《Health Services and Outcomes Research Methodology》：Extending peaks-over-threshold methods to public health: modified threshold selection and scenario-based risk estimation
编辑推荐：
公共卫 extreme value theory 应用于短时序医疗数据，提出改进的 Anderson–Darling L-moments 阈值选择方法，通过平稳性检验、STL 分解和广义帕累托分布拟合，量化登革热与癌症转诊的极端月度波动，为系统需求预测提供可解释指标。
摘要
公共卫生领域中虽然罕见但影响极为严重的事件，例如突然爆发的登革热或癌症紧急转诊数量的激增，会对医疗系统构成巨大威胁：这些事件会超出诊断系统的处理能力，导致资源紧张，并增加死亡风险。传统的统计方法侧重于数据的平均表现，往往无法捕捉到这些高影响性的尾部风险。本研究通过将“超过阈值的峰值”（POT）框架扩展到短时间序列数据中，推动了极值理论在公共卫生领域的应用。我们提出了一种改进的基于Anderson–Darling L-moments的阈值选择方法，该方法专门适用于小样本健康数据集，相比传统的图形诊断方法具有更高的稳健性和客观性。利用孟加拉国（2008–2023年）的月度登革热流行数据和威尔士（2005–2020年）的癌症紧急转诊数据，我们展示了一种系统化的分析流程，该流程结合了平稳性检验、STL分解、差分变换以及基于情景的尾部建模方法。研究结果表明，改进后的Anderson–Darling L-moments方法能够为两个数据集生成稳定的阈值，并得出一致的广义帕累托分布拟合结果；即使在分析仅限于正增量数据的情况下也是如此，这突显了公共卫生领域对突发增长事件（而非下降事件）的关注。回归水平估计能够量化月度数据中极端波动的规模，为预测疫情严重程度和系统需求提供前瞻性见解。从方法论角度来看，本研究填补了将POT方法应用于医疗数据领域的空白；在实际应用中，它为决策者提供了可解释的极端健康冲击指标。尽管该方法存在对差分处理依赖性以及仅适用于月度数据等局限性，但其框架仍可推广到其他健康指标的分析中。通过同时强调统计严谨性和实际可操作性，这项研究将极值理论确立为预测和管理这些罕见但具有重大影响的公共卫生事件的重要工具。
公共卫生领域中虽然罕见但影响极为严重的事件，例如突然爆发的登革热或癌症紧急转诊数量的激增，会对医疗系统构成巨大威胁：这些事件会超出诊断系统的处理能力，导致资源紧张，并增加死亡风险。传统的统计方法侧重于数据的平均表现，往往无法捕捉到这些高影响性的尾部风险。本研究通过将“超过阈值的峰值”（POT）框架扩展到短时间序列数据中，推动了极值理论在公共卫生领域的应用。我们提出了一种改进的基于Anderson–Darling L-moments的阈值选择方法，该方法专门适用于小样本健康数据集，相比传统的图形诊断方法具有更高的稳健性和客观性。利用孟加拉国（2008–2023年）的月度登革热流行数据和威尔士（2005–2020年）的癌症紧急转诊数据，我们展示了一种系统化的分析流程，该流程结合了平稳性检验、STL分解、差分变换以及基于情景的尾部建模方法。研究结果表明，改进后的Anderson–Darling L-moments方法能够为两个数据集生成稳定的阈值，并得出一致的广义帕累托分布拟合结果；即使在分析仅限于正增量数据的情况下也是如此，这突显了公共卫生领域对突发增长事件（而非下降事件）的关注。回归水平估计能够量化月度数据中极端波动的规模，为预测疫情严重程度和系统需求提供前瞻性见解。从方法论角度来看，本研究填补了将POT方法应用于医疗数据领域的空白；在实际应用中，它为决策者提供了可解释的极端健康冲击指标。尽管该方法存在对差分处理依赖性以及仅适用于月度数据等局限性，但其框架仍可推广到其他健康指标的分析中。通过同时强调统计严谨性和实际可操作性，这项研究将极值理论确立为预测和管理这些罕见但具有重大影响的公共卫生事件的重要工具。
