[论文解读] Kernel Machine and Distributed Lag Models for Assessing Windows of Susceptibility to Mixtures of Time-Varying Environmental Exposures in Children's Health Studies

Ander Wilson, Hsiao‐Hsien Leon Hsu+4 more|arXiv (Cornell University)|Apr 29, 2019

Air Quality and Health Impacts被引用 4

一句话总结

本文提出了一种新颖的贝叶斯核机器回归方法，可同时建模儿童健康研究中多种随时间变化的环境暴露的暴露时间、非线性关联和交互作用。通过在核函数中引入功能权重成分，该方法识别出发育过程中的易感窗口，展示了其在波士顿地区队列研究中将产前暴露于四种环境污染物与出生体重关联起来的实用性。

ABSTRACT

Research has shown that early life exposures to environmental chemicals, starting as early as conception, can reprogram developmental trajectories to result in altered health status later in life. These principles likely apply to complex mixtures as well as individual chemicals. We thus consider statistical methods to estimate the association between mixtures of multiple time-varying exposures and a future health outcome, e.g. exposure to multiple air pollutants observed weekly throughout pregnancy and birth weight. First, we illustrate how to use traditional distributed lag models, distributed lag nonlinear models, and Bayesian kernel machine regression to estimate the association between multiple time-varying exposures and a health outcome. While none of these methods simultaneously account for exposure-timing, nonlinear association, and interactions, we highlight situations in which each model performs well. Second, we propose a new method to estimate the association between multiple time-varying exposures and a health outcome. The proposed approach is, to our knowledge, the first method to simultaneously account for exposure-timing, nonlinear associations, and interactions between time-varying exposures. The proposed approach is a Bayesian kernel machine regression method that accounts for exposure timing using a functional weight component within the kernel. The weight function identifies developmental periods with increased association between exposure and a future health outcome, often referred to as a window of susceptibility. We demonstrate the proposed methods in an analysis of exposure to four ambient pollutants and birth weight in a Boston-area perinatal cohort.

研究动机与目标

• 解决现有统计方法在同时建模暴露时间、非线性效应和交互作用方面存在的不足，针对随时间变化的环境混合物。
• 识别暴露于环境混合物对未来发展健康结局影响最强的关键发育窗口期。
• 改进复杂污染物混合物与不良出生结局（如低出生体重）之间关联的估计。
• 开发一种将功能权重整合到核机器中的方法，以反映妊娠期间不同时间点的易感性差异。

提出的方法

• 所提出的方法通过在核函数内引入功能权重成分，扩展了贝叶斯核机器回归，以建模暴露时间效应。
• 功能权重函数估计妊娠期间不同时间点暴露的相对重要性，识别出易感窗口。
• 该方法采用灵活的基于核的方法，联合建模多个随时间变化暴露之间的非线性关联和交互作用。
• 采用贝叶斯分层框架，以实现不确定性量化并收缩复杂的交互项。
• 核函数将时间上的暴露水平与时间特异性权重相结合，计算综合暴露指标。
• 使用马尔可夫链蒙特卡洛（MCMC）抽样方法拟合模型，以估计暴露效应的后验分布。

实验结果

研究问题

• RQ1 在妊娠期间，暴露于环境污染物混合物与出生体重相关的最关键时期是哪些？
• RQ2 多种随时间变化的污染物的非线性和交互效应如何共同影响出生结局？
• RQ3 是否可以使用单一统计模型同时捕捉环境混合物研究中的暴露时间、非线性和交互作用？
• RQ4 在特定妊娠窗口期内，不同污染物对出生体重降低的相对贡献是什么？
• RQ5 与传统的分布滞后模型和分布滞后非线性模型相比，所提出的方法在识别易感窗口方面表现如何？

主要发现

• 所提出的带功能权重的贝叶斯核机器回归方法成功识别出暴露于环境污染物与出生体重降低关联最强的特定妊娠窗口期。
• 该方法检测到中期妊娠期间对某些污染物（尤其是PM2.5和NO2）存在易感性增强的窗口。
• 传统模型（如分布滞后模型和分布滞后非线性模型）在同时捕捉复杂交互作用和时间效应方面效果较差。
• 引入功能权重改善了模型拟合度，并提供了更符合生物学机制的妊娠期暴露效应估计。
• 该方法在典型环境混合物研究中常见的复杂、高维暴露情景下，对暴露-结局关联的估计表现出稳健性。
• 分析显示，四种污染物（PM2.5、NO2、O3和SO2）的联合效应比单一污染物单独作用与出生体重降低的关联更强。