The use of mixture models for identifying high risks in disease mapping
Notice bibliographique
Résumé
Conventional approaches for estimating risks in disease mapping or mortality studies are based on Poisson inference. Frequently, overdispersion is present and this extra variability is modelled by introducing random effects. In this paper we compare two computationally simple approaches for incorporating random effects: one based on a non-parametric mixture model assuming that the population arises from a discrete mixture of Poisson distributions, and the second using a Poisson-normal mixture model which allows for spatial autocorrelation. The comparison is focused on how well each of these methods identify the regions which have high risks. Such identification is important because policy makers may wish to target regions associated with such extreme risks for financial assistance while epidemiologists may wish to target such regions for further study. The Poisson-normal mixture model is presented from both a frequentist, or empirical Bayes, and a fully Bayesian point of view. We compare results obtained with the parametric and non-parametric models specifically in terms of detecting extreme mortality risks, using infant mortality data of British Columbia, Canada, for the period 1981-1985, breast cancer data from Sardinia, for the period 1983-1987, and Scottish lip cancer data for 1975-1980. However, we also investigate the performance of these models in a simulation study. The key finding is that discrete mixture models seem to be able to locate regions which experience high risks; normal mixture models also work well in this regard, and perform substantially better when spatial autocorrelation is present.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».