Modeling Spatial Heterogeneity in Exposure Buffers and Risk: A Hierarchical Bayesian Approach

Aquí presento un resumen técnico detallado del artículo "Modeling Spatial Heterogeneity in Exposure Buffers and Risk: A Hierarchical Bayesian Approach" (Modelado de la Heterogeneidad Espacial en Búferes de Exposición y Riesgo: Un Enfoque Bayesiano Jerárquico), escrito por Saskia Comess, Daniel E. Ho y Joshua L. Warren.

---

1. Planteamiento del Problema

En los estudios epidemiológicos basados en la ubicación (place-based), es común definir la "exposición" a factores de riesgo espaciales (como instalaciones de salud, contaminación o características del entorno construido) utilizando búferes circulares predefinidos.

• Limitaciones actuales: El radio de estos búferes suele elegirse de manera arbitraria (por ejemplo, 5 km) y se asume que es constante en todo el dominio espacial.
• El problema: Esta suposición ignora la heterogeneidad espacial. La distancia efectiva a la cual un factor influye en un resultado de salud puede variar significativamente según el contexto local (ej. zonas rurales vs. urbanas, topografía, densidad de población).
• Consecuencias: La elección incorrecta o rígida del radio puede llevar a inferencias estadísticas subóptimas, sesgos en la estimación de efectos y resultados contradictorios en la literatura. Los métodos existentes para estimar radios (como modelos de retardo distribuido espacial o enfoques de dos etapas) a menudo carecen de flexibilidad, requieren replicación espacial o no permiten inferencia directa sobre la variabilidad espacial de los parámetros.

2. Metodología Propuesta: SVBR

Los autores desarrollan SVBR (Spatially-Varying Buffer Radii), un modelo jerárquico bayesiano de puntos de cambio espacial que trata el radio del búfer y el efecto de la exposición como parámetros desconocidos que pueden variar espacialmente.

Estructura del Modelo

El modelo se formula para $m$ ubicaciones espaciales únicas ($s_j$) con $n_j$ unidades de resultado en cada una. La variable de resultado $Y_i(s_j)$ se modela como:
$$g[\mu_i(s_j)] = O_i(s_j) + x_i(s_j)^T \beta + z[s_j; \delta(s_j)] \theta(s_j)$$

Donde:

• $z[s_j; \delta(s_j)]$: Es la definición de exposición, que depende de la ubicación $s_j$ y del radio local $\delta(s_j)$. Se consideran dos definiciones:
  1. Conteos: Número de fuentes dentro del radio $\delta(s_j)$.
  2. Exposición Esférica: Un peso continuo que decae con la distancia hasta llegar a cero en $\delta(s_j)$.
• $\delta(s_j)$: El radio del búfer específico para la ubicación $s_j$.
• $\theta(s_j)$: El coeficiente del efecto de la exposición en la ubicación $s_j$.

Modelado de la Heterogeneidad Espacial

• Radios Variables ($\delta(s_j)$): Se modelan mediante una transformación logit inversa (usando la función de distribución acumulada normal inversa, $\Phi^{-1}$) de una combinación lineal de covariables locales ($w(s_j)$) y efectos aleatorios espaciales correlacionados ($\phi(s_j)$):
  $$\Phi^{-1}\left(\frac{\delta(s_j) - a}{b - a}\right) = w(s_j)^T \gamma + \phi(s_j)$$
  Donde $\phi$ sigue un proceso gaussiano con estructura de covarianza exponencial.
• Efectos Variables ($\theta(s_j)$): Se modelan como una función lineal de covariables locales ($q(s_j)$):
  $$\theta(s_j) = q(s_j)^T \eta$$

Variantes del Modelo

El marco SVBR incluye casos límite para comparación:

1. SVBR[$\delta, \theta$]: Un radio y un efecto únicos para todo el dominio (equivalente a los métodos tradicionales pero con radio estimado).
2. SVBR[$\delta(s_j), \theta$]: Radios variables espacialmente, pero efecto constante.
3. SVBR[$\delta(s_j), \theta(s_j)$]: Radios y efectos variables espacialmente (el modelo más flexible).

Inferencia Computacional

• Se utiliza MCMC (Cadena de Markov de Monte Carlo) para la inferencia.
• Se emplean variables latentes Pólya-Gamma para facilitar la conjugación en modelos binomiales y binomiales negativos.
• Se incluye una aproximación de proceso predictivo para manejar grandes conjuntos de datos espaciales (aunque no se usó en el estudio principal).
• El método está implementado en el paquete de R EpiBuffer.

3. Contribuciones Clave

1. Heterogeneidad sin replicación: Permite modelar la variación espacial en los radios y efectos sin requerir replicación espacial dentro de las unidades de estudio.
2. Radios Continuos: Elimina la necesidad de definir secuencias discretas de distancias o puntos de corte arbitrarios; los radios se estiman como variables continuas.
3. Inferencia Directa: Permite inferencia directa sobre los parámetros de radio variables dentro de un solo modelo unificado, cuantificando la incertidumbre.
4. Marco Unificado: Integra modelos tradicionales de radio fijo como casos límite, permitiendo una comparación rigurosa.
5. Software Accesible: Desarrollo y publicación del paquete EpiBuffer para facilitar la adopción por parte de la comunidad científica.

4. Resultados

Estudio de Simulación

Se diseñaron simulaciones basadas en datos reales de Madagascar para evaluar el rendimiento del modelo bajo cinco escenarios (desde "sin efecto" hasta "especificación incorrecta").

• Precisión: El modelo correctamente especificado (o el más flexible, SVBR[$\delta(s_j), \theta(s_j)$]) superó consistentemente a los modelos restringidos en escenarios con variabilidad espacial real.
• Robustez: Los modelos flexibles mantuvieron un buen rendimiento incluso cuando los datos eran más simples (sin variación espacial), demostrando capacidad de adaptación.
• Selección de Modelo: Las métricas de comparación de modelos (WAIC, PSIS-LOO, LPML) identificaron correctamente el modelo subyacente en la mayoría de los casos, guiando la selección del modelo adecuado.
• Cobertura: Los intervalos de credibilidad mostraron una cobertura empírica cercana al nivel nominal del 95%.

Aplicación: Acceso a la Salud en Madagascar

Se aplicó el modelo a datos de la Encuesta Demográfica y de Salud (DHS) de 2021 en la provincia de Toliara, Madagascar, para estudiar el acceso a la atención prenatal (ANC).

• Hallazgo Principal: Existe una variabilidad espacial significativa en la distancia efectiva a la que las instalaciones de salud influyen en la utilización de servicios de atención prenatal.
• Radios Estimados: Mientras que un modelo de radio fijo de 5 km (común en la literatura) mostró un efecto moderado, el modelo SVBR[$\delta(s_j), \theta$] estimó radios que variaron desde 2.47 km hasta 17.08 km entre diferentes conglomerados.
• Factores Contextuales: Se encontró que las áreas más urbanizadas (mayor Índice de Huella Humana Global, GHFI) tienden a tener radios de acceso más pequeños, mientras que las áreas rurales requieren radios más grandes para capturar el efecto.
• Efecto de la Exposición: La proximidad a las instalaciones aumenta significativamente la probabilidad de recibir $\ge$ 4 visitas de ANC. El modelo flexible estimó que cada instalación adicional dentro del búfer local aumenta las probabilidades en un 86% (OR = 1.86), un efecto mayor que el estimado por modelos de radio fijo.
• Validación: Las pruebas de validación (valores p bayesianos y CPO) confirmaron que los modelos con radios variables ajustaban mejor los datos que los modelos de radio fijo.

5. Significado e Implicaciones

• Políticas Públicas: Los resultados desafían la utilidad de umbrales de distancia uniformes (como la regla de los 5 km) para definir el acceso a la salud. Las estrategias de ubicación de instalaciones y asignación de recursos deben ser específicas al contexto, reconociendo que la "accesibilidad" varía geográficamente.
• Metodología Epidemiológica: SVBR ofrece una alternativa basada en datos a la selección ad-hoc de búferes, reduciendo el sesgo de especificación y mejorando la inferencia causal en estudios espaciales.
• Generalidad: Aunque se aplicó a la salud pública, el marco es agnóstico al tipo de exposición, siendo aplicable a estudios de contaminación, crimen, o cualquier riesgo ambiental donde la escala de influencia varíe espacialmente.

En conclusión, el artículo demuestra que relajar las suposiciones rígidas sobre los búferes de exposición mediante un enfoque bayesiano jerárquico permite una comprensión más precisa y matizada de cómo los factores espaciales influyen en los resultados de salud, con implicaciones directas para la planificación sanitaria y la investigación epidemiológica.