Forecasting dementia incidence
痴呆发病率预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要使用卡尔曼滤波估计总体发病率时间过程并进行未来预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
痴呆发病率预测
- 研究问题
- 如何在诊断存在测量误差、观察间隔导致区间删失且时间样本较短的情况下，估计并预测总体痴呆发病率的动态变化？
- 方法与思路
- 作者先用多状态 Cox 模型估计发病率时间趋势，再将趋势估计的均值和方差输入卡尔曼滤波，推断总体层面的随机过程。
- 材料陈述的贡献
- 摘要称两步方法具有计算优势，推导了滤波收敛与变化检测性质；英国数据结果显示下降停止，预测大致持平但不确定性较大。
- 阅读关注点
- 应核对诊断误差与删失处理、第一步不确定性如何进入滤波，以及短样本理论、趋势变化判断和预测区间的具体构造。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未给出样本区间、预测期限及数值，英国结论不能直接外推。
原文摘要
This paper estimates the stochastic process of how dementia incidence evolves over time. We proceed in two steps: first, we estimate a time trend for dementia using a multi-state Cox model. The multi-state model addresses problems of both interval censoring arising from infrequent measurement and also measurement error in dementia. Second, we feed the estimated mean and variance of the time trend into a Kalman filter to infer the population level dementia process. Using data from the English Longitudinal Study of Aging (ELSA), we find that dementia incidence is no longer declining in England. Furthermore, our forecast is that future incidence remains constant, although there is considerable uncertainty in this forecast. Our two-step estimation procedure has significant computational advantages by combining a multi-state model with a time series method. To account for the short sample that is available for dementia, we derive expressions for the Kalman filter's convergence speed, size, and power to detect changes and conclude our estimator performs well even in short samples.