Joint Bayesian models for validating spatial health-event databases against a gold standard: separating global and local discrepancies

Resumen Técnico: Modelos Bayesianos Conjuntos para la Validación de Bases de Datos Espaciales de Eventos de Salud

Planteamiento del Problema
La reutilización secundaria de datos espaciales médico-administrativos y sintéticos ofrece una alternativa rentable a los registros basados en la población para la epidemiología espacial. Sin embargo, se requiere una validación rigurosa frente a un estándar de oro (GS) para asegurar que estas bases de datos candidatas para reutilización (CFRD) reproduzcan adecuadamente la señal espacial de la fuente original sin distorsionar las estructuras geográficas. La literatura metodológica actual carece de una herramienta capaz de validar espacialmente una CFRD frente a un GS de manera tanto apareada (mismo soporte areal) como asimétrica (una fuente es la referencia, la otra es la candidata). Los métodos existentes, como el I de Moran, las estadísticas de escaneo espacial o las comparaciones de procesos puntuales, suelen ser descriptivos, simétricos o no logran modelar explícitamente la incertidumbre en los conteos areales ni descomponer el desacuerdo en desplazamientos globales versus discrepancias locales.

Metodología
Los autores proponen un marco jerárquico bayesiano para la validación de mapa a mapa que distingue entre dos dimensiones de desacuerdo: global (desplazamientos a escala de mapa) y local (desviaciones específicas por área).

1. Marco de Modelado:

   • El marco asume una distribución de muestreo Poisson para los conteos observados, con conteos esperados estandarizados a una escala común para garantizar la comparabilidad.
   • Se desarrollan tres modelos bayesianos conjuntos para representar la relación entre la referencia (Base de Datos 1) y la candidata (Base de Datos 2):
     • Modelo de Error Aleatorio (REM): La Base de Datos 2 se modela como la referencia más un campo espacial compartido y un término de error puramente aleatorio (independiente).
     • Modelo de Error Estructurado (SEM): Similar al REM, pero el término de error se modela como un campo espacialmente estructurado (utilizando la parametrización BYM2), capturando la coherencia espacial residual en las discrepancias.
     • Modelo de Componente Compartido (SCM): Un punto de referencia simétrico donde ambas bases de datos se modelan como desviaciones de un campo latente compartido común, en lugar de que una sea una perturbación de la otra.

2. Resúmenes de Discrepancia:

   • Discrepancia Global: Cuantificada por la diferencia en los interceptos específicos de la base de datos ($\Delta = \alpha^{(2)} - \alpha^{(1)}$), transformada en un riesgo relativo global multiplicativo ($RR_{global} = \exp(\Delta)$). Esto captura los desplazamientos promedio a escala de mapa.
   • Discrepancia Local: Evaluada mediante resúmenes posteriores de los términos de error específicos de la fuente. Se proponen dos reglas de decisión:
     • Probabilidad de Exceso Referenciada a Nulo (NREP): La probabilidad de que el error local sea positivo ($Pr(\psi_i > 0)$).
     • Probabilidad de Exceso Centrado Robustamente (RCEP): La probabilidad de que el error local se desvíe de un centro global robusto ($c^\star$, la mediana de las medianas posteriores) en más de una tolerancia $\epsilon$. Esta regla está diseñada para distinguir anomalías locales genuinas de desplazamientos amplios que pueden estar artificialmente amplificados por las restricciones de suma a cero de los modelos espaciales latentes.

Resultados del Estudio de Simulación
El marco se evaluó utilizando simulaciones sobre datos de condados de Carolina del Norte bajo diversos escenarios de perturbación (nulo, uniforme, agrupado y aleatorio).

• Detección Global: El contraste de interceptos ($RR_{global}$) recuperó con precisión los desplazamientos a escala de mapa en todos los modelos y escenarios. Bajo perturbaciones uniformes, identificó correctamente el desplazamiento; bajo perturbaciones localizadas, se mantuvo cerca de 1, indicando correctamente la ausencia de un desplazamiento global.
• Detección Local:
  • Rendimiento del Modelo: Los modelos de error asimétricos (REM y SEM) generalmente superaron al SCM simétrico en la detección local, particularmente en escenarios agrupados y aleatorios dispersos. El SEM y el REM mostraron un rendimiento similar, lo que sugiere que la suposición de estructura espacial en el término de error no altera drásticamente las conclusiones.
  • Reglas de Decisión: La regla RCEP demostró características operativas superiores en comparación con la NREP. La RCEP proporcionó un mejor equilibrio entre sensibilidad y control de falsos positivos, especialmente en configuraciones agrupadas donde la NREP tendía a ser excesivamente liberal y generar altas tasas de descubrimiento falso. Se identificó un umbral de 0.9 para la RCEP como el que ofrecía el mejor equilibrio.
  • Sensibilidad: El rendimiento de la detección local se deterioró significativamente en escenarios con eventos raros (baja incidencia) o cuando el 50% del territorio fue modificado en la misma dirección (transformando anomalías locales en desplazamientos difusos).

Aplicación a Datos de la Enfermedad de Crohn
El marco se aplicó para comparar el registro EPIMAD (referencia) con la base de datos nacional francesa de altas hospitalarias (PMSI, candidata) para la enfermedad de Crohn en el norte de Francia.

• Hallazgos Globales: Los tres modelos estimaron consistentemente una discrepancia global, con la señal del PMSI siendo aproximadamente un 7% menor que la señal del EPIMAD ($RR_{global} \approx 0.93$).
• Hallazgos Locales: Ninguna unidad espacial superó el umbral de detección local RCEP (0.9) en ninguno de los modelos.
• Conclusión: La base de datos PMSI reproduce la organización geográfica amplia de la enfermedad de Crohn observada en el registro, pero subestima el nivel absoluto de la señal. Es adecuada para el análisis espacial a gran escala, pero requiere recalibración para la estimación de la incidencia absoluta.

Significado y Afirmaciones
El artículo afirma proporcionar el primer marco bayesiano principiado diseñado específicamente para la validación asimétrica de bases de datos espaciales de eventos de salud. Sus contribuciones clave incluyen:

1. Descomposición del Desacuerdo: Separa explícitamente los errores de calibración globales (desplazamientos de intercepto) de las discrepancias espaciales locales, abordando una brecha donde los métodos anteriores a menudo confundían ambos o no los modelaban conjuntamente.
2. Reglas de Decisión Operativas: La introducción de la regla RCEP aborda un artefacto estadístico específico en los modelos latentes centrados, ofreciendo un método más robusto para identificar áreas locales atípicas en comparación con los umbrales estándar referenciados a nulo.
3. Utilidad Práctica: La aplicación demuestra que una base de datos puede ser "validada" para la estructura espacial (preservando gradientes) incluso si no está validada para la magnitud absoluta, proporcionando una base matizada para las decisiones de reutilización de datos.

Los autores señalan limitaciones, incluida la dependencia de una única configuración areal en las simulaciones y el hecho de que la RCEP trata el centro robusto como fijo (plug-in) en lugar de integrar plenamente su incertidumbre. Sugieren futuras extensiones a otras distribuciones de resultados (por ejemplo, binomial, gaussiana) y modelos espacio-temporales como los siguientes pasos naturales.