[論文レビュー] Detecting Spatial Health Disparities Using Disease Maps

Luca Aiello, Sudipto Banerjee|arXiv (Cornell University)|Sep 5, 2023

Spatial and Panel Data AnalysisEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本稿では、多変量領域別参照ディリクレ過程事前分布を用いたベイジアン階層モデルを提案し、隣接地域間の疾患発生率に顕著な差が認められる境界を同定することで、空間的健康格差を検出する。隣接性モデリングと疾患グラフ依存性を統合することで、空間的効果差の事後確率を推定し、ベイジアン誤発見率制御を適用し、肺がん、食道がん、喉頭がんの強力な空間的クラスタリングを明らかにした。これらは共通のリスク要因によって関連している。

ABSTRACT

Epidemiologists commonly use regional aggregates of health outcomes to map mortality or incidence rates and identify geographic disparities. However, to detect health disparities across regions, it is necessary to identify "difference boundaries" that separate neighboring regions with significantly different spatial effects. This can be particularly challenging when dealing with multiple outcomes for each unit and accounting for dependence among diseases and across areal units. In this study, we address the issue of multivariate difference boundary detection for correlated diseases by formulating the problem in terms of Bayesian pairwise multiple comparisons by extending it through the introduction of adjacency modeling and disease graph dependencies. Specifically, we seek the posterior probabilities of neighboring spatial effects being different. To accomplish this, we adopt a class of multivariate areally referenced Dirichlet process models that accommodate spatial and interdisease dependence by endowing the spatial random effects with a discrete probability law. Our method is evaluated through simulation studies and applied to detect difference boundaries for multiple cancers using data from the Surveillance, Epidemiology, and End Results Program of the National Cancer Institute.

研究の動機と目的

• 疾患間の多変量依存性を考慮した、空間的差異境界を検出するための形式的統計枠組みの構築を目的とする。
• 類似した地域では空間平滑化を保ちつつ、隣接地域間の顕著な差を同定する課題に対処することを目的とする。
• 隣接性構造を固定またはパラメトリックに設定するのではなく、説明変数を隣接性モデリングに組み込み、境界形成に与える影響を評価することを目的とする。
• 事後確率とベイジアン誤発見率制御を用いた完全な確率的不確実性の定量化を可能とすることを目的とする。
• SEERプログラムの実世界のがん発生率データに本手法を適用し、空間的パターンと疾患間関係を解明することを目的とする。

提案手法

• 空間的ランダム効果に離散的確率法則を付与するため、多変量領域別参照ディリクレ過程モデルを用い、隣接地域が等しい効果を持つ確率を事後確率として推定する。
• 有向非巡回グラフ自己回帰（DAGAR）モデルを階層的非パラメトリック枠組み内に埋め込み、データから隣接性構造を学習するべく、ベイジアン対比較の拡張を試みる。
• 指数しきい値モデルを用いて説明変数を隣接行列に組み込み、共変量が隣接地域間の差異境界の確率に影響を与えるようにする。
• 条件付きグラフィカルモデルを用いて疾患間依存性をモデル化し、複数のがんにおける非構造的および構造的依存性を捉える。
• 複数の空間単位にわたる多重比較を考慮しつつ、統計的に有意な差異境界を特定するためにベイジアン誤発見率（FDR）制御を適用する。
• MCMCサンプリングを用い、モンテカルロ標準誤差の慎重な評価により、信頼性の高い推論と不確実性の定量化を確保する。

実験結果

リサーチクエスチョン

• RQ1 空間的および疾患間依存性を考慮しつつ、多変量疾患マッピングにおいて隣接地域間の統計的に有意な差異境界をどのように検出できるか。
• RQ2 説明変数が健康アウトカム格差の空間的差異境界形成にどの程度影響を与えるか。
• RQ3 隣接地域間の等しい空間的効果の事後確率が、病態負担が顕著に異なる高リスク地域を同定するのに果たす役割は何か。
• RQ4 がん間の多変量依存性が空間的格差をどのように形作るか、そして効果的にモデル化するにはどうすればよいか。
• RQ5 柔軟な隣接性学習を可能とする非パラメトリックベイジアンアプローチは、固定またはパラメトリックな隣接性モデルと比較して、空間的格差検出をどのように改善できるか。

主な発見

• 本手法は、特に肺がん、食道がん、喉頭がんにおいて、発生率パターンが顕著に異なる隣接郡間で有意な差異境界を効果的に検出できた。
• 肺がん、食道がん、喉頭がんは、空間的効果において強く空間的クラスタリングを示し、高い相関を示しており、共通の潜在的リスク要因があると考えられる。
• 隣接地域間の等しい空間的効果の事後確率が、病態負担が顕著に異なる地域を同定するために活用され、標的型公衆衛生対策の実施が可能になった。
• 隣接性モデルに共変量を組み込むことで、社会経済的地位や環境的要因が差異境界形成の可能性に影響を与えることが明らかになった。
• ベイジアンFDRアプローチにより、漸近的近似に依存せず、小地域空間分析における統計的妥当性を高める信頼性の高い不確実性定量化が可能になった。
• シミュレーション研究により、本手法が真の差異境界を正しく同定でき、複数のアウトカムにわたる誤発見率を適切に制御できることを確認した。