[论文解读] 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 3

一句话总结

本文提出一种贝叶斯分层模型，采用多变量区域参考狄利克雷过程先验，通过识别相邻区域间显著不同的发病率差异边界来检测空间健康差异。通过整合邻接建模与疾病图依赖关系，该方法估计空间效应差异的后验概率，并应用贝叶斯错误发现率控制，揭示了肺癌、食管癌和喉癌之间由共同风险因素关联的强烈空间聚类。

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.

研究动机与目标

• 开发一种正式的统计框架，用于在疾病制图中检测空间差异边界，同时考虑疾病之间的多变量依赖性。
• 解决在保留相似区域空间平滑性的同时，识别相邻区域之间显著差异的挑战。
• 将解释变量纳入邻接建模，以评估其对边界形成的影响，超越固定或参数化邻接结构。
• 通过后验概率和贝叶斯错误发现率控制实现完整的概率不确定性量化，以应对多重比较问题。
• 将该方法应用于SEER项目的真实癌症发病率数据，以揭示空间模式及疾病间的相互关系。

提出的方法

• 使用多变量区域参考狄利克雷过程模型，为空间随机效应赋予离散概率律，从而估计相邻区域具有相等效应的后验概率。
• 通过在分层非参数框架中嵌入有向无环图自回归（DAGAR）模型，扩展贝叶斯成对多重比较方法，以从数据中学习邻接结构。
• 通过指数阈值模型将解释变量纳入邻接矩阵，使协变量能够影响相邻区域之间差异边界的概率。
• 通过条件图模型对疾病间依赖关系进行建模，捕捉多种癌症之间的非结构化与结构化依赖关系。
• 应用贝叶斯错误发现率（FDR）控制，识别在空间单元间多重比较下具有统计显著性的差异边界。
• 采用MCMC抽样，并仔细评估蒙特卡洛标准误，以确保可靠推断与不确定性量化。

实验结果

研究问题

• RQ1 如何在考虑空间依赖性和疾病间依赖性的情况下，检测多变量疾病制图中相邻地理区域之间的统计显著差异边界？
• RQ2 解释变量在多大程度上影响健康结局差异中的空间差异边界形成？
• RQ3 邻居之间空间效应相等的后验概率如何帮助识别具有显著不同疾病负担的高风险区域？
• RQ4 癌症之间的多变量依赖关系在塑造空间差异中的作用是什么，如何有效建模？
• RQ5 与固定或参数化邻接模型相比，具有灵活邻接学习能力的非参数贝叶斯方法是否能提升空间差异检测效果？

主要发现

• 该方法成功检测出具有不同癌症发病率模式的相邻县之间的显著差异边界，尤其在肺癌、食管癌和喉癌中表现突出。
• 肺癌、食管癌和喉癌表现出强烈的聚集性，其空间效应高度相关，提示存在共同的潜在风险因素。
• 利用邻居之间空间效应相等的后验概率，识别出疾病负担显著不同的区域，从而支持有针对性的公共卫生干预。
• 将协变量纳入邻接模型后发现，社会经济状况和环境暴露等因素会影响差异边界形成的概率。
• 贝叶斯FDR方法提供了可靠的不确定性量化，无需依赖渐近近似，增强了小区域空间分析中的统计有效性。
• 模拟研究证实，该方法能够正确识别真实差异边界，同时有效控制多重结果下的假发现率。