Cartografía de enfermedades articulares para el recuento bivariado con correlación residual debido a un número...

Área de la Ciencia:

• Estadísticas biológicas
• Epidemiología espacial
• Modelado estadístico

Sus antecedentes:

• Las distribuciones espaciales conjuntas de datos de conteo bivariado a menudo se modelan utilizando modelos de componentes compartidos de Poisson (P-SCM).
• Los P-SCM asumen que las variables latentes explican completamente las correlaciones de resultados, que pueden ser inexactas cuando los resultados comparten un número desconocido de casos.
• Esto conduce a una correlación residual atribuida erróneamente a las variables latentes, causando inferencias sesgadas y predicciones deficientes.

Objetivo del estudio:

• Abordar las limitaciones de P-SCM en el modelado de datos de recuento bivariado con casos superpuestos.
• Proponer un nuevo modelo de componentes compartidos (SCM) basado en la distribución de Bivariate-Poisson (BP-SCM).
• Mejorar la precisión del modelado de correlación espacial y el rendimiento predictivo para los resultados del recuento conjunto.

Principales métodos:

• Desarrolló un modelo de componentes compartidos de Bivariate-Poisson (BP-SCM) que descompone los recuentos en casos comunes y distintos.
• Modelado los tres recuentos resultantes (dos distintos, uno común) utilizando campos aleatorios de Gaussian Markov.
• Empleó un marco bayesiano con la inferencia de Monte Carlo hamiltoniana para la estimación del modelo.

Principales resultados:

• El BP-SCM propuesto demostró un rendimiento inferencial y predictivo superior en comparación con el P-SCM estándar.
• Las simulaciones y una aplicación en el mundo real confirmaron el sesgo inherente al P-SCM cuando se trata de casos superpuestos.
• BP-SCM estimó con éxito los niveles medios de casos comunes y distintos y sus variaciones espaciales.

Conclusiones:

• El BP-SCM proporciona un enfoque más preciso y robusto para analizar los datos de conteo bivariado correlacionados espacialmente, especialmente cuando los casos se superponen.
• Supera los sesgos inferenciales y las limitaciones predictivas de los P-SCM tradicionales.
• BP-SCM ofrece valiosos conocimientos epidemiológicos sobre patrones de enfermedad compartidos y distintos y sus dependencias espaciales.