[논문 리뷰] Probabilistic Cause-of-Death Assignment Using Verbal Autopsies

Tyler H. McCormick, Zehang Li외 4명|arXiv (Cornell University)|2014. 11. 12.

COVID-19 epidemiological studies참고 문헌 15인용 수 4

한 줄 요약

이 논문은 구두 자살검안(VA) 데이터를 사용하여 사망 원인을 할당하면서 동시에 인구 수준의 사망 원인별 사망 분율을 추정하는 확률적 통계 방법인 InSilicoVA를 소개한다. 개인 및 인구 수준에서의 불확실성을 통합함으로써 InSilicoVA는 관찰된 데이터와 시뮬레이션된 데이터를 바탕으로 한 비교를 통해 기존 방법보다 정확도와 견고성에서 뛰어나다.

ABSTRACT

In regions without complete-coverage civil registration and vital statistics systems there is uncertainty about even the most basic demographic indicators. In such regions the majority of deaths occur outside hospitals and are not recorded. Worldwide, fewer than one-third of deaths are assigned a cause, with the least information available from the most impoverished nations. In populations like this, verbal autopsy (VA) is a commonly used tool to assess cause of death and estimate cause-specific mortality rates and the distribution of deaths by cause. VA uses an interview with caregivers of the decedent to elicit data describing the signs and symptoms leading up to the death. This paper develops a new statistical tool known as <i>InSilicoVA</i> to classify cause of death using information acquired through VA. InSilicoVA shares uncertainty between cause of death assignments for specific individuals and the distribution of deaths by cause across the population. Using side-by-side comparisons with both observed and simulated data, we demonstrate that InSilicoVA has distinct advantages compared to currently available methods.

연구 동기 및 목표

• 완전한 민간 등록 및 생존 통계 시스템이 없는 저소득 지역에서 사망 원인 데이터의 근본적인 격차를 해소한다.
• 개별 개인의 사망 원인을 동시에 할당하고, 구두 자살검안(VA) 데이터로부터 인구 수준의 사망 원인별 사망 분율을 추정하는 통계 방법을 개발한다.
• 개별 사망 원인 할당과 인구 수준 추정치에 대한 불확실성 측정을 정량화하여 공중보건 의사결정의 신뢰성을 향상시킨다.
• 기존 VA 분석 방법의 한계를 극복한다. 이러한 방법들은 종종 개인과 인구 수준의 추론을 별도로 다루거나 체계적인 불확실성 측정이 부족하다.
• 임상 및 인구 건강 응용 분야를 동시에 지원하는 통합적이고 통계적으로 타당한 VA 데이터 분석 프레임워크를 제공한다.

제안 방법

• 개인 간 및 인구 전체 간 정보 공유를 통해 추정 정확도를 향상시키는 계층적 베이지안 모델을 통합한다.
• VA 인터뷰에서 보고된 증상 패tern을 바탕으로 각 개인의 가능성이 높은 원인의 분포를 할당하는 확률적 프레임워크를 사용한다.
• 잠재적 원인 할당을 포함한 증상과 원인의 결합 분포를 다항분포 우도와 함께 모델링한다.
• 인구 수준의 원인 분포에 딜레트 분포 사전분포를 적용하여 희소 데이터 환경에서의 수축과 개선된 추정을 가능하게 한다.
• 후행 추론을 위해 마르코프 체인 몬테카를로(MCMC) 방법을 활용하여 개인 및 인구 수준에서의 전체 불확실성 측정을 가능하게 한다.
• 실제 VA 데이터(아진코우트와 카롱가에서 수집)와 지식 기반 진단이 있는 시뮬레이션 데이터를 동시에 사용하여 검증을 수행한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 구두 자살검안 데이터로부터 개인의 사망 원인 할당 정확도를 향상시키면서도 불확실성을 고려할 수 있는가?
• RQ2 개인 간 및 인구 전체 간 정보 공유가 VA 분석에서 추정 성능 향상에 얼마나 기여하는가?
• RQ3 다양한 데이터 조건 하에서 제안된 방법이 기존 VA 분석 도구에 비해 신뢰성과 견고성 측면에서 어떻게 비교되는가?
• RQ4 통합된 통계 프레임워크를 통해 개인의 사망 원인과 인구 수준의 사망 분율을 동시에 추정하고 불확실성 측정을 수행할 수 있는가?
• RQ5 측정 오차와 누락 데이터가 사망 원인 추론에 미치는 영향은 무엇이며, 모형은 이러한 문제를 어떻게 견고하게 다룰 수 있는가?

주요 결과

• InSilicoVA는 특히 저신호 또는 희소 데이터 환경에서 기존 방법보다 사망 원인 할당 정확도에서 뚜렷이 뛰어나다.
• 실제 아진코우트와 카롱가의 VA 데이터 및 지식 기반 진단이 있는 시뮬레이션 데이터에서 모두 보다 우수한 校정(교정)과 분류 성능를 보여준다.
• 개인 간 및 인구 전체 간 정보 공유를 통해 InSilicoVA는 인구 수준의 사망 원인별 사망 분율 추정치의 추정 분산을 줄이고 정밀도를 향상시킨다.
• 모형은 개인 및 인구 수준의 추론에 대해 신뢰할 수 있는 불확실성 측정을 제공하여 더 나은 공중보건 의사결정을 가능하게 한다.
• InSilicoVA는 높은 측정 오차와 증상 정보 누락이 있는 다양한 데이터 품질 수준에서도 강력한 성능 유지를 보인다.
• 황금 표준 임상 진단을 사용한 검증 결과, InSilicoVA는 타르리프 또는 단순 증상 패턴 방법과 비교해 진짜 원인과 더 높은 일치도를 보였다.