ADVANCED BAYESIAN MODELING IN PUBLIC HEALTH AND ENVIRONMENTAL RISK ASSESSMENT

Public health and environmental challenges, including air pollution, climate change, and natural disasters, pose significant threats to global well-being. Addressing these issues requires a deep understanding of the underlying data to inform effective policy and mitigation strategies. This thesis applies advanced Bayesian modeling techniques to three key areas within public health and environmental risk assessment: Bayesian clustering methods for environmental data, spatial disease mapping, and earthquake parameter estimation using smartphone accelerometer data. Bayesian models are particularly suited for these domains due to their ability to manage uncertainty, incorporate prior knowledge, and handle complex relationships within high-dimensional, noisy, or sparse datasets. The first project in this thesis explores Bayesian clustering techniques for environmental data, providing insights into hidden structures and patterns in spatio-temporal datasets. The second project introduces a Bayesian nonparametric approach to spatial disease mapping, enhancing flexibility and precision in capturing disease dynamics. This method incorporates key covariates such as population demographics and socioeconomic factors and accounts for complex spatial dependencies. The third project focuses on earthquake detection. It develops a Bayesian survival model to analyze crowd-sourced data from smartphone accelerometers, enhancing the accuracy of earthquake parameter estimation. This thesis underscores the potential to improve decision-making and policy implementation in public health and environmental risk management by demonstrating the versatility of Bayesian methods across these diverse applications. The work highlights how Bayesian techniques can overcome the limitations of traditional statistical methods, offering more reliable estimates and insights in fields where uncertainty and data limitations are prevalent.

Le sfide per la salute pubblica e l'ambiente, tra cui l'inquinamento atmosferico, i cambiamenti climatici e i disastri naturali, rappresentano minacce significative per il benessere globale. Affrontare questi problemi richiede una profonda comprensione dei dati sottostanti per informare politiche e strategie di mitigazione efficaci. Questa tesi applica tecniche avanzate di modellizzazione bayesiana a tre aree chiave della valutazione del rischio per la salute pubblica e ambientale: metodi di clustering bayesiano per dati ambientali, mappatura spaziale delle malattie e stima dei parametri dei terremoti utilizzando dati di accelerometri su smartphone. I modelli bayesiani sono particolarmente adatti a questi ambiti poiché permettono di gestire l’incertezza, incorporare conoscenze a priori e trattare relazioni complesse all’interno di dataset ad alta dimensionalità, rumorosi o sparsi. Il primo progetto di questa tesi esplora tecniche di clustering bayesiano per dati ambientali, rivelando strutture e pattern nascosti nei dataset spazio-temporali. Il secondo progetto introduce un approccio bayesiano non parametrico alla mappatura spaziale delle malattie, migliorando flessibilità e precisione nel descrivere le dinamiche delle malattie. Questo metodo incorpora variabili chiave come la demografia della popolazione e i fattori socioeconomici, tenendo conto di dipendenze spaziali complesse. Il terzo progetto si concentra sulla rilevazione dei terremoti. Sviluppa un modello di sopravvivenza bayesiano per analizzare dati raccolti tramite accelerometri su smartphone, migliorando l’accuratezza nella stima dei parametri sismici. Questa tesi evidenzia il potenziale delle tecniche bayesiane per migliorare i processi decisionali e l'implementazione delle politiche nella gestione dei rischi per la salute pubblica e l'ambiente, dimostrando la versatilità dei metodi bayesiani in queste applicazioni. Il lavoro mette in luce come tali tecniche possano superare i limiti dei metodi statistici tradizionali, offrendo stime e intuizioni più affidabili in campi caratterizzati da incertezze e limitazioni nei dati.