Hierarchical Bayesian Spatiotemporal Analysis of Childhood Cancer Trends

In this article, generalized additive mixed models are constructed for the analysis of geographical and temporal variability of cancer ratios. In this class of models, spatially correlated random effects and temporal components are adopted. Spatio‐temporal models that use intrinsic conditionally autoregressive smoothing across the spatial dimension and B‐spline smoothing over the temporal dimension are considered. We study the patterns of incidence ratios over time and identify areas with consistently high ratio estimates as areas for further investigation. A hierarchical Bayesian approach using Markov chain Monte Carlo techniques is employed for the analysis of the childhood cancer diagnoses in the province of Alberta, Canada during 1995–2004. We also evaluate the sensitivity of such analyses to prior assumptions in the Poisson context. En este artículo los autores construyen modelos aditivos generalizados mixtos (generalized additive mixed models) con el fin de analizar la variabilidad geográfica y temporal en las tasas de incidencia de cáncer. Este tipo de modelos emplean efectos aleatorios correlacionados espacialmente y componentes temporales. Los modelos espacio‐temporales emplean un suavizado condicional intrínseco autorregresivo (conditionally autoregressive smoothing) a través de la dimensión espacial y un suavizado de tipo B‐spline sobre la dimensión temporal. Los autores examinan los patrones de las tasas de incidencia a través del tiempo e identifican las áreas con valores consistentemente altos con el fin de sugerir áreas de investigación para el futuro. El estudio utiliza un enfoque jerárquico bayesiano (hierarchical bayesian) que usa una cadena de Markov Monte Carlo para evaluar los diagnósticos de cáncer infantil en la provincia de Alberta, Canadá durante el periodo 1995–2004. Asimismo, también se evalúa la sensibilidad de este tipo de análisis con respecto a los supuestos a‐priori, en el contexto de los modelos tipo Poisson. 本文提出了广义可加和混合模型进行癌症比率的地理和时间变化分析。在这类模型中引入了空间相关的随机效应和时间组分。时空模型在空间维度上采用本征自回归条件平滑，而在时间维度上则使用了B样条平滑。本文研究了疾病发生率模式，并识别出一直具有高比率估计的地区作为进一步调查区。在1995–2004年加拿大亚伯达省儿童癌症的诊断中，采用了基于马尔科夫链‐蒙特卡罗模型的分层贝叶斯方法，并且在泊松先验假设条件下评估了该类分析的敏感性。