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

Résumé technique : Modèles bayésiens joints pour la validation de bases de données d'événements de santé spatiaux

Énoncé du problème
La réutilisation secondaire de données médico-administratives et de données spatiales synthétiques offre une alternative rentable aux registres basés sur la population pour l'épidémiologie spatiale. Cependant, une validation rigoureuse par rapport à une référence de référence (GS) est nécessaire pour garantir que ces bases de données candidates à la réutilisation (CFRD) reproduisent adéquatement le signal spatial de la source originale sans déformer les structures géographiques. La littérature méthodologique actuelle manque d'un outil capable de valider spatialement une CFRD par rapport à une GS de manière à la fois appariée (même support areolaire) et asymétrique (une source est la référence, l'autre est la candidate). Les méthodes existantes, telles que l'I de Moran, les statistiques de scan spatial ou les comparaisons de processus ponctuels, sont souvent descriptives, symétriques, ou échouent à modéliser explicitement l'incertitude des comptes areolaires et à décomposer le désaccord en décalages globaux versus des écarts locaux.

Méthodologie
Les auteurs proposent un cadre hiérarchique bayésien pour la validation de carte à carte qui distingue deux dimensions de désaccord : global (décalages à l'échelle de la carte) et local (écarts spécifiques à une zone).

1. Cadre de modélisation :

   • Le cadre suppose une distribution d'échantillonnage de Poisson pour les comptes observés, avec des comptes attendus standardisés à une échelle commune pour assurer la comparabilité.
   • Trois modèles bayésiens joints sont développés pour représenter la relation entre la référence (Base de données 1) et la candidate (Base de données 2) :
     • Modèle d'erreur aléatoire (REM) : La Base de données 2 est modélisée comme la référence plus un champ spatial partagé et un terme d'erreur purement aléatoire (indépendant).
     • Modèle d'erreur structurée (SEM) : Similaire au REM, mais le terme d'erreur est modélisé comme un champ spatialement structuré (en utilisant la paramétrisation BYM2), capturant la cohérence spatiale résiduelle dans les écarts.
     • Modèle à composante partagée (SCM) : Une référence symétrique où les deux bases de données sont modélisées comme des déviations d'un champ latent partagé commun, plutôt que l'une étant une perturbation de l'autre.

2. Résumés des écarts :

   • Discrépance globale : Quantifiée par la différence des intercepts spécifiques à la base de données ($\Delta = \alpha^{(2)} - \alpha^{(1)}$), transformée en un risque relatif global multiplicatif ($RR_{global} = \exp(\Delta)$). Cela capture les décalages moyens à l'échelle de la carte.
   • Discrépance locale : Évaluée via les résumés postérieurs des termes d'erreur spécifiques à la source. Deux règles de décision sont proposées :
     • Probabilité de dépassement référencée au nul (NREP) : La probabilité que l'erreur locale soit positive ($Pr(\psi_i > 0)$).
     • Probabilité de dépassement robustement centrée (RCEP) : La probabilité que l'erreur locale s'écarte d'un centre global robuste ($c^\star$, la médiane des médianes postérieures) de plus d'une tolérance $\epsilon$. Cette règle est conçue pour distinguer les anomalies locales authentiques des décalages larges qui pourraient être artificiellement amplifiés par les contraintes de somme nulle des modèles spatiaux latents.

Résultats de l'étude de simulation
Le cadre a été évalué à l'aide de simulations sur des données de comtés de Caroline du Nord dans divers scénarios de perturbation (nul, uniforme, regroupé et aléatoire).

• Détection globale : Le contraste d'intercept ($RR_{global}$) a récupéré avec précision les décalages à l'échelle de la carte pour tous les modèles et scénarios. Sous des perturbations uniformes, il a correctement identifié le décalage ; sous des perturbations localisées, il est resté proche de 1, indiquant correctement l'absence de décalage global.
• Détection locale :
  • Performance du modèle : Les modèles d'erreur asymétriques (REM et SEM) ont généralement surpassé le SCM symétrique dans la détection locale, en particulier dans les scénarios regroupés et aléatoires épars. Le SEM et le REM ont montré des performances similaires, suggérant que l'hypothèse d'une structure spatiale dans le terme d'erreur ne modifie pas drastiquement les conclusions.
  • Règles de décision : La règle RCEP a démontré des caractéristiques opérationnelles supérieures par rapport à la NREP. La RCEP a offert un meilleur compromis entre sensibilité et contrôle des faux positifs, en particulier dans les contextes regroupés où la NREP tendait à être trop libérale et à générer des taux de fausses découvertes élevés. Un seuil de 0,9 pour la RCEP a été identifié comme offrant le meilleur équilibre.
  • Sensibilité : La performance de détection locale s'est détériorée de manière significative dans les scénarios avec des événements rares (faible incidence) ou lorsque 50 % du territoire a été modifié dans la même direction (transformant les anomalies locales en décalages diffus).

Application aux données de la maladie de Crohn
Le cadre a été appliqué pour comparer le registre EPIMAD (référence) avec la base nationale française de sorties d'hôpital (PMSI, candidate) pour la maladie de Crohn dans le nord de la France.

• Résultats globaux : Les trois modèles ont estimé de manière cohérente une discrépance globale, le signal PMSI étant environ 7 % inférieur au signal EPIMAD ($RR_{global} \approx 0,93$).
• Résultats locaux : Aucune unité spatiale n'a dépassé le seuil de détection locale RCEP (0,9) dans l'un quelconque des modèles.
• Conclusion : La base de données PMSI reproduit l'organisation géographique large de la maladie de Crohn observée dans le registre mais sous-estime le niveau absolu du signal. Elle convient à l'analyse spatiale à grande échelle mais nécessite un recalibrage pour l'estimation de l'incidence absolue.

Signification et revendications
L'article revendique de fournir le premier cadre bayésien principiel spécifiquement conçu pour la validation asymétrique des bases de données d'événements de santé spatiaux. Ses contributions clés incluent :

1. Décomposition du désaccord : Il sépare explicitement les erreurs d'étalonnage globales (décalages d'intercept) des discrépances spatiales locales, comblant une lacune où les méthodes précédentes confondaient souvent les deux ou échouaient à les modéliser conjointement.
2. Règles de décision opérationnelles : L'introduction de la règle RCEP adresse un artefact statistique spécifique dans les modèles latents centrés, offrant une méthode plus robuste pour identifier les zones locales atypiques par rapport aux seuils de référence nulle standard.
3. Utilité pratique : L'application démontre qu'une base de données peut être « validée » pour sa structure spatiale (préservant les gradients) même si elle n'est pas validée pour sa magnitude absolue, fournissant une base nuancée pour les décisions de réutilisation des données.

Les auteurs notent des limitations, notamment la dépendance à une seule configuration areolaire dans les simulations et le fait que la RCEP traite le centre robuste comme fixe (plug-in) plutôt que d'intégrer pleinement son incertitude. Ils suggèrent des extensions futures à d'autres distributions de résultats (par exemple, binomiale, gaussienne) et aux modèles spatio-temporels comme prochaines étapes naturelles.