基于异质性调查数据的贝叶斯地理统计联合模型的开发和应用

High-resolution maps depicting the geographical distribution of disease risk assist disease control by delivering control interventions at areas of highest risk. Bayesian geostatistical modeling is the most rigorous inferential approach for estimating the disease risk at areas without observed data by relating survey data with potential predictors and by taking into account the spatial correlation between survey locations. In the absence of single surveys covering the whole study region, survey data are compiled from bibliometric searches, heterogeneous between locations. There are two kinds of heterogeneity that draw special attention, that is point-areal heterogeneity and age heterogeneity. Until now, no practical geostatistical modes are developed yet to properly address them. The current proposed research aim to develop advanced geostatistical joint models to address data heterogeneity, particularly point-areal heterogeneity and age heterogeneity, and analyze data combined from different spatially geo-referenced prevalence surveys. As an application example, the developed models will be used to analyze survey data of neglected tropical diseases in Asia. These diseases were historically overlooked but are the most common chronic infections in the poorest areas in Asia. Data heterogeneity will be addressed and more precise high-resolution risk maps will be produced. In addition, with combination of transmission dynamic models, series of temporal change risk maps under proposed interventions will be predicted that allow estimate the resource input, as well as the time needed to achieve transmission control or elimination. The current proposed research will provide innovative methodology, up-to-date knowledge and new ideas for disease control and prevention.

贝叶斯地理统计模型，考虑调查点间的空间关联性，量化疾病与影响因素的关系，估算没有调查数据的地方疾病的患病风险，产生高精度的疾病分布地图，指导干预措施用于最需要的地方。在资源有限的情况下，需要整合所有已知调查数据进行分析，不同调查方案、调查时间、诊断方法、人群结构、报告形式等，构成了地理信息数据的异质性问题。实际工作中，有两种异质性对分析结果影响较大：点、面数据异质性和年龄异质性，目前尚没有很好的地理统计模型解决以上问题。本课题拟开发针对以上异质性的地理统计模型，结合其他异质性问题，构建多层次地理统计联合模型。被忽视的热带病（NTD）是亚洲贫困地区最重要的传染病之一，作为应用实例，本课题拟收集亚洲NTD的大量调查数据，应用开发的新模型对数据进行整合分析，更准确的估算该类疾病的高精度分布地图，并结合疾病的动态传播模型，预测干预措施下患病风险的动态变化地图，为疾病防治提供新方法、新知识和新思路。

贝叶斯地理统计模型，考虑调查点间空间关联性，量化疾病与影响因素的关系，估算没有调查数据的地方疾病的患病风险，产生高精度的疾病风险地图，指导干预措施用于最需要的地方。在资源有限下，需要整合分析所有已知调查数据，而不同调查方案、调查时间、诊断方法、人群结构、报告形式等，构成了调查数据的异质性问题。本研究在方法上，基于用面栅格点空间效应的加权平均近似面的空间效应的方法，构建了点、面数据联合模型；基于年龄自相关模型描述疾病在年龄上的分布特征、及年龄点对应空间效应的加权平均近似年龄段空间效应的方法，构建了年龄异质性的地理统计模型。以上模型的基础上，通过诊断方法作为协变量、构建等距时间节点的时空效应并投射到不规则的调查时间上、不同形式患病数据共享关键参数等方法，解决调查数据中调查时间异质性、诊断方法异质性、数据形式异质性等问题，并考虑空间混杂效应、及年龄点、时间点过多时计算负担重等问题，开发了多层次联合模型框架。应用上，针对调查数据收集过程中信息的量大、冗繁等问题，构建了“亚洲贫穷相关传染病公开数据库”信息共享平台，共计收集了亚洲被忽视热带病11603条疾病调查数据；以构建的多层次联合地理统计模型为框架，结合实际数据中出现的异质性问题，构建相应的联合地理统计模型，并制作完成了东南亚土源性线虫病、东南亚后睾吸虫病、韩国华支睾吸虫病、广东省年龄别华支睾吸虫病、中国主要流行省份血吸虫病、孟加拉育龄妇女生殖道感染、及广东省年龄别两周总患病率的高精度风险地图，展现高风险地区，为疾病的空间靶向防控和卫生资源配置提供重要信息。同时，以广东省华支睾吸虫病为例，以高精度患病地图作为基线值，结合传染病的数学传播模型，预测最优策略下疾病的动态变化地图，明确了该方法的可行性。此方法可扩展到其他被忽视热带病，为干预策略的选择提供信息。总体而言，本研究从方法和应用两方面，为被忽视的热带病调查数据的分析和应用提供重要参考。

内容获取失败，请点击重试