基于部分验证口述死亡病例的分层潜类模型用于死亡监测
统计方法学
2025-06-17 v3 应用统计
摘要
监控死亡原因数据是理解疾病负担和公共卫生干预效果的重要部分。口述死亡病例(VA)是收集医院之外死亡信息的一种既定方法，通过对逝者亲属进行访谈来获取信息。在资源匮乏的地区，VA通常是死亡原因监测的唯一工具。当前VA分析实践的关键局限性在于，所有算法都需要依赖关于症状-原因关系的领域知识，或需要大量标记数据集进行模型训练。因此，他们难以在公共卫生紧急情况期间被采用，当新疾病出现且流行病学模式快速演变时。本文我们考虑估计因 emerging 疾病导致的死亡比例。我们开发了一种新型贝叶斯框架，使用分层潜类模型来 accounts for 死亡原因验证过程的 informative 特征。我们的模型灵活地捕获症状的联合分布以及它们在不同亚人群中随时间的变化。我们还提出了结构化先验，以提高小亚人群中 cause-specific 死亡估计的精度。我们的方法灵感来自对 low-resource 环境中COVID-19相关死亡的死亡监测。我们将该方法应用于一个包含2021年巴西疑似COVID-19相关死亡的数据集。
引用
@article{arxiv.2410.09274,
title = {Hierarchical Latent Class Models for Mortality Surveillance Using Partially Verified Verbal Autopsies},
author = {Yu Zhu and Zehang Richard Li},
journal= {arXiv preprint arXiv:2410.09274},
year = {2025}
}