On the PM2.5 -- Mortality Association: A Bayesian Model for Spatio-Temporal Confounding

Sintesi Tecnica: Un Modello Bayesiano per il Confondimento Spazio-Temporale nell'Associazione tra PM2.5 e Mortalità

Definizione del Probleamento
Negli studi epidemiologici che collegano l'inquinamento atmosferico alla salute pubblica, la stima dell'associazione tra esposizione ed esito è frequentemente ostacolata da due sfide primarie: la forma funzionale sconosciuta della relazione e la presenza di fattori di confondimento non misurati che sono correlati spazialmente e temporalmente sia con l'esposizione che con l'esito. Questi problemi sono particolarmente acuti nelle analisi spazio-temporali dove l'esposizione (PM2.5) e il rischio per la salute (mortalità) variano congiuntamente nello spazio e nel tempo. Gli approcci tradizionali spesso si affidano ad assunzioni semplificative, come relazioni lineari costanti o effetti stagionali periodici, che non riescono a rendere conto di dinamiche complesse come la pandemia di SARS-CoV-2, cambiamenti bruschi nel comportamento umano o interazioni tra inquinanti e variabili meteorologiche. Inoltre, il "confondimento spazio-temporale"—qui definito come bias da confonditore omesso derivante da fattori non misurati con struttura spazio-temporale—può portare a affermazioni inferenziali errate se non adeguatamente controllato.

Metodologia
Gli autori propongono il Spatial Dynamic Generalized Linear Model for Confounding (SDGLMC), un framework bayesiano progettato per affrontare simultaneamente l'errata specificazione del modello e il confondimento non misurato.

1. Decomposizione dell'Effetto di Esposizione:
   Il nucleo della metodologia si basa su una prima espansione di Taylor per scomporre l'effetto dell'esposizione in due componenti ortogonali:

   • Componente su larga scala: $f(\hat{X}_{it})$, che rappresenta il trend spazio-temporale complessivo dell'esposizione.
   • Componente su piccola scala (locale): $f'(\hat{X}_{it})(X_{it} - \hat{X}_{it})$, che rappresenta le deviazioni dal trend.
     Il modello assume che i confonditori non misurati ($Z_{it}$) siano fluidi nello spazio e nel tempo e quindi altamente correlati con il trend su larga scala $\hat{X}_{it}$, ma non correlati con l'esposizione locale detrendizzata $(X_{it} - \hat{X}_{it})$. Regredendo l'esito sull'esposizione detrendizzata, il modello mira a isolare l'associazione locale meno suscettibile al bias di confondimento.

2. Struttura del Modello Lineare Generalizzato Dinamico (DGLM):
   Il predittore lineare $\vartheta_{it} = \ln(\mu_{it})$ è modellato come:
   $$\vartheta_{it} = o_{it} + \beta_{0it} + \beta_{1it}(X_{it} - \hat{X}_{it}) + M'_{it}\alpha + \tilde{u}_{it}$$
   dove $o_{it}$ è l'offset, $M_{it}$ rappresenta i confonditori misurati e $\tilde{u}_{it}$ è il rumore gaussiano.

   • $\beta_{1it}$ (Pendenza Locale): Un coefficiente variabile spazio-temporale che rappresenta l'associazione locale tra esposizione e mortalità. È scomposto in una base ($\delta_1$), un effetto specifico per il tempo ($\delta_{1t}$) e un effetto spaziale ($\tilde{\delta}_{1i}$). L'effetto temporale segue un processo di random walk.
   • $\beta_{0it}$ (Intercetta): Un'intercetta variabile spazio-temporale che cattura l'effetto dell'esposizione su larga scala e il confonditore non misurato. Include una base, componenti specifiche per il tempo, per lo spazio e un'interazione spazio-temporale. Il termine di interazione ($\delta^*_{0it}$) è modellato utilizzando varie strutture (ad esempio, Independent Random Walks con varianze specifiche per area) per cattare l'eterogeneità, come quella osservata durante la pandemia in distretti specifici.

3. Inferenza:
   Il modello viene adattato utilizzando un approccio bayesiano con simulazioni Markov Chain Monte Carlo (MCMC). I priori sono specificati per i parametri di varianza e gli stati iniziali, con un'attenta analisi di sensibilità per garantire che il modello catturi i cambiamenti graduali senza overfitting. La struttura spaziale per gli effetti specifici per area è modellata utilizzando processi di Autoregressivo Condizionale Intrinseco (ICAR).

Contributi Chiave

• Nuova Specificazione del Modello: L'introduzione di SDGLMC, che integra i DGLM con una decomposizione dell'effetto di esposizione per gestire esplicitamente il confondimento spazio-temporale tramite la riduzione del "bias da confonditore omesso".
• Gestione della Non-Linearità e delle Dinamiche: A differenza dei modelli che assumono effetti costanti o periodici, SDGLMC permette all'associazione esposizione-esito di evolversi fluidamente nel tempo e nello spazio, accogliendo eventi eccezionali (es. pandemie) senza spostamenti bruschi e irrealistici.
• Strategia di Decomposizione: La separazione esplicita dell'effetto di esposizione in componenti su larga scala (confondite) e su piccola scala (meno confondite) fornisce un meccanismo per recuperare la vera forma dell'associazione locale.
• Modellazione Flessibile delle Interazioni: Il framework consente di scomporre l'intercetta in effetti di base, temporali, spaziali e di interazione, offrendo interpretabilità riguardo a dove e quando la vulnerabilità all'inquinamento cambia.

Risultati

• Studi di Simulazione:
  • Mitigazione del Bias di Confondimento: Nello Studio di Simulazione 1, SDGLMC ha ridotto significativamente il bias rispetto ai modelli Null e GLM standard (con spline temporali) in tre scenari che coinvolgevano diversi tipi di autocorrelazione spaziale e temporale dei confonditori non misurati. Sebbene sia rimasto del bias in scenari con variazione temporale ad alta frequenza, SDGLMC ha costantemente superato i competitor in termini di Errore Quadratico Medio (MSE) e Massima Deviazione Assoluta (MAB).
  • Recupero della Forma Funzionale: Lo Studio di Simulazione 2 ha dimostrato che SDGLMC può recuperare la derivata prima di una funzione esposizione-risposta non lineare e che la rimozione del trend su larga scala è stata cruciale per ridurre il bias di confondimento rispetto a un modello che non detrendava l'esposizione.
• Applicazione su Dati Reali (Italia, 2018–2022):
  • Analizzando la mortalità per tutte le cause nelle persone di età superiore ai 65 anni in Piemonte e Lombardia, il modello ha rivelato un chiaro pattern temporale nell'effetto dell'esposizione locale, con picchi durante i mesi estivi (ad esempio, giugno 2019, luglio 2022) dove l'aumento del rischio per un incremento di 10 $\mu g/m^3$ di PM2.5 ha raggiunto fino al 5,50%.
  • Durante la pandemia (2020–2021), l'effetto dell'esposizione non è stato generalmente lontano dallo zero, probabilmente a causa delle misure di lockdown, dell'uso delle mascherine e della riduzione delle attività all'aperto.
  • Il modello con interazione di Tipo T5 (Independent Random Walks con varianze specifiche per area) ha fornito il miglior adattamento (DIC più basso), catturando con successo l'eccezionale aumento della mortalità a Bergamo durante la pandemia.
  • La variazione spaziale nell'effetto dell'esposizione locale è risultata trascurabile, probabilmente a causa delle somiglianze socio-economiche e ambientali tra le due regioni.

Significatività e Rivendicazioni
L'articolo sostiene che SDGLMC sia uno strumento flessibile ed efficace per stimare le associazioni esposizione-esito in presenza di confondimento spazio-temporale e dinamiche non lineari. Gli autori argomentano che:

1. Superiorità rispetto ai Modelli Statici: Assumere un'associazione costante è probabilmente inadeguato data la complessa interazione tra condizioni meteorologiche, comportamento umano e fattori non misurati. SDGLMC cattura queste dinamiche meglio dei modelli che assumono funzioni a gradino costanti o stagionali.
2. Meccanismo della Stagionalità: I picchi estivi osservati nell'effetto dell'esposizione, nonostante le concentrazioni di PM2.5 generalmente inferiori in estate, suggeriscono un potenziale'interazione tra PM2.5 e temperatura dell'aria (o altri confonditori non misurati), piuttosto che un semplice effetto soglia.
3. Robustezza: Il modello fornisce stime accurate anche quando i confondori misurati vengono esclusi, sebbene l'inclusione dei confonditori misurati (temperatura, umidità) perfezioni le stime, particolarmente durante le ondate di calore.
4. Limitazioni: Gli autori notano con modestia che, sebbene il modello recuperi la forma dell'associazione, la forma funzionale esatta delle interazioni rimane sconosciuta. Chiariscono inoltre che lo studio si concentra sulla mortalità per tutte le cause negli anziani, rendendo difficili le dirette affermazioni causali sugli esiti specifici del COVID-19, sebbene i risultati siano in linea con l'ipotesi che i lockdown abbiano alterato i pattern di esposizione.

Il lavoro posiziona SDGLMC come un avanzamento prezioso per i ricercatori che studiano gli effetti sulla salute su piccola scala e spazio-temporale dell'inquinamento atmosferico, offrendo un metodo per distinguere i veri effetti dell'esposizione dalle complesse strutture di confondimento.