用于热带气旋流行病学的因果-预测集成机器学习模型
应用统计
2020-10-23 v1 统计方法学
摘要
战略 preparedness（防灾准备）已被证明可减轻飓风与热带风暴（统称热带气旋，TCs）的不利健康影响，但若能对 TC 流行病学进行更全面且严谨的刻画，其保护效果尚可增强。为生成高精度 TC 防灾所需的洞见与工具，我们开发并应用一种新颖的贝叶斯机器学习方法，该方法标准化估计历史 TC 健康影响、发现这些健康影响中的共性模式与异质性来源，并能够识别未来 TCs 中健康风险最高的社区。该模型集成了（1）一个因果推断组件，用于在高空间分辨率下量化近期历史 TCs 的直接健康影响；（2）一个预测组件，捕捉 TC 气象特征与受影响社区的社会经济/人口统计学特征如何与健康影响相关联。我们将其应用于一个包含详细历史 TC 暴露信息与医疗保险（Medicare）索赔数据的丰富数据平台。我们分析中所用的健康结局为全因死亡率以及心血管与呼吸系统相关住院。我们报告了历史 TCs 急性健康影响在 TC 层面与社区层面的高度异质性，平均而言在 TCs surrounding（前后）两周内呼吸系统住院大幅增加。TC 持续风速被发现是死亡率与呼吸系统风险增加的主要驱动因素。我们的建模方法在预测多种极端气候事件健康影响方面具有更广泛的效用。
引用
@article{arxiv.2010.11330,
title = {Integrated causal-predictive machine learning models for tropical cyclone epidemiology},
author = {Rachel C. Nethery and Nina Katz-Christy and Marianthi-Anna Kioumourtzoglou and Robbie M. Parks and Andrea Schumacher and G. Brooke Anderson},
journal= {arXiv preprint arXiv:2010.11330},
year = {2020}
}