A Spectral Confounder Adjustment for Spatial Regression with Multiple Exposures and Outcomes

Sintesi Tecnica: Un Regolatore di Confondimento Spettrale per la Regressione Spaziale con Molteplici Esposizioni ed Esiti

Definizione del Problema
Caratterizzare la vulnerabilità sociale è fondamentale per la risposta ai disastri e la pianificazione della salute pubblica, tuttavia validare gli indici di vulnerabilità rispetto agli esiti sanitari è complesso a causa della natura osservazionale dei dati. Questi studi sono suscettibili di bias indotto da confonditori non misurati, un problema esacerbato in contesti spaziali che coinvolgono molteplici esposizioni (ad esempio, componenti di un indice di vulnerabilità sociale) e molteplici esiti sanitari. I modelli di regressione spaziale tradizionali spesso assumono l'assenza di confondimento spaziale non misurato, un'ipotesi frequentemente violata negli studi di salute ambientale dove fattori non misurati (ad esempio, inquinamento locale, reddito) variano geograficamente seguendo schemi simili a quelli delle esposizioni e degli esiti. I metodi esistenti per il confondimento spaziale sono ampiamente limitati a contesti univariati o non riescono ad affrontare la complessità di miscele di esposizioni e molteplici esiti simultaneamente.

Metodologia
Gli autori propongono un Modello Spettrale Multivariato (MSM) progettato per stimare gli effetti causali in presenza di confonditori spaziali globali non misurati per dati con molteplici esposizioni e molteplici esiti. La metodologia procede attraverso i seguenti passaggi:

1. Decomposizione Spettrale: Il dominio spaziale viene partizionato in regioni e i dati vengono proiettati nel dominio spettrale utilizzando la trasformata di Fourier su grafo. Ciò comporta la decomposizione della matrice di precisione del modello Autorregressivo Condizionale (CAR) in autovettori e autovalori. Questa trasformazione separa l'informazione spaziale in diverse scale: i bassi autovalori corrispondono a scale spaziali globali (smooth), mentre gli alti autovalori corrispondono a scale spaziali locali (rough).
2. Assunzione di Inconfondibilità Locale: Invece di assumere l'assenza di confondimento non misurato globalmente, il modello la rilassa nell'assunzione di inconfondibilità locale. Ciò postula che, sebbene i termini su scala globale possano essere confusi, i termini su scala locale (associati ad autovalori elevati) siano inconfondi. Nello specifico, si assume che la correlazione tra l'esposizione e l'errore spaziale non misurato diminuisca man mano che la scala spaziale diventa più locale ($\alpha_{ier} \to 0$ quando $w_i \to \infty$).
3. Framework di Regressione Tensoriale: Per gestire molteplici esposizioni ($E$) e molteplici esiti ($R$) attraverso molteplici scale spaziali ($S$), i coefficienti di regressione sono strutturati come un tensore a tre vie ($S \times E \times R$). Il modello impiega un approccio di regressione tensoriale bayesiana utilizzando la decomposizione Canonic Polyadic (CP).
   • I coefficienti multiscala sono modellati utilizzando funzioni di base B-spline per catturare la variazione fluida attraverso le scale spaziali.
   • Il tensore dei coefficienti di base è decomposto in un prodotto di basso rango di tre matrici fattoriali (che rappresentano scale, esposizioni ed esiti) per ridurre la dimensionalità e catturare strutture latenti.
   • Vengono applicati prior di tipo Horseshoe ai margini del tensore per incoraggiare la sparsità e il restringimento (shrinkage), permettendo al modello di identificare i fattori latenti rilevanti e gli effetti nulli.
4. Inferenza: Gli effetti causali vengono identificati estraendo le stime dei coefficienti corrispondenti alle scale spaziali più locali (autovalori più elevati), dove l'assunzione di inconfondibilità locale è valida.

Contributi Chiave

• Estensione Multivariata: A differenza dei precedenti metodi spettrali (ad esempio, Guan et al., 2023) che erano univariati, questo metodo estende la regolazione spettrale per gestire simultaneamente molteplici esposizioni e molteplici esiti, affrontando le relazioni causali "molti-a-molti" comuni in epidemiologia.
• Assunzioni Causali Rilassate: Il metodo sostituisce la stringente assunzione di "assenza di confonditori non misurati" con l'assunzione più realistica di "inconfondibilità locale", consentendo l'interpretazione causale anche in presenza di confondimento globale.
• Decomposizione Tensoriale per l'Interpretabilità: Utilizzando una struttura tensoriale a basso rango, il metodo fornisce fattori latenti interpretabili che distillano le complesse relazioni molti-a-molti in schemi gestibili, evitando l'overfitting e la mancanza di interpretabilità tipici dei modelli spaziali ad alta dimensionalità.
• Guadagni di Efficienza: L'approccio multivariato trae vantaggio dalla forza condivisa tra esiti correlati, risultando in intervalli di credibilità più stretti e una maggiore efficienza rispetto ai modelli spettrali univariati.

Risultati
La metodologia è stata applicata a dati del sud degli Stati Uniti, analizzando la relazione tra l'Indice di Vulnerabilità Sociale del CDC per la Gestione dei Disastri (SVIDM) e cinque condizioni croniche prevalenti (ipertensione, malattia renale cronica, iperlipidemia, insufficienza cardiaca congestizia e diabete) attraverso 10.149 aree (ZCTA).

• Rilevamento del Confondimento Spaziale: L'analisi ha rivelato discrepanze significative tra le stime su scala globale (distorte lontano dal nullo) e le stime su scala locale, confermando la presenza di confondimento spaziale. I modelli spaziali ingenui e la regressione OLS hanno prodotto stime distorte con intervalli di credibilità eccessivamente stretti.
• Stime Causali: Dopo l'aggiustamento per il confondimento spaziale, lo studio ha riscontrato:
  • Tema 1 (Resilienza Economica): Ha dimostrato l'effetto positivo più forte su diabete e malattia renale cronica, e un effetto negativo su iperlipidemia.
  • Tema 2 (Capacità Adattiva dei Nuclei Familiari): Ha mostrato un'alta probabilità di un effetto positivo sul diabete.
  • Tema 4 (Abitazione/Trasporti): È stato associato a tassi più elevati di malattia renale cronica e insufficienza cardiaca congestizia.
  • Tema 3 (Minoranze/Parlanti non Inglesi): Ha mostrato tendenze meno coerenti tra i diversi esiti.
• Performance nelle Simulazioni: Negli studi di simulazione, il metodo MSM ha dimostrato un Errore Quadratico Medio (MSE) e un Bias Medio Assoluto (MAB) inferiori rispetto ai modelli spaziali ingenui e ai modelli spettrali univariati. Ha mantenuto tassi di copertura vicini o superiori al livello nominale del 95%, mentre i modelli ingenui spesso scendevano sotto la copertura nominale, indicando un eccesso di fiducia. Il metodo ha inoltre mostrato robustezza rispetto a un confondimento non lineare moderato.

Significatività e Rivendicazioni
L'articolo sostiene che il metodo MSM proposto offre un quadro robusto per l'inferenza causale in contesti spaziali multivariati dove il confondimento non misurato è una preoccupazione. Regolando il confondimento alle scale globali pur sfruttando l'inconfondibilità locale, il metodo fornisce stime imparziali che sono cruciali per il processo decisionale politico. Gli autori sottolineano che il loro approccio consente alle autorità di sanità pubblica di dare priorità a interventi mirati basandosi su prove causali più affidabili piuttosto che su potenzialmente distorti coefficienti di correlazione osservazionali. Lo studio conclude che l'SVIDM, in particolare la sua componente di resilienza economica, ha un legame causale predittivo con il carico delle malattie croniche, offrendo intuizioni epidemiologiche interpretabili che correggono il confondimento spaziale multivariato. Gli autori segnalano i limiti, tra cui la natura non verificabile dell'assunzione di inconfondibilità locale e l'esclusione degli effetti di spillover, suggerendoli come aree per la ricerca futura.