[論文レビュー] A varying-coefficient model for characterizing duration-driven heterogeneity in flood-related health impacts

Sarika Aggarwal, Phillip B. Nicol+2 more|arXiv (Cornell University)|Jan 26, 2026

Agricultural risk and resilience被引用数 0

ひとこと要約

論文は、洪水曝露の影響が洪水の持続期間と曝露日によって変動することを推定する曝露持続期間変動係数モデル（EDVCM）を開発し、自己一致的な地域レベル設計の下でベイズ的ガウス過程正則化フレームワークを用いて推定し、 nationwide Medicare データ（2000–2016）に適用する。

ABSTRACT

Previous work revealed associations between flood exposure and adverse health outcomes during and in the aftermath of flood events. Floods are highly heterogeneous events, largely owing to vast differences in flood durations, i.e., flash-floods versus slow-moving floods. However, little to no work has incorporated exposure duration into the modeling of flood-related health impacts or has investigated duration-driven effect heterogeneity. To address this gap, we propose an exposure duration varying coefficient modeling (EDVCM) framework for estimating exposure day-specific health effects of consecutive-day environmental exposures that vary in duration. We develop the EDVCM within an area-level self-matched study design to eliminate time-invariant confounding followed by conditional Poisson regression modeling for exposure effect estimation and adjustment of time-varying confounders. Using a Bayesian framework, we introduce duration- and exposure day-specific exposure coefficients within the conditional Poisson model and assign them a two-dimensional Gaussian process prior to allow for sharing of information across both duration and exposure day. This approach enables highly-resolved insights into duration-driven effect heterogeneity while ensuring model stability through information sharing. Through simulations, we demonstrate that the EDVCM out-performs conventional approaches in terms of both effect estimation and uncertainty quantification. We apply the EDVCM to nationwide, multi-decade Medicare claims data linked with high-resolution flood exposure measures to investigate duration-driven heterogeneity in flood effects on musculoskeletal system disease hospitalizations.

研究の動機と目的

• 洪水関連の健康影響における持続期間駆動の異質性を動機づけて対処する。
• 持続期間と曝露日効果を同時にモデル化する変動係数モデリング枠組みを開発する。
• 安定した推定のために、ガウス過程事前分布を用いて持続期間と日の情報を共有する。
• 時間不変な交絡を制御するために地域レベルの自己一致設計内で実装する。
• 高解像度洪水曝露と連携したMedicareデータへ適用して異質効果を特徴づける。

提案手法

• 県庁日ごとの入院を strata 固有の切片で条件付けして多項分布尤度を得る Poisson 回帰を定式化する。
• 持続期間 d と日 t の係数 beta(d,t) およびラグ l の遅延効果 theta(d,l) を用いて曝露効果をモデル化する。ここで d と t（および l）は整数である。
• beta のベクトルに対して separable 乗積カーネルを用いる二次元ガウス過去分布 Priori を課す： Cov(beta(d,t), beta(d',t')) = sigma_beta^2 exp(-|d-d'|/phi) exp(-|t-t'|/tau)。
• 同様の GP Prior を遅延係数 theta(d,l) に対して、持続期間と遅延のカーネルで課す： Cov(theta(d,l), theta(d',l')) = sigma_theta^2 exp(-|d-d'|/gamma) exp(-|l-l'|/eta)。
• 弱情報的事前分布とハミルトニアンモンテカルロ法で事後分布をサンプリングし、事後平均と95%信用区間を報告する。
• 持続期間の効果を要約するために、共変量調整を適切に行いながら beta の指数を平均化した累積発生率比を提供する。

Figure 1 : County-level flood characteristics in the contiguous United States from 2000–2016 for the data application. Panel A shows the number of flood events by county and Panel B shows the average flood duration (in days) by county. State borders are shown in black while county borders are shown

実験結果

リサーチクエスチョン

• RQ1 洪水の影響は洪水の期間（持続期間）が長くなるほど変化するのか。
• RQ2 曝露の持続期間は曝露後の最も脆弱な窓（クリティカルウィンドウ）のタイミングを変えるのか。
• RQ3 洪水後のラグ効果は洪水の持続期間とどのように相互作用して健康アウトカムを形成するのか。
• RQ4 データが長い持続期間では sparse の場合、持続期間と日を横断して情報を共有して推定を安定化できるのか。
• RQ5 EDVCM は持続期間-日係数とその不確かさの推定において従来法と比べてどのような性能を発揮するのか。

主な発見

Duration	Cumulative rate ratio (95% CI)
1	0.96 (0.95, 0.98)
2	1.02 (0.95, 1.11)
3	1.04 (0.90, 1.19)
4	0.92 (0.78, 1.08)
5	0.91 (0.76, 1.07)
6	1.07 (0.92, 1.26)
7	1.08 (0.92, 1.28)
8	1.04 (0.90, 1.22)
9	1.04 (0.89, 1.23)
10	1.03 (0.89, 1.20)

• 筋骨格系入院では、持続期間が 6–9 日の洪水がより大きな悪影響を示し、6日間の洪水の最終日で最大効果（RR = 1.28, 95% CI 1.25–1.32）。
• 一部の短い期間では特定の日に保護的効果が観察され（例：5日間の洪水の5日目 RR = 0.79, 95% CI 0.77–0.81）。
• 悪影響は各持続期間の後半の日に集中しており、脆弱性の窓を示唆する。
• より長い洪水期間は一般に短い期間よりピーク効果推定値が高い傾向（例：7日間の洪水 RR = 1.21, 95% CI 1.17–1.25 対 2日間の洪水 RR = 1.02, 95% CI 1.00–1.05）。
• 主な結果は表1に要約されている：持続期間ごとの累積発生率比、無効値は各持続期間で 1。

Figure 2 : Ground truth $\beta_{d,t}$ duration-day coefficients in the smooth and noisy scenarios.