用于检测疾病制图中潜在异常点的时空模型

时空疾病制图模型通常用于估计疾病随时间及跨区域的相对风险。对于每个区域和时间点，疾病计数采用 Poisson 分布建模，其均值是偏移量与疾病相对风险的乘积。该相对风险通常在 log 尺度上分解为固定效应与潜在效应之和。Rushworth 模型允许随机效应存在时空自相关。我们在 Rushworth 模型的基础上进行构建，以在考虑固定效应后，识别并适应疾病相对风险演变方面可能存在异常的区域。一个区域可能在某些时间点表现出异常行为，但并非在所有时间点均如此。在每个时间点，我们假设潜在效应具有空间结构，并在精度矩阵中引入缩放参数，以允许重尾分布。我们考虑了缩放参数的两种先验设定：一种是空间上独立的，另一种具有空间自相关性。我们通过模拟研究探讨了所提模型不同先验设定的性能，并分析了第二波疫情期间 Montreal 33个行政区与法国96个省的 COVID-19 周度病例数演变。在 Montreal，发现6个行政区可能为异常点。在法国，具有空间结构缩放参数的模型识别出21个省为潜在异常点。我们发现这些省往往彼此邻近，且位于共同的法国大区内。