基于因子映射的高维营养数据的贝叶斯非参数因果推断

饮食在健康中发挥关键作用，理解饮食模式的因果效应对于制定公共卫生政策和个性化营养策略至关重要。然而，营养流行病学中的因果推断面临多个挑战：(i) 食物/营养摄入数据高度维度化和相关，导致大量治疗水平；(ii) 营养研究关注潜在饮食模式而非单个食物；(iii) 目标是估计这些饮食模式对健康结果的异质性因果效应。我们通过引入一个精细化的暴露映射框架，通过因子分析降低高维治疗空间，从而识别饮食模式。我们还扩展了贝叶斯因果森林，以适应三个有序的暴露层次，更好地捕捉营养数据的复杂结构，实现对异质性因果效应的估计。我们通过大量模拟和应用到美国居住在美国的西班牙裔/拉美裔成年人群的多中心流行病学研究来评估所提出的方法。利用高维饮食数据，我们识别出六种饮食模式并估计其与两个关键健康风险因素——体质指数和空腹胰岛素水平——的因果关系。我们的发现表明，植物脂肪抗氧化物、植物性、动物蛋白和乳制品模式的更高摄入与降低风险相关。