Numeriske modeller og helseregisterdata

Numeriske metoder er en velkjent form for problemløsning innen forskning, og noen av metodene har bruk som spenner mellom flere fagområder. Det er derfor relevant og interessant å se på løsninger som kan forbedre metodene. Markov chain Monte Carlo er en populær numerisk metode, men den kommer også med ulike utfordringer. Et av arbeidene viser til oppdateringer som kan gjøres innenfor en gren av Markov chain Monte Carlo, og hvordan det kan effektivisere metoden. Noen ganger er det likevel nødvendig å ty til helt andre numeriske metoder, for eksempel når man har modeller med mange latente variable. For å se på romlige tilfeldige effekter har vi derfor brukt numeriske metoder som er tilpasset dette. I disse arbeidene har vi brukt helseregisterdata fra Medisinsk fødselsregister og sett på romlig korrelasjon.

Fødselsvekt er ikke forventet å variere mellom regioner i Norge, noe som vil si at den romlige variasjonen forventes å være meget lav. Disse dataene er dermed gunstig for å teste hvordan metoden fungere i slike tilfeller. Andelen fødsler som ender i keisersnitt er derimot kjent for å variere mellom ulike sykehus i Norge. Ved å tilpasse modeller har vi estimert keisersnittsrater i norske kommuner fra 2001 til 2014, i tillegg til den romlige korrelasjonen mellom kommunene i disse årene. Estimatene viser en generell (og forventet) økning i andelen keisersnitt fra første til siste år av studieperioden. I tillegg finner vi forskjell i keisersnittsrate mellom landsdelene og romlig korrelasjon som bygger oppunder dette.

Personalia

Janne Mannseth er oppvokst i Bergen, og har mastergrad i statistikk fra UiB i 2014. Siden har hun vært ansatt som stipendiat i statistikk ved matematisk institutt (UiB). Arbeidet med doktorgraden har vært veiledet av professor Hans Julius Skaug (UiB). Professor Tore Selland Kleppe (UiS) og postdoktor Geir Drage Berentsen (UiB) har vært biveiledere.