分布滞后非线性模型混合以考虑空间异质的暴露-滞后-响应关联

环境暴露，如空气污染和极端温度，对人类健康的影响具有复杂性。这些影响通常表现为非线性的暴露-滞后-响应关系以及随时间的延迟性影响。准确捕捉这些动态对于为公共卫生干预提供信息至关重要。分布滞后非线性模型（Distributed Lag Non-Linear Model, DLNM）是一种灵活的统计框架，用于在流行病学研究中估计此类效应。然而，标准的DLNM实现通常假设研究区域内的暴露-滞后-响应关联是均匀的，忽略了潜在的空间异质性，这可能导致风险估计偏差。为此，我们引入DLNM-Clust：一种扩展传统DLNM的DLNM混合模型。在贝叶斯框架下，DLNM-Clust概率性地将每个地理单元分配给一个由$C$个潜在空间簇构成的簇，其中每个簇由独立的DLNM规范定义。该方法允许捕捉暴露-滞后-响应表面中的常见模式和单一偏差。我们采用比利时市镇级别的时间序列数据来演示该方法，探讨空气污染与新冠肺炎发病率之间的关系。我们的结果强调了在环境流行病学中采用空间感知建模策略的重要性，这有助于进行区域特定的风险评估，并支持制定针对性的公共卫生计划的制定。