| name | scientific-epidemiology-public-health |
| description | 疫学・公衆衛生解析スキル。観察研究デザイン（コホート/症例対照/横断）・
リスク指標（RR/OR/HR/NNT）・標準化死亡比（SMR）・年齢調整率・
空間疫学（GIS / 空間クラスタリング）・因果推論ダイアグラム（DAG）・
WHO/CDC/EU 公衆衛生データ統合パイプライン。
ToolUniverse 連携: who_gho。
|
| tu_tools | [{"key":"who_gho","name":"WHO GHO","description":"WHO Global Health Observatory 健康統計 API"}] |
Scientific Epidemiology & Public Health
疫学研究と公衆衛生データ解析のパイプラインを提供する。
研究デザイン設計、リスク指標算出、交絡調整、
空間疫学、健康格差評価、公衆衛生データベース連携を体系的に扱う。
When to Use
- 観察研究のリスク指標（RR / OR / HR）を算出するとき
- 年齢調整率・標準化死亡比（SMR）を計算するとき
- 空間疫学（疾患クラスタリング・GIS マッピング）を行うとき
- DAG（有向非巡回グラフ）で交絡構造を分析するとき
- WHO / CDC / EU の公衆衛生データを取得・解析するとき
Quick Start
1. リスク指標算出
import numpy as np
import pandas as pd
from scipy.stats import norm
def calculate_risk_measures(a, b, c, d, alpha=0.05):
"""
2×2 分割表からリスク指標を算出する。
Disease+ Disease-
Exposed+ a b → a+b
Exposed- c d → c+d
a+c b+d N
指標:
- Risk (Incidence): R = cases / total
- Risk Ratio (RR): R_exposed / R_unexposed（コホート研究）
- Odds Ratio (OR): (a·d) / (b·c)（症例対照研究）
- Risk Difference (RD): R_exposed - R_unexposed
- NNT (Number Needed to Treat): 1 / |RD|
- Attributable Fraction (AF): (RR - 1) / RR
"""
z = norm.ppf(1 - alpha / 2)
R1 = a / (a + b)
R0 = c / (c + d)
RR = R1 / R0
ln_RR_se = np.sqrt(1/a - 1/(a+b) + 1/c - 1/(c+d))
RR_ci = (RR * np.exp(-z * ln_RR_se), RR * np.exp(z * ln_RR_se))
OR = (a * d) / (b * c)
ln_OR_se = np.sqrt(1/a + 1/b + 1/c + 1/d)
OR_ci = (OR * np.exp(-z * ln_OR_se), OR * np.exp(z * ln_OR_se))
RD = R1 - R0
RD_se = np.sqrt(R1*(1-R1)/(a+b) + R0*(1-R0)/(c+d))
RD_ci = (RD - z * RD_se, RD + z * RD_se)
NNT = 1 / abs(RD) if RD != 0 else np.inf
AF = (RR - 1) / RR if RR > 0 else 0
results = {
"risk_exposed": round(R1, 4),
"risk_unexposed": round(R0, 4),
"RR": round(RR, 4), "RR_CI": [round(x, 4) for x in RR_ci],
"OR": round(OR, 4), "OR_CI": [round(x, 4) for x in OR_ci],
"RD": round(RD, 4), "RD_CI": [round(x, 4) for x in RD_ci],
"NNT": round(NNT, 1),
"AF": round(AF, 4),
}
print(f" RR={RR:.3f} ({RR_ci[0]:.3f}–{RR_ci[1]:.3f}), "
f"OR={OR:.3f} ({OR_ci[0]:.3f}–{OR_ci[1]:.3f})")
return results
2. 年齢調整率・SMR
def age_standardization(observed_df, standard_pop, method="direct"):
"""
年齢調整率と標準化死亡比。
method:
- "direct": 直接法 — 標準人口の年齢構成で重み付け
ASR = Σ(年齢別率ᵢ × 標準人口割合ᵢ)
- "indirect": 間接法 — SMR (Standardized Mortality Ratio)
SMR = 観察死亡数 / 期待死亡数
期待死亡数 = Σ(標準年齢別率ᵢ × 対象人口ᵢ)
SMR の 95% CI（Byar's approximation）:
SMR_lower = SMR × (1 - 1/(9·O) - z/(3·√O))³
SMR_upper = (O+1)/E × (1 - 1/(9·(O+1)) + z/(3·√(O+1)))³
"""
if method == "direct":
merged = observed_df.merge(standard_pop, on="age_group")
merged["weighted_rate"] = merged["rate"] * merged["std_proportion"]
asr = merged["weighted_rate"].sum()
merged["var_component"] = (merged["std_proportion"] ** 2 *
merged["rate"] * (1 - merged["rate"]) /
merged["population"])
se = np.sqrt(merged["var_component"].sum())
return {
"ASR": round(asr, 6),
"ASR_per_100k": round(asr * 1e5, 2),
"SE": round(se, 6),
"CI_95": [round((asr - 1.96*se)*1e5, 2), round((asr + 1.96*se)*, )],
}
method == :
merged = observed_df.merge(standard_pop, on=,
suffixes=(, ))
merged[] = merged[] * merged[]
O = merged[].()
E = merged[].()
SMR = O / E
z =
lower = SMR * ( - /(*O) - z/(*np.sqrt(O)))**
upper = ((O+)/E) * ( - /(*(O+)) + z/(*np.sqrt(O+)))**
()
{: (SMR, ), : [(lower, ), (upper, )],
: O, : (E, )}
3. 空間疫学・疾患クラスタリング
def spatial_cluster_detection(cases_gdf, population_gdf, method="kulldorff"):
"""
空間疾患クラスタリング。
method:
- "kulldorff": Kulldorff's spatial scan statistic（SaTScan）
H₀: λ(s) = 常数（一様リスク）
H₁: ∃ 円形ウィンドウ Z で λ_in > λ_out
LLR = (O_Z/E_Z)^{O_Z} × ((O-O_Z)/(O-E_Z))^{O-O_Z}
- "moran": Local Moran's I（局所空間自己相関）
Iᵢ = zᵢ Σⱼ wᵢⱼ zⱼ
- "getis_ord": Getis-Ord Gi* — ホットスポット検出
用途:
- 疾患の地理的集積（クラスター）の検出
- ホットスポット / コールドスポットの同定
"""
import geopandas as gpd
from libpysal.weights import Queen
from esda.moran import Moran_Local
from esda.getisord import G_Local
if method == "moran":
W = Queen.from_dataframe(cases_gdf)
W.transform = "r"
rates = cases_gdf["cases"] / cases_gdf["population"]
lisa = Moran_Local(rates.values, W)
cases_gdf["local_moran_I"] = lisa.Is
cases_gdf["local_moran_p"] = lisa.p_sim
cases_gdf["cluster_type"] = classify_lisa(lisa)
n_hotspots = (cases_gdf["cluster_type"] == "HH").sum()
n_coldspots = (cases_gdf["cluster_type"] == "LL").sum()
print(f" LISA: {n_hotspots} hotspots, {n_coldspots} coldspots")
elif method == "getis_ord":
W = Queen.from_dataframe(cases_gdf)
W.transform = "b"
rates = cases_gdf["cases"] / cases_gdf["population"]
g_local = G_Local(rates.values, W)
cases_gdf["gi_star"] = g_local.Zs
cases_gdf[] = g_local.p_sim
cases_gdf[] = (g_local.Zs > ) & (g_local.p_sim < )
cases_gdf
():
types = []
i ((lisa.Is)):
lisa.p_sim[i] > p_threshold:
types.append()
lisa.q[i] == :
types.append()
lisa.q[i] == :
types.append()
lisa.q[i] == :
types.append()
lisa.q[i] == :
types.append()
types
4. DAG ベース交絡分析
def dag_confounding_analysis(dag_edges, exposure, outcome):
"""
DAG（有向非巡回グラフ）ベースの交絡分析。
パイプライン:
1. DAG 構築
2. バックドアパス列挙
3. 最小調整セット（Sufficient Adjustment Set）同定
4. d-分離判定
Pearl のバックドア基準:
変数セット Z がバックドア基準を満たす ⟺
Z が X→Y の全バックドアパスをブロックし、
Z に X の子孫が含まれない
"""
import networkx as nx
from dowhy import CausalModel
G = nx.DiGraph()
G.add_edges_from(dag_edges)
backdoor_paths = find_backdoor_paths(G, exposure, outcome)
adjustment_sets = find_adjustment_sets(G, exposure, outcome)
result = {
"n_backdoor_paths": len(backdoor_paths),
"backdoor_paths": backdoor_paths,
"adjustment_sets": adjustment_sets,
"minimal_adjustment": min(adjustment_sets, key=len) if adjustment_sets else [],
}
print(f" DAG: {len(backdoor_paths)} backdoor paths, "
f"minimal adjustment = {result['minimal_adjustment']}")
return result
def find_backdoor_paths(G, source, target):
"""バックドアパス（X ← ... → Y）を列挙する。"""
undirected = G.to_undirected()
all_paths = list(nx.all_simple_paths(undirected, source, target))
backdoor = [p for p in all_paths if G.has_edge(p[1], source)]
return backdoor
def find_adjustment_sets():
itertools combinations
nodes = (G.nodes()) - {exposure, outcome}
sets = []
r ((nodes) + ):
combo combinations(nodes, r):
blocks_all_backdoor(G, exposure, outcome, (combo)):
sets.append((combo))
sets
():
References
Output Files
| ファイル | 形式 |
|---|
results/risk_measures.json | JSON |
results/age_standardized_rates.csv | CSV |
results/spatial_clusters.geojson | GeoJSON |
results/dag_analysis.json | JSON |
figures/disease_map.png | PNG |
figures/dag_diagram.png | PNG |
figures/forest_plot.png | PNG |
利用可能ツール
ToolUniverse SMCP 経由で利用可能な外部ツール。
| カテゴリ | 主要ツール | 用途 |
|---|
| WHO | who_gho_get_data | WHO GHO データ取得 |
| WHO | who_gho_query_health_data | WHO 健康指標クエリ |
| CDC | cdc_data_search_datasets | CDC データセット検索 |
| CDC | cdc_data_get_dataset | CDC データ取得 |
| EUHealthInfo | euhealthinfo_search_surveillance_mortality_rates | 死亡率データ |
| EUHealthInfo | euhealthinfo_search_healthcare_expenditure | 医療費データ |
| EUHealthInfo | euhealthinfo_search_population_health_survey | 健康調査データ |
| HealthDisparities | health_disparities_get_svi_info | 社会脆弱性指標 |
| HealthDisparities | health_disparities_get_county_rankings_info | 地域健康ランキング |
| ClinicalTrials | search_clinical_trials | 臨床試験検索 |
| PubMed | PubMed_Guidelines_Search | 公衆衛生ガイドライン |
参照スキル
依存パッケージ
- geopandas, libpysal, esda, dowhy, lifelines, scipy, statsmodels
