Search

Illnesses transmitted commonly by food and water result in a major disease burden on both a national and a global scale (1). Each year in the United States, [approximately equal [...]

At the beginning of the 20th century, diseases commonly transmitted by water, such as cholera and typhoid, were major causes of death in the United States (1). Reliable provision of [...]

Introduction An essential prerequisite for estimating global disease burden using summary health metrics, such as the disability-adjusted life year, (1) is the availability of national-level data on the incidence or [...], Objective To develop transparent and reproducible methods for imputing missing data on disease incidence at national- level for the year 2005. Methods We compared several models for imputing missing country-level incidence rates for two foodborne diseases-- congenital toxoplasmosis and aflatoxin-related hepatocellular carcinoma. Missing values were assumed to be missing at random. Predictor variables were selected using least absolute shrinkage and selection operator regression. We compared the predictive performance of naive extrapolation approaches and Bayesian random and mixed-effects regression models. Leave-one-out cross-validation was used to evaluate model accuracy. Findings The predictive accuracy of the Bayesian mixed-effects models was significantly better than that of the naive extrapolation method for one of the two disease models. However, Bayesian mixed-effects models produced wider prediction intervals for both data sets. Conclusion Several approaches are available for imputing missing data at national level. Strengths of a hierarchical regression approach for this type of task are the ability to derive estimates from other similar countries, transparency, computational efficiency and ease of interpretation. The inclusion of informative covariates may improve model performance, but results should be appraised carefully. Objectif Developper des methodes transparentes et reproductibles pour imputer les donnees manquantes sur l'incidence d'une maladie au niveau national pour l'annee 2005. Methodes Nous avons compare plusieurs modeles pour imputer les taux d'incidence manquants au niveau national pour deux maladies d'origine alimentaire: la toxoplasmose congenitale et le carcinome hepatocellulaire lie a l'aflatoxine. Les valeurs manquantes sont supposees etre manquantes au hasard. Les variables predictives ont ete selectionnees en utilisant la regression LASSO [least absolute shrinkage and selection operator). Nous avons compare la performance predictive des approches d'extrapolation naives et les modeles de regression a effets aleatoires et mixtes bayesiens. La validation croisee <> a ete utilisee pour evaluer la precision du modele. Resultats La precision predictive des modeles des effets mixtes bayesiens etait significativement meilleure que celle de la methode d'extrapolation naive pour l'un des deux modeles de maladie. Cependant, les modeles d'effets mixtes bayesiens ont produit des intervalles de prediction plus larges pour les deux ensembles de donnees. Conclusion Plusieurs approches sont disponibles pour imputer les donnees manquantes au niveau national. Les forces d'une approche de regression hierarchique de ce type de tache sont la capacite de deriver des estimations a partir d'autres pays similaires, la transparence, l'efficacite des calculs et la facilite d'interpretation. L'inclusion de covariables informatives peut ameliorer la performance du modele mais les resultats doivent etre evalues avec prudence. Objetivo Desarrollar metodos transparentes y reproducibles de Imputacion de datos ausentes sobre la incidencia de la morbilidad a nivel nacional para el ano 2005. Metodos Se compararon varios modelos de imputacion de las tasas ausentes de incidencia a nivel nacional para dos enfermedades transmitidas por los alimentos, la toxoplasmosis congenita y el carcinoma hepatocelular relacionado con la aflatoxina. Se considero que los valores ausentes faltaban al azar. Las variables de prediccion se seleccionaron por medio de la contraccion absoluta minima y la regresion del operador de la seleccion. Se comparo el rendimiento predictivo de los enfoques de extrapolacion ingenua y los modelos bayesianos de regresion al azar y de efectos mixtos, y se empleo una validacion cruzada dejando uno fuera para evaluar la exactitud del modelo. Resultados La exactitud predictiva de los modelos bayesianos de efectos mixtos fue significativamente mejor que la del metodo de extrapolacion ingenua para uno de los dos modelos de enfermedad. Sin embargo, los modelos bayesianos de efectos mixtos generaron intervalos de prediccion mas amplios para ambos conjuntos de datos. Conclusion Son numerosos los enfoques disponibles para la imputacion de datos ausentes a nivel nacional. Los puntos fuertes de un enfoque de regresion jerarquica para este tipo de tareas son la capacidad de obtener estimaciones de otros paises similares, la transparencia, la eficiencia informatica y la facilidad de interpretacion. La inclusion de covariables informativas puede mejorar el rendimiento del modelo, aunque se deben evaluar atentamente los resultados.