[논문 리뷰] Detecting Spatial Health Disparities Using Disease Maps

Luca Aiello, Sudipto Banerjee|arXiv (Cornell University)|2023. 09. 05.

Spatial and Panel Data AnalysisEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 다변량 영역 기반 Dirichlet 프로세스 사전분포를 사용한 베이지안 계층 모델을 제안하여, 이웃 지역 간 질병 유병률이 유의미하게 다른지 식별함으로써 공간적 건강 격차를 탐지한다. 인접성 모델링과 질병 그래프 의존성의 통합을 통해 공간 효과 차이의 사후 확률을 추정하고 베이지안 가짜 발동률 제어를 적용함으로써, 공통된 위험 요인에 의해 연결된 폐, 식도 및 후두암의 강한 공간적 군집을 드러낸다.

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.

연구 동기 및 목표

• 다양한 질병 간 다변량 의존성을 고려한 공간적 차이 경계 탐지를 위한 공식적인 통계적 프레임워크 개발.
• 유사한 지역 간 공간 스무딩을 유지하면서 이웃 지역 간 유의미한 차이를 식별하는 과제 해결.
• 고정 또는 비모수적 인접성 구조를 넘어서, 설명 변수를 인접성 모델링에 통합하여 경계 형성에 미치는 영향 평가.
• 다중 비교를 위한 사후 확률과 베이지안 가짜 발동률 제어를 활용한 완전한 확률적 불확실성 정량화 가능화.
• 실제 SEER 프로그램의 암 유병률 데이터에 본 방법을 적용하여 공간 패턴과 질병 간 상호관계를 규명.

제안 방법

• 다양한 지역 기반 Dirichlet 프로세스 모델을 사용하여 공간 랜덤 효과에 이산 확률 법칙을 부여함으로써, 이웃 지역 간 동일한 효과를 가질 가능성의 사후 확률 추정.
• 지역 기반의 이차적 다중 비교를 확장하여 방향성 있는 순환 그래프 자기회귀 모델(DAGAR)을 계층적 비모수적 프레임워크 내에 통합함으로써 데이터 기반의 인접성 구조 학습.
• 지표 변수를 지수 임계값 모델을 통해 인접행렬에 통합함으로써 공변수의 영향을 이웃 지역 간 차이 경계의 발생 확률에 미치도록 설계.
• 조건부 그래프 모델을 통해 다중 암 간의 의존성 모델링하여 비구조적 및 구조적 의존성 모두 포괄.
• 다중 비교를 고려하여 공간 단위 전반에서 유의미한 차이 경계를 식별하기 위해 베이지안 가짜 발동률(FDR) 제어 적용.
• 신뢰할 수 있는 추론과 불확실성 정량화를 확보하기 위해 몬테카를로 표준오차를 철저히 평가한 MCMC 샘플링 수행.

실험 결과

연구 질문

• RQ1 공간적 및 질병 간 의존성을 고려하면서 다변량 질병 지ap도에서 이웃 지리적 지역 간 통계적으로 유의미한 차이 경계를 어떻게 탐지할 수 있는가?
• RQ2 설명 변수가 건강 결과 격차의 공간적 차이 경계 형성에 얼마나 영향을 미치는가?
• RQ3 이웃 지역 간 동일한 공간 효과의 사후 확률은 고위험 지역에서 질병 부담이 뚜렷이 다른지를 식별하는 데 어떻게 기여하는가?
• RQ4 암 간의 다변량 의존성이 공간 격차를 어떻게 형성하며, 이를 효과적으로 모델링할 수 있는가?
• RQ5 유연한 인접성 학습 기능을 갖춘 비모수적 베이지안 접근법은 고정 또는 비모수적 인접성 모델 대비 공간 격차 탐지 성능을 향상시킬 수 있는가?

주요 결과

• 이 방법은 폐, 식도 및 후두암에 대해 특히 뚜렷한 암 유병률 패턴을 보이는 이웃 군역 간 유의미한 차이 경계를 성공적으로 탐지하였다.
• 폐, 식도 및 후두암은 공간 효과에서 강한 공간적 군집성과 높은 상관성을 보이며, 공통된 기저 위험 요인을 공유하고 있음을 시사한다.
• 이웃 지역 간 동일한 공간 효과의 사후 확률은 질병 부담이 유의미하게 다른 지역을 식별하는 데 활용되어 정책적 대응 조치를 위한 표적화된 공중보건 개입 가능.
• 인접성 모델에 공변수를 통합함으로써, 사회경제적 지위 및 환경 노출 등의 요인이 차이 경계 형성 가능성을 영향을 미친다는 것이 드러났다.
• 베이지안 FDR 접근법은 점근적 근사에 의존하지 않으며, 소면적 공간 분석에서 통계적 타당성을 향상시키기 위해 신뢰할 수 있는 불확실성 정량화 제공.
• 시뮬레이션 연구를 통해 본 방법이 진정한 차이 경계를 올바르게 식별할 수 있고, 다중 결과에 대한 가짜 발동률을 효과적으로 통제할 수 있음을 확인.