scientific-epidemiology-public-health

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)

    # Risk
    R1 = a / (a + b)  # Exposed
    R0 = c / (c + d)  # Unexposed

    # Risk Ratio
    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))

    # Odds Ratio
    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))

    # Risk Difference
    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
    NNT = 1 / abs(RD) if RD != 0 else np.inf

    # Attributable fraction
    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":
        # 直接法年齢調整率
        merged = observed_df.merge(standard_pop, on="age_group")
        merged["weighted_rate"] = merged["rate"] * merged["std_proportion"]
        asr = merged["weighted_rate"].sum()

        # 分散（二項近似）
        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)

    # バックドアパス
    backdoor_paths = find_backdoor_paths(G, exposure, outcome)

    # 最小調整セット
    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

スキル	連携内容
scientific-causal-inference	因果推論・傾向スコア
scientific-survival-clinical	生存解析・Cox 回帰
scientific-meta-analysis	メタアナリシス・系統的レビュー
scientific-infectious-disease	感染症疫学
scientific-bayesian-statistics	ベイズ空間モデル
scientific-clinical-trials-analytics	臨床試験レジストリ

依存パッケージ

• geopandas, libpysal, esda, dowhy, lifelines, scipy, statsmodels