A Bayesian mixture modeling approach for public health surveillance.
A Bayesian mixture modeling approach for public health surveillance.
复制标题
DOI：
10.1093/biostatistics/kxy038
复制
发表时间：
2020-07-01
期刊：
影响因子：
--
通讯作者：
Blangiardo M
中科院分区：
文献类型：
--
作者：
Boulieri A;Bennett JE;Blangiardo M
对卫生数据趋势的空间监测是公共卫生监测的重要组成部分。最常见的是，它用于了解公共卫生问题的病因，评估干预措施的影响，或提供异常行为的检测。在这篇文章中，我们提出了一个贝叶斯混合模型的公共卫生监测，这是能够提供估计的疾病风险在空间和时间，也发现地区与不寻常的行为。该模型旨在处理数据中的一系列空间和时间模式以及不同长度的时间序列。我们进行了模拟研究，以评估在不同的情况下的模型的性能，我们将其与最近提出的贝叶斯模型的短时间序列。最后，所提出的模型是用于在英格兰的道路交通事故数据的监测在2005年至2015年。
Spatial monitoring of trends in health data plays an important part of public health surveillance. Most commonly, it is used to understand the etiology of a public health issue, to assess the impact of an intervention, or to provide detection of unusual behavior. In this article, we present a Bayesian mixture model for public health surveillance, which is able to provide estimates of the disease risk in space and time, and also to detect areas with unusual behavior. The model is designed to deal with a range of spatial and temporal patterns in the data, and with time series of different lengths. We carry out a simulation study to assess the performance of the model under different scenarios, and we compare it against a recently proposed Bayesian model for short time series. Finally, the proposed model is used for surveillance of road traffic accidents data in England over the years 2005–2015.
登录
查看更多内容
影响因子：
2.1
作者：
Newton, MA;Noueiry, A;Ahlquist, P
通讯作者：
Ahlquist, P
影响因子：
2.3
作者：
Li, G.;Haining, R.;Best, N.
通讯作者：
Best, N.
影响因子：
0.8
作者：
Kulldorff, M
通讯作者：
Kulldorff, M
影响因子：
3.4
作者：
Rushworth, Alastair;Lee, Duncan;Mitchell, Richard
通讯作者：
Mitchell, Richard
影响因子：
5.9
作者：
MacNab, YC
通讯作者：
MacNab, YC