死亡聚类的贝叶斯映射

疾病地图学分析特定领土内几种疾病结局的分布。主要目标包括识别死亡率出现意外变化的地区、研究多种疾病之间的关系，以及根据观察到的疾病发生率或死亡率将分析区域划分为聚类区。本文聚焦于检测死亡聚类，这类聚类发生在领土内相邻区域因一种或多种疾病而 exhibit similar mortality levels。当同时检查多种死亡原因时，既要识别聚类的空间边界，也要确定导致其形成的疾病。然而，现有文献中的方法难以有效且同时解决这一双重问题。为克服这些限制，我们引入 Perla—a 一个多变量贝叶斯模型，通过对多种死亡原因的观察死亡率，同时利用外部协变量的信息，将领土区域按死亡率进行聚类。该模型通过利用多项分布的 stick-breaking 表述，直接将数据空间结构纳入聚类概率中。此外，它运用合适的全局-局部收缩先验，确保聚类检测仅依赖于死亡率出现具体增加或减少的疾病，而排除无信息疾病。我们提出一种 MCMC 算法进行后推断，其几乎所有模型参数都采用闭形式的 Gibbs 抽样。为展示方法论的灵活性和有效性，我们用一系列模拟实验和两个大型案例研究来验证 Perla。