19死亡率的早期估计。
2020-06-10 q-bio.PE stat.AP
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
State Drug Policy Effectiveness: Comparative Policy Analysis of Drug Overdose Mortality
Battelle Memorial Institute(巴特尔纪念研究所);Legal Sciences, LLC(法律科学有限责任公司)
阿片类药物过量率已达到流行病水平,国家一级的政策创新也随之而来,以防止过量死亡。国家一级的禁毒法是一套可能相互加强或削弱的政策,分析人员使用统计方法处理政策共线性的工具有限。本文使用了一种称为层次聚类的机器学习方法,通过将具有在给定时间生效的类似政策集的州分组在一起,以药物过量死亡为因变量,在50个州,10年中断的时间序列回归中进行分析,从而凭经验生成“政策束”。政策集群是从处方药滥用政策系统中按州和年份观察到的138个二项式变量中产生的。集群将策略减少到10个捆绑包。该方法允许对不同捆绑包的相对效果进行排名,并且是推荐最有可能成功的捆绑包的工具。这项研究表明,一套平衡药物辅助治疗,纳洛酮获取,好撒玛利亚人法律,药物辅助治疗,处方药监测计划和医用大麻合法化的政策导致过量死亡人数减少,但直到其生效的第二年。
2020-10-05 cs.LG econ.EM stat.AP
Dependence-based fuzzy clustering of functional time series
本文提出结合模糊C-medoids和模糊C-means与基于分位数自相关扩展的新型相异度度量的函数时间序列聚类方法,有效识别相似依赖结构并在模拟和实际数据中验证了高精度与实用性。
2025-04-02 stat.AP stat.ME
Learning trends of COVID-19 using semi-supervised clustering
有限混合模型用于从当前可用的冠状病毒(COVID-19)数据中了解趋势。本报告探讨了欧洲国家和美国的确诊COVID-19相关病例和死亡人数的数据。正等价约束的半监督聚类方法被用来将国家和国家的信息到模型中。使用多变量高斯非线性回归模型的混合物,结合使用广义逻辑函数指定的平均趋势,对病例率和死亡率的趋势进行分析。使用贝叶斯信息准则选择最佳聚类数。由此产生的集群提供了美国各州和欧洲国家采取的不同缓解策略的见解。所获得的结果有助于确定各个国家目前的相对地位,并显示如果它们继续采用所选择的缓解技术,可能的未来
2021-09-14 stat.AP stat.ME
A Bayesian Time-Varying SEIARD Model for State-Level COVID-19 Transmission and Mortality in the United States
John Carroll University(约翰卡罗尔大学)
本研究提出贝叶斯时变SEIARD模型,结合多源数据与聚类分析,揭示美国各州COVID-19流行的区域异质性,为医疗资源分配和公共卫生干预评估提供支持。
2026-08-21 math.PR stat.AP stat.CO
Semiparametric Bayesian Density Estimation with Disparate Data Sources: A Meta-Analysis of Global Childhood Undernutrition
营养不良,导致生长受限,并在这里使用身高年龄z分数量化,是儿童发病率和死亡率的重要因素。由于所有程度的轻度、中度和重度营养不良都具有临床和公共卫生重要性,因此估计z分数分布的形状是有意义的。我们提出了一个有限正态混合模型,该模型使用430万儿童的数据,对1985年至2011年期间世界141个低收入和中等收入国家5岁以下儿童的这些分布进行年度国别估计。我们纳入了个人水平的数据(如果可用),以及无法获得个人水平数据的研究的汇总汇总统计数据。我们将一个分层贝叶斯概率单位棒断裂模型的混合权重。该模型考虑到时间上的非线性变化,并在时间、协变量以及区域国家集群内部和之间借用力量,以在数据不确定、稀疏或缺失的情况下进行估计。这项工作解决了公共卫生监测和全球卫生监测领域经常出现的三个重要问题。首先,数据总是不完整的。其次,不同的数据源通常使用不同的报告指标。最后,分布,特别是它们的尾部,通常具有实质性的意义。
2014-06-29 stat.AP stat.ME
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
Public University of Navarre(纳瓦拉公立大学);Institute for Advanced Materials and Mathematics (INAMAT2)(先进材料与数学研究所)
本文提出多变量时空共享组件模型,用于在区域和国家层面预测癌症发病率,以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
Penalized Likelihood Optimization for Adaptive Neighborhood Clustering in Time-to-Event Data with Group-Level Heterogeneity
Politecnico di Milano(米兰理工大学);Human Technopole(人类技术极点研究所)
本文提出一种基于惩罚似然的框架,结合患者聚类与共享 frailty 生存建模,用于具有群体异质性的生存数据中的自适应邻域聚类。
2026-01-12 stat.AP stat.CO
On the use of multiple compartment epidemiological models to describe the dynamics of influenza in Europe
我们建立了一个多室易感-感染-传播(SIR)模型来分析几种传染病在不同地理区域的传播。此外,我们还提出了一个数据质量敏感的优化框架,用于将该模型拟合到观察到的数据。我们将该模型与欧洲$7$流感季节中六种流感毒株之一感染人数的时间曲线拟合。除了描述流感的时间和空间传播外,该模型还提供了对每个季节每种毒株的国家间和国家内感染率和恢复率的估计。我们发现,疾病参数保持相对稳定,相关性大于$0.5$的季节和污渍。通过推断的疾病参数对流感毒株进行聚类与基因组亚型一致。令人惊讶的是,我们的分析表明,国家间的人员流动在欧洲流感传播中的作用可以忽略不计。最后,我们表明,该模型可以估计疾病负荷的国家与贫困或不存在的数据,在邻近国家的疾病负荷。我们的研究结果揭示了流感传播机制和疾病参数的信息。这些可用于协助疾病监测和控制流感以及异源环境中的其他传染性病原体。
2019-06-18 physics.soc-ph q-bio.PE stat.AP
Contextual Phenotyping of Pediatric Sepsis Cohort Using Large Language Models
Department of Surgery, Duke university school of medicine(杜克大学医学学院外科部);Department of Anesthesiology, Duke university school of medicine(杜克大学医学学院麻醉科);Indian Institute of Technology, Goa(印度去邦理工学院);Institute for Global Health, BC Children’s Hospital and BC Women’s Hospital + Health Centre(全球健康研究所,BC儿童医院和BC妇女医院及健康中心);Department of Anesthesia, Pharmacology & Therapeutics, University of British Columbia(不列颠哥伦比亚大学麻醉学、药理学与治疗学系);BC Children’s Hospital Research Institute, BC Children’s Hospital(BC儿童医院研究学院,BC儿童医院);Department of Pediatrics, University of British Columbia(不列颠哥伦比亚大学儿科系);Walimu, Kampala, Uganda(乌干达坎帕拉沃尔imu);Department of Community Health, Mbarara University of Science and Technology(马巴拉拉大学科学与技术学院社区健康系)
本研究利用大语言模型对低收入国家儿科脓毒症患者数据进行情境表型聚类,通过文本序列化和嵌入生成,Stella-En-400M-V5获得最高轮廓系数0.86,优于传统方法,有助于资源受限环境下的个性化决策。
2025-05-14 cs.AI cs.CL cs.LG