Model-based Detection of Spatial Disease Boundaries Using Amortized Bayesian Inference

Resumen Técnico: Detección de Fronteras Espaciales de Enfermedades Basada en Modelos mediante Inferencia Bayesiana Amortizada

Planteamiento del Problema
El análisis de fronteras de enfermedades tiene como objetivo identificar cambios abruptos en los resultados de salud a través de áreas geográficas para guiar las intervenciones de salud pública. Los enfoques tradicionales, particularmente para datos de áreas (por ejemplo, tasas a nivel de condado), dependen de marcos de "wombling" bayesiano. Estos métodos suelen emplear Cadenas de Markov por Monte Carlo (MCMC) para muestrear de las distribuciones posteriores de los parámetros latentes del modelo. Si bien son efectivos para conjuntos de datos únicos, el MCMC presenta problemas significativos de escalabilidad cuando se aplica a la vigilancia de enfermedades a gran escala y de alta frecuencia que involucra cientos de resultados de salud. El costo computacional del muestreo iterativo se vuelve prohibitivo para aplicaciones en tiempo real o para derivar métricas de política complejas a través de muchos conjuntos de datos.

Metodología
Los autores proponen un marco que aprovecha la Inferencia Bayesiana Amortizada (ABI) para acelerar la detección de disparidades espaciales. La metodología central consiste en la Estimación de la Posterior Neuronal (NPE), una técnica de inferencia basada en simulación que reemplaza el muestreo iterativo de MCMC por una red neuronal entrenada.

1. Marco del Modelo: El estudio utiliza un modelo de regresión espacial bayesiano basado en el modelo BYM2 (reparametrizado de Besag-York-Mollié). Este modelo descompone los resultados de salud ($y$) en una combinación lineal de covariables ($X\beta$), efectos aleatorios estructurados espacialmente ($\gamma$) y ruido no estructurado ($\eta$). Los efectos espaciales $\gamma$ capturan las inequidades de salud locales que no son explicadas por los factores de riesgo observados.
2. Estimación de la Posterior Neuronal: En lugar de muestrear de la posterior $p(\theta|y)$ para cada nuevo conjunto de datos, los autores entrenan una red neuronal invertible condicional (cINN) utilizando el paquete BayesFlow.
   • Entrenamiento: La red es entrenada con datos simulados generados a partir del modelo conjunto $p(y, \theta)$, donde los parámetros se extraen de una previa especificada (incluyendo una previa g-prior de Zellner para los coeficientes de regresión y una previa semi-informativa para la varianza).
   • Arquitectura: La red de inferencia consta de 8 capas de acoplamiento afín secuenciales. Para manejar la naturaleza no intercambiable de los datos espaciales y evitar la pérdida de información, la red toma tanto los datos de respuesta crudos $y$ como un conjunto de características auxiliares aprendidas $h_\psi(y)$ (extraídas mediante una red personalizada que utiliza la estructura de adyacencia del mapa) como entrada.
   • Inferencia: Una vez entrenada, la red realiza un único paso hacia adelante (forward pass) para mapear muestras de una distribución base (Gaussiana) hacia la posterior aproximada de los parámetros $\theta = (\beta, \sigma^2, \rho)$.
3. Detección de Fronteras: Los autores aplican un enfoque de wombling de áreas bayesiano para detectar disparidades entre condados vecinos. Esto implica calcular la probabilidad posterior de que la diferencia estandarizada en los residuos espaciales entre dos condados supere un umbral $\epsilon$. El umbral y el corte de significancia se seleccionan automáticamente minimizando la pérdida de entropía condicional y controlando la Tasa de Falsos Descubrimientos Bayesianos (BFDR).
4. Objetivo de Eliminación de Disparidad de Residuos (RDET): Se introduce una métrica novedosa para traducir las disparidades estadísticas en objetivos de política accionables. El RDET calcula la reducción porcentual mínima en la tasa de mortalidad de un condado necesaria para eliminar una disparidad estadísticamente significativa con un vecino más saludable, asumiendo que todos los demás factores de riesgo permanecen constantes. Esto se computa mediante un procedimiento contrafactual iterativo que aprovecha la velocidad de la red NPE.

Resultos Clave
El marco fue aplicado para analizar las tasas de mortalidad por cáncer de tráquea, bronquios y pulmón en 3,103 condados del continente estadounidense en 2014, ajustando por factores de riesgo que incluyen la prevalencia de tabaquismo, la inactividad física, la vulnerabilidad social, el desempleo, el estado del seguro, la diabetes y la obesidad.

• Predictores: La prevalencia de tabaquismo fue el predictor más fuerte, seguida de la vulnerabilidad social y la inactividad física.
• Detección de Disparidades: El enfoque NPE identificó 351 disparidades de residuos significativas (4.02% de 8,724 fronteras).
• Comparación de Desempeño:
  • Velocidad: En un chip Apple M2, la red NPE generó 8,000 muestras de la posterior para 200 conjuntos de datos en aproximadamente 93 segundos. En contraste, el Hamilton Monte Carlo (HMC) requirió aproximadamente 46 segundos para un solo conjunto de datos (8,000 muestras), lo que proyecta ~2.6 horas para 200 conjuntos de datos. Esto representa una aceleración de órdenes de magnitud para tareas repetitivas.
  • Precisión: Los resultados de la NPE fueron altamente concordantes con MCMC. Las probabilidades de diferencia de la posterior para la detección de fronteras estuvieron altamente correlacionadas ($r > 0.99$) con los resultados de MCMC. Los intervalos de credibilidad del 95% para los coeficientes de regresión y los parámetros de varianza se alinearon estrechamente entre NPE y MCMC (tanto con previos informativos como no informativos).
• Aplicación de RDET: El estudio mapeó los RDETs para 237 condados con mayor mortalidad residual. Por ejemplo, el condado de Madison, Mississippi, requería una reducción del 57% en la mortalidad para eliminar las disparidades con sus vecinos, mientras que el condado de Union, Florida, requería una reducción del 56.5%.

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre la Inteligencia Artificial Geoespacial (GeoAI) y la estadística espacial, demostando que la inferencia amortizada puede escalar el wombling de áreas bayesiano a cientos de resultados sin sacrificar la cuantificación de la incertidumbre inherente a los métodos bayesianos.

• Escalabilidad: La principal contribución es la capacidad de realizar vigilancia de enfermedades de alta frecuencia y análisis contrafactuales complejos (como el RDET) que serían computacionalmente prohibitivos con el MCMC estándar.
• Interpretabilidad: Al introducir el RDET, los autores traducen las probabilidades posteriores abstractas de la estadística en objetivos de política de salud concretos y basados en datos (por ejemplo, "El condado X debe reducir su mortalidad en un Y%").
• Robustez: Los resultados demuestran que la NPE proporciona una aproximación de alta fidelidad de la posterior, robusta a las elecciones de la previa, manteniendo al mismo tiempo la flexibilidad para detectar fronteras espaciales.

Limitaciones Reconocidas
Los autores señalan varias limitaciones:

• Estructura Fija: La red es entrenada sobre una estructura de adyacencia espacial fija y un conjunto específico de factores de riesgo; requiere reentrenamiento o imputación si faltan datos o si el mapa cambia.
• Supuestos del Modelo: El enfoque asume resultados distribuidos normalmente y efectos de covariables lineales, lo cual puede no cumplirse para todos los procesos de enfermedades.
• Desafíos de Aproximación: Aproximar las posteriores completas para modelos jerárquicos a gran escala sigue siendo difícil, particularmente en entornos no gaussianos.
• Falacia Ecológica: Como ocurre con todos los análisis a nivel de condado, los resultados están sujetos a la falacia ecológica y a posibles sesgos de vigilancia (como la asociación negativa contraintuitiva encontrada entre las tasas de personas sin seguro y la mortalidad por cáncer de pulmón).

El artículo concluye que, si bien la ABI ofrece una herramienta poderosa para el análisis escalable de la inequidad en salud, actualmente es más adecuada para escenarios donde la estructura espacial y el conjunto de covariables son relativamente estables, y donde las ganancias computacionales justifican el costo inicial de entrenamiento.