[論文レビュー] Probabilistic Cause-of-Death Assignment Using Verbal Autopsies

Tyler H. McCormick, Zehang Li+4 more|arXiv (Cornell University)|Nov 12, 2014

COVID-19 epidemiological studies参考文献 15被引用数 4

ひとこと要約

本論文は、言語的死体検査（VA）データを用いて死亡原因を割り当てる確率的統計的手法であるInSilicoVAを紹介する。同時に、集団レベルの原因別死亡率分率を推定する。個人および集団レベルの不確実性を統合することで、観察済みおよびシミュレート済みデータとの比較を通じて、既存の手法を上回る精度と頑健性を実証した。

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.

研究の動機と目的

• 完全でない民事登録および出生死亡統計システムを有する低資源地域における死亡原因データの重要な空白を埋める。
• 言語的死体検査（VA）データから、個人への死亡原因の割り当てと、集団レベルの原因別死亡率分率の両方を同時に推定する統計的手法を開発する。
• 個人の死亡原因割り当ておよび集団レベルの推定における不確実性を定量化し、公衆衛生意思決定における信頼性を向上させる。
• 既存のVA解析手法の限界を克服する。これらの手法はしばしば個人と集団レベルの推論を別々に扱うか、不確実性の定量化が不十分である。
• 臨床的および集団健康応用を支援する統一的で統計的に妥当なVAデータ解析フレームワークを提供する。

提案手法

• 個人と集団間で情報を共有する階層ベイズモデルを組み込み、推定精度を向上させる。
• 確率的フレームワークを用いて、VAインタビューで報告された症状パターンに基づき、各個人に可能性の高い原因の分布を割り当てる。
• 潜在的な原因割り当てを伴う多項分布尤度を用いて、症状と原因の同時分布をモデル化する。
• 集団レベルの原因分布にディリクレ事前分布を適用し、スパースデータ環境下での縮小推定を可能にする。
• マルコフ連鎖モンテカルロ（MCMC）法を用いて後方分布推定を実施し、個人および集団レベルの両方における完全な不確実性定量化を可能にする。
• AgincourtおよびKarongaの実際のVAデータと、真の値が既知のシミュレートデータを併用した併記検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 言語的死体検査データからの個人の死亡原因割り当ての精度を、不確実性を考慮しながらどのように向上させられるか。
• RQ2 個人と集団間で情報を共有することで、VA解析における推定性能がどの程度向上するか。
• RQ3 多様なデータ状況下で、提案手法が既存のVA解析ツールと比較して信頼性および頑健性においてどの程度優れているか。
• RQ4 統一的統計フレームワークを用いて、不確実性を定量化しながら、同時に個人の原因と集団レベルの死亡率分率を推定できるか。
• RQ5 測定誤差と欠損データが死亡原因推定に与える影響は何か。また、モデルはこれらの問題をどのように頑健に処理できるか。

主な発見

• InSilicoVAは、特に信号が弱いかスパースなデータ環境下において、既存の手法を著しく上回る正確な個人の死亡原因割り当てを実現した。
• AgincourtおよびKarongaの実世界のVAデータ、および真の値が既知のシミュレートデータの両方において、良好なキャリブレーションと識別性能を示した。
• 個人と集団間で情報を共有することで、InSilicoVAは推定分散を低減し、集団レベルの原因別死亡率分率推定の精度を向上させた。
• モデルは、個人および集団レベルの両方の推定に対して信頼性の高い不確実性定量化を提供し、より良い公衆衛生意思決定を可能にした。
• InSilicoVAは、測定誤差や症状情報の欠損が大きいデータセットを含む多様なデータ品質レベルにおいても、強固な性能を維持した。
• ゴールドスタンダードの臨床診断を用いた検証により、InSilicoVAがTariff法や簡略化された症状パターン法と比較して、真の原因との一致度が高かったことが確認された。