疾病制图中的离散与连续域模型比较
应用统计
2019-12-02 v2
摘要
疾病制图的主要目标是估计疾病风险并识别高风险区域。此类分析受到可用数据地理分辨率有限的限制。通常可用数据为各空间单元上的计数，常用方法是 Besag–York–Mollé (BYM) 模型。当存在精确地理编码时，使用对数高斯 Cox 过程（Log-Gaussian Cox processes, LGCPs）更为自然。在一项模拟瑞士苏黎世州所有儿童实际居住位置、模仿儿童白血病发病率的模拟研究中，我们比较了这些模型恢复风险面与识别高风险区域的能力。随后我们将两种方法应用于 1985–2015 年苏黎世州儿童白血病发病率的实际数据。我们发现，在几乎所有考虑的场景中，LGCPs 均优于 BYM 模型。我们的结果表明，在空间流行病学中使用 LGCPs 可带来重要收益。
引用
@article{arxiv.1808.04765,
title = {Discrete versus continuous domain models for disease mapping},
author = {Garyfallos Konstantinoudis and Dominic Schuhmacher and Håvard Rue and Ben Spycher},
journal= {arXiv preprint arXiv:1808.04765},
year = {2019}
}
备注
28 pages, 4 figures, 2 Tables