Prior Smoothing for Multivariate Disease Mapping Models

Resumen Técnico: Suavizado Priori en Modelos de Mapeo de Enfermedades Multivariantes

1. Planteamiento del Problema

El mapeo de enfermedades es una herramienta fundamental en la epidemiología espacial para estimar la distribución geográfica del riesgo de enfermedad. Tradicionalmente, se ha centrado en datos univariantes, pero existe una literatura creciente sobre mapeo multivariante, donde se modelan simultáneamente múltiples enfermedades que pueden presentar dependencia espacial y entre sí.

El desafío central abordado en este trabajo es la evaluación del suavizado (smoothing) inducido por los priores espaciales.

• Contexto: Los modelos jerárquicos utilizan efectos aleatorios espaciales (como priores CAR) para estabilizar las tasas de riesgo, especialmente en áreas pequeñas con datos escasos.
• Problema: La literatura tradicional evalúa estos modelos basándose en el "ajuste" (goodness-of-fit). Sin embargo, un ajuste perfecto sin suavizado es indeseable (genera mapas ruidosos), mientras que un exceso de suavizado oculta patrones reales de riesgo.
• Vacío de conocimiento: No existían métricas estandarizadas para cuantificar cuánto suavizado introduce un prior específico ni para comparar el nivel de suavizado entre diferentes priores multivariantes, especialmente en relación con sus hiperparámetros.

2. Metodología

Los autores proponen un marco teórico y empírico para medir el suavizado en modelos de Poisson-LogitNormal multivariantes.

A. Modelos Utilizados:
Se consideran tres familias de priores espaciales multivariantes basados en el enfoque de modelos M (Botella-Rocamora et al., 2015), que permiten un modelado conjunto eficiente de múltiples resultados de salud:

1. iCAR (Intrinsic CAR): Estructura de covarianza separable.
2. LCAR (Leroux CAR): Estructura separable con un parámetro de dependencia espacial $\lambda$.
3. LjCAR: Estructura no separable donde cada enfermedad tiene su propio parámetro de dependencia espacial $\lambda_j$.

B. Métricas Propuestas:

1. Métrica Teórica (TCV Multivariante):

   • Extiende el concepto de Varianza Condicional Total (TCV) de univariante a multivariante.
   • Se basa en la varianza generalizada (determinante) de la matriz de covarianza condicional de los efectos espaciales.
   • Se calcula como la suma de los determinantes de las matrices de covarianza condicional para cada área: $\sum_i |[(\Sigma^{-1})_{ii}]^{-1}|$.
   • Interpretación: Un valor de TCV más bajo indica un suavizado más fuerte.

2. Métricas Empíricas:

   • RMSS (Criterio de Suavizado Relativo de Error Cuadrático Medio): Mide la discrepancia relativa entre la media posterior estimada y la tasa empírica observada.
   • RSP (Proporción de Suavizado Relativo): Evalúa el grado de suavizado de una enfermedad específica en relación con el suavizado máximo posible.
   • SP (Proporción de Suavizado Global): Suma las métricas sobre todas las enfermedades para comparar priores globalmente.

C. Diseño de Estudios:

• Estudios de Simulación: Se generaron datos basados en Procesos Gaussianos (GP) para dos enfermedades bajo cuatro escenarios (variando correlación y variabilidad de tasas) y tres niveles de desagregación espacial (47 provincias, 100 y 300 áreas).
• Datos Reales: Se analizó la mortalidad por cáncer de colon, estómago y páncreas en mujeres de 50+ años en España continental, utilizando las mismas resoluciones espaciales.

3. Contribuciones Clave

1. Extensión a lo Multivariante: Se extiende la investigación previa sobre suavizado (univariante) al contexto multivariante, abordando la complejidad de las dependencias entre enfermedades.
2. Nuevas Métricas de Evaluación: Se proponen métricas teóricas (basadas en la estructura de la matriz de precisión) y empíricas específicas para cuantificar y comparar el suavizado, independientemente del ajuste del modelo.
3. Análisis de Sensibilidad: Se demuestra cómo los hiperparámetros de los priores (varianzas entre enfermedades $\Sigma_{jj}$ y parámetros de dependencia $\lambda$) afectan el grado de suavizado.
4. Herramienta para la Toma de Decisiones: Se ofrece a los practicantes una forma de visualizar y cuantificar dónde y cuánto suaviza el modelo, permitiendo decisiones más informadas sobre la elección del prior.

4. Resultados Principales

Estudios de Simulación (Dentro y Entre Priores):

• Influencia de los Hiperparámetros: Las varianzas entre enfermedades ($\Sigma_{11}, \Sigma_{22}$) tienen el mayor impacto en el suavizado. A medida que estas varianzas disminuyen, el suavizado aumenta (tanto teórica como empíricamente).
• Efecto de la Correlación ($\rho$): El efecto de la correlación entre enfermedades en el suavizado es complejo y depende de la estructura subyacente de los datos y de los valores de las varianzas. En algunos casos, aumentar la correlación reduce el suavizado empírico, contradiciendo la intuición teórica inicial, lo que sugiere que la estructura de correlación real de los datos modula el efecto.
• Comparación de Priores:
  • El prior iCAR induce consistentemente más suavizado que LCAR y LjCAR.
  • Los priores LCAR y LjCAR muestran un comportamiento similar y menos suavizado que iCAR.
  • El suavizado aumenta a medida que crece el número de áreas (mayor resolución espacial), y las diferencias entre priores se vuelven más pronunciadas.
• Variabilidad de Tasas: Mayores disparidades en las tasas de enfermedad entre las enfermedades modeladas conducen a un mayor grado de suavizado.

Análisis con Datos Reales:

• Se confirmaron los hallazgos de la simulación: iCAR suaviza más que LCAR y LjCAR.
• El modelado conjunto de tres enfermedades (colon, estómago, páncreas) no alteró significativamente la proporción de suavizado global en comparación con modelos bivariantes, sugiriendo que para un número moderado de enfermedades, los resultados son estables.
• Patrones Espaciales: El suavizado más intenso ocurre en áreas donde las tasas son inusualmente altas o bajas en comparación con sus vecinos (ej. enclaves de alto riesgo rodeados de áreas de bajo riesgo). Las métricas empíricas permiten identificar estas áreas específicas donde el modelo puede estar "ocultando" patrones reales debido al exceso de suavizado.

5. Significado e Implicaciones

Este trabajo es fundamental para la epidemiología espacial porque:

• Cambia el enfoque de evaluación: Pasa de evaluar solo el "ajuste" a evaluar la "suavidad" del modelo, lo cual es el objetivo real del mapeo de enfermedades.
• Guía la selección de priores: Proporciona criterios cuantitativos para elegir entre iCAR, LCAR o LjCAR según el nivel de suavizado deseado y la estructura de los datos.
• Mejora la interpretación: Al ofrecer mapas de componentes específicos de suavizado por área, ayuda a los investigadores a identificar regiones donde las estimaciones pueden estar sesgadas por el modelo, fomentando una interpretación más crítica de los resultados de salud pública.
• Recomendación Práctica: Se sugiere complementar las métricas globales con mapas de suavizado local para detectar discontinuidades o áreas donde el modelo no captura adecuadamente la realidad, posiblemente requiriendo métodos alternativos para modelar discontinuidades.

En conclusión, el artículo establece un marco robusto para entender y controlar el suavizado en modelos multivariantes, mejorando la transparencia y la utilidad de los mapas de riesgo para la toma de decisiones en salud pública.