{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5373254"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5373254","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bayesian spatio-temporal modelling, mapping and prediction of disease risk","abstract":"Η παρούσα διπλωματική εργασία πραγματεύεται τη Bayesian χωροχρονική μοντελοποίηση και χαρτογράφηση του κινδύνου εμφάνισης νόσων, με στόχο την εκτίμηση και πρόβλεψη του σχετικού κινδύνου στον χώρο και στον χρόνο. Η ανάλυση βασίζεται σε ιεραρχικά Bayesian μοντέλα για δεδομένα μετρήσεων τύπου Poisson, όπου ο παρατηρούμενος αριθμός κρουσμάτων συνδέεται με έναν λανθάνοντα χωρικό ή χωροχρονικό μηχανισμό που περιγράφει τον υποκείμενο επιδημιολογικό κίνδυνο. Η χωρική εξάρτηση ενσωματώνεται μέσω δομημένων τυχαίων επιδράσεων με χρήση Conditional Autoregressive (CAR) προσεγγίσεων, συμπεριλαμβανομένων των ICAR, Leroux και των μοντέλων Besag–York–Mollié (BYM και BYM2). Παράλληλα, εξετάζεται η συνεχής χωρική αναπαράσταση μέσω Γκαουσιανών Χωρικών Πεδίων με συναρτήσεις συσχέτισης Matérn και η διατύπωσή τους μέσω της προσέγγισης Στοχαστικών Μερικών Διαφορικών Εξισώσεων (SPDE), που επιτρέπει την αποδοτική αριθμητική υλοποίηση των μοντέλων. Η χρονική διάσταση εισάγεται μέσω δυναμικών prior διαδικασιών, όπως αυτοπαλίνδρομα μοντέλα και τυχαίοι περίπατοι πρώτης και δεύτερης τάξης, καθώς και μέσω spline-based προσεγγίσεων, επιτρέποντας την αποτύπωση ομαλών χρονικών μεταβολών. Επιπλέον, εξετάζονται χωροχρονικές διατυπώσεις που επιτρέπουν την αλληλεπίδραση μεταξύ χωρικών και χρονικών συνιστωσών. Η Bayesian εκτίμηση πραγματοποιείται με τη μέθοδο Integrated Nested Laplace Approximation (INLA), η οποία είναι κατάλληλη για λανθάνοντα Γκαουσιανά μοντέλα υψηλής διάστασης. Η προτεινόμενη μεθοδολογία εφαρμόζεται σε προσομοιωμένα επιδημιολογικά δεδομένα που αναπαριστούν τη χωρική και χρονική εξέλιξη νόσου στην Κένυα. Στο πλαίσιο της εφαρμογής εκτιμώνται εξομαλυμένοι χάρτες σχετικού κινδύνου, διερευνώνται χωρικά και χρονικά πρότυπα, αξιολογείται η προσαρμογή και η προβλεπτική ικανότητα των μοντέλων και παράγονται προβλεπτικοί χάρτες κινδύνου για το έτος 2025.","abstract_html":"Η παρούσα διπλωματική εργασία πραγματεύεται τη Bayesian χωροχρονική μοντελοποίηση και χαρτογράφηση του κινδύνου εμφάνισης νόσων, με στόχο την εκτίμηση και πρόβλεψη του σχετικού κινδύνου στον χώρο και στον χρόνο. Η ανάλυση βασίζεται σε ιεραρχικά Bayesian μοντέλα για δεδομένα μετρήσεων τύπου Poisson, όπου ο παρατηρούμενος αριθμός κρουσμάτων συνδέεται με έναν λανθάνοντα χωρικό ή χωροχρονικό μηχανισμό που περιγράφει τον υποκείμενο επιδημιολογικό κίνδυνο. Η χωρική εξάρτηση ενσωματώνεται μέσω δομημένων τυχαίων επιδράσεων με χρήση Conditional Autoregressive (CAR) προσεγγίσεων, συμπεριλαμβανομένων των ICAR, Leroux και των μοντέλων Besag–York–Mollié (BYM και BYM2). Παράλληλα, εξετάζεται η συνεχής χωρική αναπαράσταση μέσω Γκαουσιανών Χωρικών Πεδίων με συναρτήσεις συσχέτισης Matérn και η διατύπωσή τους μέσω της προσέγγισης Στοχαστικών Μερικών Διαφορικών Εξισώσεων (SPDE), που επιτρέπει την αποδοτική αριθμητική υλοποίηση των μοντέλων. Η χρονική διάσταση εισάγεται μέσω δυναμικών prior διαδικασιών, όπως αυτοπαλίνδρομα μοντέλα και τυχαίοι περίπατοι πρώτης και δεύτερης τάξης, καθώς και μέσω spline-based προσεγγίσεων, επιτρέποντας την αποτύπωση ομαλών χρονικών μεταβολών. Επιπλέον, εξετάζονται χωροχρονικές διατυπώσεις που επιτρέπουν την αλληλεπίδραση μεταξύ χωρικών και χρονικών συνιστωσών. Η Bayesian εκτίμηση πραγματοποιείται με τη μέθοδο Integrated Nested Laplace Approximation (INLA), η οποία είναι κατάλληλη για λανθάνοντα Γκαουσιανά μοντέλα υψηλής διάστασης. Η προτεινόμενη μεθοδολογία εφαρμόζεται σε προσομοιωμένα επιδημιολογικά δεδομένα που αναπαριστούν τη χωρική και χρονική εξέλιξη νόσου στην Κένυα. Στο πλαίσιο της εφαρμογής εκτιμώνται εξομαλυμένοι χάρτες σχετικού κινδύνου, διερευνώνται χωρικά και χρονικά πρότυπα, αξιολογείται η προσαρμογή και η προβλεπτική ικανότητα των μοντέλων και παράγονται προβλεπτικοί χάρτες κινδύνου για το έτος 2025.","abstract_has_math":false,"creators":["ΚΑΜΠΑ ΦΩΤΕΙΝΗ-ΚΥΡΙΑΚΗ","KAMPA FOTEINI-KYRIAKI"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:02:15Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5373254"],"render_values":[{"text":"uoadl:5373254","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5373254","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΜΠΑ ΦΩΤΕΙΝΗ-ΚΥΡΙΑΚΗ","KAMPA FOTEINI-KYRIAKI"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5373254","https://pergamos.lib.uoa.gr/uoa/dl/object/5373254"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία πραγματεύεται τη Bayesian χωροχρονική μοντελοποίηση και χαρτογράφηση του κινδύνου εμφάνισης νόσων, με στόχο την εκτίμηση και πρόβλεψη του σχετικού κινδύνου στον χώρο και στον χρόνο. Η ανάλυση βασίζεται σε ιεραρχικά Bayesian μοντέλα για δεδομένα μετρήσεων τύπου Poisson, όπου ο παρατηρούμενος αριθμός κρουσμάτων συνδέεται με έναν λανθάνοντα χωρικό ή χωροχρονικό μηχανισμό που περιγράφει τον υποκείμενο επιδημιολογικό κίνδυνο. Η χωρική εξάρτηση ενσωματώνεται μέσω δομημένων τυχαίων επιδράσεων με χρήση Conditional Autoregressive (CAR) προσεγγίσεων, συμπεριλαμβανομένων των ICAR, Leroux και των μοντέλων Besag–York–Mollié (BYM και BYM2). Παράλληλα, εξετάζεται η συνεχής χωρική αναπαράσταση μέσω Γκαουσιανών Χωρικών Πεδίων με συναρτήσεις συσχέτισης Matérn και η διατύπωσή τους μέσω της προσέγγισης Στοχαστικών Μερικών Διαφορικών Εξισώσεων (SPDE), που επιτρέπει την αποδοτική αριθμητική υλοποίηση των μοντέλων. Η χρονική διάσταση εισάγεται μέσω δυναμικών prior διαδικασιών, όπως αυτοπαλίνδρομα μοντέλα και τυχαίοι περίπατοι πρώτης και δεύτερης τάξης, καθώς και μέσω spline-based προσεγγίσεων, επιτρέποντας την αποτύπωση ομαλών χρονικών μεταβολών. Επιπλέον, εξετάζονται χωροχρονικές διατυπώσεις που επιτρέπουν την αλληλεπίδραση μεταξύ χωρικών και χρονικών συνιστωσών. Η Bayesian εκτίμηση πραγματοποιείται με τη μέθοδο Integrated Nested Laplace Approximation (INLA), η οποία είναι κατάλληλη για λανθάνοντα Γκαουσιανά μοντέλα υψηλής διάστασης. Η προτεινόμενη μεθοδολογία εφαρμόζεται σε προσομοιωμένα επιδημιολογικά δεδομένα που αναπαριστούν τη χωρική και χρονική εξέλιξη νόσου στην Κένυα. Στο πλαίσιο της εφαρμογής εκτιμώνται εξομαλυμένοι χάρτες σχετικού κινδύνου, διερευνώνται χωρικά και χρονικά πρότυπα, αξιολογείται η προσαρμογή και η προβλεπτική ικανότητα των μοντέλων και παράγονται προβλεπτικοί χάρτες κινδύνου για το έτος 2025.","The present thesis investigates Bayesian spatio-temporal modelling and disease risk mapping, with the objective of estimating and predicting relative disease risk across space and time. The analysis is grounded in hierarchical Bayesian models for Poisson count data, where the observed number of disease cases is linked to a latent spatial or spatio-temporal process that represents the underlying epidemiological risk structure. Spatial dependence is incorporated through structured random effects using Conditional Autoregressive (CAR) formulations, including the Intrinsic CAR (ICAR), the Leroux model, and the Besag–York–Mollié specifications (BYM and BYM2). In addition, continuous spatial representation is examined through Gaussian Random Fields with Matérn covariance functions and their formulation via the Stochastic Partial Differential Equation (SPDE) approach, which enables computationally efficient implementation of spatial models in high dimensions. The temporal dimension is introduced through dynamic prior processes, such as autoregressive structures and first- and second-order random walks, as well as spline-based approaches that allow the modelling of smooth temporal evolution. Furthermore, spatio-temporal model formulations that permit interaction between spatial and temporal components are considered in order to capture more complex dependence structures. Bayesian inference is conducted using the Integrated Nested Laplace Approximation (INLA) methodology, which is particularly suitable for latent Gaussian models of high dimensionality and provides accurate and computationally efficient posterior approximations. The proposed modelling framework is applied to simulated epidemiological data representing the spatial and temporal progression of a disease in Kenya. Within this application, smoothed maps of relative risk are estimated, spatial and temporal patterns are explored, model fit and predictive performance are assessed, and predictive risk maps for the year 2025 are produced."]},{"key":"dc:title","label":"Title","values":["Bayesian spatio-temporal modelling, mapping and prediction of disease risk"]}]}],"canonical_facts":{"dc:creator":["ΚΑΜΠΑ ΦΩΤΕΙΝΗ-ΚΥΡΙΑΚΗ","KAMPA FOTEINI-KYRIAKI"],"dc:date":["2026"],"dc:description":["Η παρούσα διπλωματική εργασία πραγματεύεται τη Bayesian χωροχρονική μοντελοποίηση και χαρτογράφηση του κινδύνου εμφάνισης νόσων, με στόχο την εκτίμηση και πρόβλεψη του σχετικού κινδύνου στον χώρο και στον χρόνο. Η ανάλυση βασίζεται σε ιεραρχικά Bayesian μοντέλα για δεδομένα μετρήσεων τύπου Poisson, όπου ο παρατηρούμενος αριθμός κρουσμάτων συνδέεται με έναν λανθάνοντα χωρικό ή χωροχρονικό μηχανισμό που περιγράφει τον υποκείμενο επιδημιολογικό κίνδυνο. Η χωρική εξάρτηση ενσωματώνεται μέσω δομημένων τυχαίων επιδράσεων με χρήση Conditional Autoregressive (CAR) προσεγγίσεων, συμπεριλαμβανομένων των ICAR, Leroux και των μοντέλων Besag–York–Mollié (BYM και BYM2). Παράλληλα, εξετάζεται η συνεχής χωρική αναπαράσταση μέσω Γκαουσιανών Χωρικών Πεδίων με συναρτήσεις συσχέτισης Matérn και η διατύπωσή τους μέσω της προσέγγισης Στοχαστικών Μερικών Διαφορικών Εξισώσεων (SPDE), που επιτρέπει την αποδοτική αριθμητική υλοποίηση των μοντέλων. Η χρονική διάσταση εισάγεται μέσω δυναμικών prior διαδικασιών, όπως αυτοπαλίνδρομα μοντέλα και τυχαίοι περίπατοι πρώτης και δεύτερης τάξης, καθώς και μέσω spline-based προσεγγίσεων, επιτρέποντας την αποτύπωση ομαλών χρονικών μεταβολών. Επιπλέον, εξετάζονται χωροχρονικές διατυπώσεις που επιτρέπουν την αλληλεπίδραση μεταξύ χωρικών και χρονικών συνιστωσών. Η Bayesian εκτίμηση πραγματοποιείται με τη μέθοδο Integrated Nested Laplace Approximation (INLA), η οποία είναι κατάλληλη για λανθάνοντα Γκαουσιανά μοντέλα υψηλής διάστασης. Η προτεινόμενη μεθοδολογία εφαρμόζεται σε προσομοιωμένα επιδημιολογικά δεδομένα που αναπαριστούν τη χωρική και χρονική εξέλιξη νόσου στην Κένυα. Στο πλαίσιο της εφαρμογής εκτιμώνται εξομαλυμένοι χάρτες σχετικού κινδύνου, διερευνώνται χωρικά και χρονικά πρότυπα, αξιολογείται η προσαρμογή και η προβλεπτική ικανότητα των μοντέλων και παράγονται προβλεπτικοί χάρτες κινδύνου για το έτος 2025.","The present thesis investigates Bayesian spatio-temporal modelling and disease risk mapping, with the objective of estimating and predicting relative disease risk across space and time. The analysis is grounded in hierarchical Bayesian models for Poisson count data, where the observed number of disease cases is linked to a latent spatial or spatio-temporal process that represents the underlying epidemiological risk structure. Spatial dependence is incorporated through structured random effects using Conditional Autoregressive (CAR) formulations, including the Intrinsic CAR (ICAR), the Leroux model, and the Besag–York–Mollié specifications (BYM and BYM2). In addition, continuous spatial representation is examined through Gaussian Random Fields with Matérn covariance functions and their formulation via the Stochastic Partial Differential Equation (SPDE) approach, which enables computationally efficient implementation of spatial models in high dimensions. The temporal dimension is introduced through dynamic prior processes, such as autoregressive structures and first- and second-order random walks, as well as spline-based approaches that allow the modelling of smooth temporal evolution. Furthermore, spatio-temporal model formulations that permit interaction between spatial and temporal components are considered in order to capture more complex dependence structures. Bayesian inference is conducted using the Integrated Nested Laplace Approximation (INLA) methodology, which is particularly suitable for latent Gaussian models of high dimensionality and provides accurate and computationally efficient posterior approximations. The proposed modelling framework is applied to simulated epidemiological data representing the spatial and temporal progression of a disease in Kenya. Within this application, smoothed maps of relative risk are estimated, spatial and temporal patterns are explored, model fit and predictive performance are assessed, and predictive risk maps for the year 2025 are produced."],"dc:identifier":["uoadl:5373254","https://pergamos.lib.uoa.gr/uoa/dl/object/5373254"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Bayesian spatio-temporal modelling, mapping and prediction of disease risk"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:02:15Z"}