Estimating nonlinear cumulative exposure associations from overdispersed daily health outcome counts using penalized splines

We develop several fast and scalable nonlinear regression methods that work on large-scale overdispersed count data. Application is to analysis of time-varying associations between air pollution and health outcomes based onmulti-year, national-level daily health outcome count data common in air pollution epidemiology. We discuss additive and distributed lag models and connections to functional data analysis. Results are shown for the novel Adaptive Cumulative Exposure Distributed Lag Nonlinear Model (ACE-DLNM), a nonlinear regression model where the covariate is a weighted integral of an exposure process where both the association and weight functions are unknown and estimated by penalized splines, available in the “aceDLNM” R package. This work is led by PhD student Tianyi Pan with Glen McGee and Hwashin Shin and in support of a federal government program between Health Canada and Environment and Climate Change Canada.

Estimation des associations d'exposition cumulative non linéaire à partir de comptages quotidiens surdispersés de résultats sanitaires à l'aide de splines pénalisées

Nous développons plusieurs méthodes de régression non linéaire rapides et évolutives qui fonctionnent sur des données de comptage surdispersées à grande échelle, avec une application à l'analyse de données de comptage quotidiennes sur plusieurs années au niveau national, courantes en épidémiologie de la pollution atmosphérique. Nous discutons des modèles additifs et à décalage distribué et des liens avec l'analyse des données fonctionnelles. Les résultats sont présentés pour le nouveau modèle non linéaire adaptatif à exposition cumulative et à retard distribué (ACE-DLNM), un modèle de régression non linéaire dans lequel la covariable est une intégrale pondérée d'un processus d'exposition où les fonctions d'association et de pondération sont inconnues et estimées par des splines pénalisées, le tout disponible dans le module en R « aceDLNM ». Ce travail est dirigé par Tianyi Pan, doctorant, en collaboration avec Glen McGee et Hwashin Shin.

Session

Qualité de l'air et santé : données, modèles et analyses

Date and Time