贝叶斯疾病制图中的聚类识别
应用统计
2013-11-05 v1
摘要
疾病制图是空间流行病学的一个领域，关注估计个区域单元上疾病风险的空间模式。一个目标是识别出表现出升高疾病风险的区域，以便进行公共卫生干预。为此使用了具有空间平滑条件自回归先验的贝叶斯分层模型，但这些模型无法识别高风险聚类的空间范围。因此，我们提出了一个两阶段解决方案：第一阶段是空间调整的分层凝聚聚类算法。该算法应用于研究期之前的数据，并为疾病数据生成个潜在的聚类结构。第二阶段对每个聚类结构的研究数据拟合一个单独的泊松对数线性模型，该模型允许在两个聚类相遇处出现风险的阶跃变化。通过模型比较技术，特别是最小化偏差信息准则，选择最合适的聚类结构。通过模拟研究验证了该方法的有效性，并通过苏格兰格拉斯哥的呼吸系统疾病风险研究进行了说明。
引用
@article{arxiv.1311.0660,
title = {Identifying Clusters in Bayesian Disease Mapping},
author = {Craig Anderson and Duncan Lee and Nema Dean},
journal= {arXiv preprint arXiv:1311.0660},
year = {2013}
}