Spatially continuous modelling of aggregated outcome data

Resumen Técnico: Modelado Espacialmente Continuo de Datos de Resultados Agregados

1. El Problema: Desalineación Espacial y Sesgo de Agregación

El artículo aborda el problema de la desalineación espacial, una situación común en epidemiología espacial donde la resolución de los datos de respuesta (ej. conteos de enfermedades o concentraciones de virus) no coincide con la resolución de las variables explicativas (covariables).

• Contexto: Los datos de respuesta suelen estar agregados en unidades administrativas (bloques, blocks), mientras que las covariables están disponibles a una resolución más fina, típicamente como imágenes raster (celdas o píxeles).
• Limitaciones de los enfoques actuales:
  • Promedio espacial: Pre-procesar las covariables promediándolas sobre los bloques para alinearlas con la respuesta introduce sesgo de agregación en modelos no lineales.
  • Unidades Areal Modificables (MAUP): La elección de cómo definir los bloques afecta drásticamente las predicciones.
  • Modelos discretos (MRF): Los enfoques basados en Campos Aleatorios de Markov (MRF) están limitados a la escala de los bloques observados y no permiten una desagregación fiable a resoluciones más finas.

2. Metodología Propuesta: Enfoque de Agregación de Bloques

Los autores proponen un modelo de agregación de bloques que trata el proceso subyacente como continuo en el espacio, independientemente de la estructura de los datos observados.

• Estructura del Modelo:

  1. Proceso Latente Continuo ($S$): Se define un proceso espacial continuo en una resolución fina (celdas $b_{ij}$) compuesto por efectos fijos ($\beta$) y un efecto aleatorio espacial continuo $R(\cdot)$ (generalmente un campo Gaussiano de Matérn).
     $$S(b_{ij}) = \beta^\top z(b_{ij}) + R(b_{ij})$$
  2. Modelo de Muestreo y Agregación: La respuesta observada en un bloque $B_i$ ($Y_i$) se modela como una integración espacial del proceso latente sobre el área del bloque, utilizando una función de enlace inversa $f(\cdot)$ y una función de ponderación $w(x)$.
     $$\mu_i = \int_{B_i} w(x) f(S(x)) dx \approx \sum_{j=1}^{m_i} w(b_{ij}) f(S(b_{ij}))$$
  3. Distribución de la Respuesta: $Y_i$ sigue una distribución condicional (Gaussiana o Poisson) dada $\mu_i$.

• Inferencia (INLA Linealizada):

  • Dado que la función de enlace puede ser no lineal (ej. log-link en Poisson), el predictor no es lineal respecto a los parámetros latentes.
  • Se utiliza un marco Bayesiano con Integración Anidada de Laplace (INLA).
  • Para manejar la no linealidad, se emplea un método de linealización iterativa (aproximación de Taylor de primer orden) del predictor, actualizando el punto de linealización hasta la convergencia. Esto permite usar INLA de manera eficiente sin necesidad de MCMC.

3. Contribuciones Clave

• Marco Unificado: Propone un marco que combina un modelo de proceso espacial continuo con un modelo de muestreo discreto para datos agregados, evitando la pérdida de información por pre-procesamiento.
• Desagregación Espacial: Permite realizar inferencias y predicciones a cualquier resolución espacial requerida (desde la escala del bloque hasta la escala de la celda raster), algo que los modelos MRF estándar no pueden hacer de manera natural.
• Corrección de Sesgo: Elimina el sesgo de agregación en modelos no lineales (como Poisson log-lineal) al integrar el proceso latente sobre el área del bloque en lugar de evaluarlo en el centroide o promediar las covariables.
• Implementación Eficiente: Adapta el método INLA linealizado para manejar la integración espacial dentro del modelo jerárquico, facilitando su aplicación a grandes conjuntos de datos.

4. Resultados

El estudio compara el método propuesto con dos enfoques estándar:

1. Modelo de Centroides: Trata la respuesta del bloque como un punto en el centroide y promedia las covariables.
2. Campo Aleatorio de Markov (MRF): Modela la dependencia espacial solo entre bloques adyacentes.

• Estudio de Simulación:

  • Predicción a nivel de bloque: Los tres métodos tienen un rendimiento similar cuando el objetivo es predecir solo dentro de los bloques observados (excepto cuando el rango de correlación espacial es muy pequeño, donde el MRF falla).
  • Predicción a nivel de celda (Desagregación): El método de agregación de bloques supera significativamente a los comparadores en la predicción a nivel de celda ($\mu_{ij}$), especialmente en modelos Poisson. Los comparadores sufren de sesgo de agregación y no pueden estimar efectos de covariables a alta resolución.
  • Cobertura: El método propuesto mantiene coberturas de intervalos creíbles cercanas al 95% nominal, mientras que los comparadores a menudo muestran coberturas bajas.

• Aplicaciones Reales:

  1. Concentraciones de Virus en Aguas Residuales (Inglaterra): Predicción de concentraciones de SARS-CoV-2 en áreas de captación de plantas de tratamiento (irregulares) y proyección a Autoridades Locales (LTLA). El método propuesto y el de centroides dieron resultados similares en LTLA, pero el MRF mostró diferencias sustanciales y mayor variabilidad.
  2. Hospitalizaciones Cardiovasculares: Modelado de conteos de hospitalizaciones por LTLA usando covariables socio-demográficas a nivel de LSOA (unidades más pequeñas). El modelo permitió generar mapas de riesgo a nivel de LSOA, revelando patrones espaciales finos que los otros métodos no podían capturar directamente.

5. Significado e Impacto

• Flexibilidad Escalar: El enfoque demuestra que es posible modelar procesos naturales como continuos sin estar atados a la escala de los datos observados. Esto es crucial para la vigilancia de salud pública y la epidemiología ambiental.
• Mejora en la Toma de Decisiones: Al permitir la desagregación de datos agregados a resoluciones finas, los responsables políticos pueden identificar "puntos calientes" de riesgo a nivel de vecindario o celda, en lugar de solo a nivel de distrito administrativo.
• Eficiencia Computacional: La implementación basada en INLA linealizado hace que el método sea viable para sistemas de vigilancia en tiempo casi real, superando las limitaciones computacionales de los métodos MCMC tradicionales para modelos complejos.
• Relevancia Futura: El trabajo sienta las bases para integrar datos de múltiples resoluciones en sistemas de salud pública, permitiendo una comprensión más precisa de las relaciones entre covariables y resultados de salud sin sacrificar información por agregación prematura.