Describing health inequalities without distortion: Simple-Means MAIHDA vs Random-Effects MAIHDA

Nello studio della salute pubblica, i ricercatori cercano da tempo di capire perché alcuni gruppi di persone siano più sani di altri. Tradizionalmente, ciò è stato fatto osservando le medie: calcolando la salute media di una città, di un quartiere o di un gruppo demografico specifico. Tuttavia, le medie possono nascondere la verità. Proprio come la profondità media di un fiume potrebbe suggerire che sia sicuro guatare, nascondendo però un buco profondo e pericoloso al centro, una statistica sulla salute media può mascherare le gravi difficoltà di specifici, più piccoli gruppi che vivono nella stessa area. Per vedere il quadro completo della disuguaglianza, gli scienziati devono guardare oltre la media ed esaminare come l'ambiente stesso plasmi la vita degli individui. Ciò comporta la comprensione non solo di chi è malato, ma di come i luoghi in cui si vive e le proprie posizioni sociali interagiscano per creare modelli di salute. La sfida consiste nel misurare questi modelli con precisione senza appiattire proprio quelle differenze che devono essere viste.

Un team di ricercatori svedesi ha sviluppato un nuovo modo per mappare queste disuguaglianze sanitarie che rifiuta di nascondere i dettagli. Si sono concentrati su due esiti sanitari molto diversi nella città di Malmö: l'uso di farmaci per condizioni di salute mentale e la scelta di rivolgersi a un medico privato invece che a uno pubblico. Analizzando i dati di oltre 43.000 persone, hanno confrontato un nuovo metodo diretto di conteggio con i modelli statistici più complessi che sono attualmente lo standard nel settore. Il loro lavoro rivela che, sebbene i modelli standard concordino strettamente sulle misure riassuntive generali, essi possono smussare gli spigoli più vivi della disuguaglianza per gruppi specifici più piccoli, facendoli apparire meno distinti di quanto siano realmente. I ricercatori hanno scoperto che un semplice e diretto conteggio di ciò che sta effettivamente accadendo nei dati fornisce un quadro più chiaro e onesto delle disparità sanitarie rispetto ai modelli complessi che cercano di prevedere ciò che dovrebbe accadere.

I ricercatori hanno iniziato dividendo la popolazione di Malmö in 300 gruppi distinti. Ogni gruppo era definito da una combinazione del luogo in cui la persona viveva e delle sue caratteristiche sociali, come età, sesso e livello di reddito. Questo ha creato un mosaico dettagliato della città, dove ogni quartiere conteneva dodici profili sociali differenti. Hanno poi esaminato due comportamenti sanitari specifici. Il primo era l'uso di farmaci psicotropi, che vengono prescritti per problemi di salute mentale. Il secondo era la scelta di rivolgersi a un medico di medicina generale privato piuttosto che a uno pubblico. Questi due esiti sono stati scelti perché rappresentano gli estremi opposti dello spettro: uno è guidato quasi interamente da circostanze personali come il reddito e l'età, mentre l'altro è fortemente influenzato dalla geografia e da dove si vive.

Quando i ricercatori hanno applicato il loro nuovo metodo, che chiamano Simple-Means MAIHDA, hanno semplicemente contato il numero di persone in ciascuno dei 300 gruppi che utilizzavano il farmaco o sceglievano un medico privato. Non hanno cercato di regolare questi numeri in base ad assunzioni statistiche o formule matematiche. Al contrario, hanno riportato esattamente ciò che i dati mostravano, inclusa l'incertezza che deriva dai gruppi più piccoli. Per quanto riguarda l'uso di farmaci per la salute mentale, i risultati hanno mostrato un modello chiaro guidato dal denaro e dall'età. Le persone con redditi inferiori avevano una probabilità significativamente maggiore di utilizzare questi farmaci rispetto a quelle con redditi più elevati, indipendentemente dal quartiere in cui vivevano. Le differenze tra quartieri ricchi e poveri erano molto piccole, e l'ambiente giocava un ruolo quasi nullo nel plasmare questi esiti sanitari; la disuguaglianza era puramente una questione di posizione sociale individuale.

In netto contrasto, la scelta di rivolgersi a un medico privato era plasmata potentemente dalla geografia, ma non sostituendo il reddito personale. I ricercatori hanno scoperto che gli individui ad alto reddito erano costantemente più propensi a scegliere medici privati rispetto agli individui a basso reddito in tutte le aree. Tuttavia, la geografia agiva come un potente amplificatore: il divario tra residenti ricchi e poveri era significativamente più ampio nei quartieri ricchi rispetto a quelli poveri. L'ambiente non si limitava a spostare i numeri complessivi; cambiava effettivamente la forma della disuguaglianza. Nelle zone ricche, la differenza tra residenti ricchi e poveri era ancora più ampia che nelle zone povere. La geografia stessa amplificava la divisione sociale, rendendo la scelta del fornitore di assistenza sanitaria una storia di sia status personale che di posizione.

L'articolo sostiene che i modelli statistici standard utilizzati dalla maggior parte dei ricercatori, noti come modelli a effetti casuali (Random-Effects), non riescono a catturare queste realtà nitide per gruppi specifici, anche se concordano sulla visione d'insieme. Questi modelli funzionano "restringendo" (shrinking) le stime per i gruppi piccoli verso la media generale. La logica è che, se un gruppo è piccolo, i suoi dati potrebbero non essere affidabili, quindi è più sicuro assumere che sia più vicino alla media cittadina. I ricercatori dimostrano che questo processo agisce come un filtro che sfoca i bordi della mappa. Per l'uso di farmaci per la salute mentale, il modello standard non ha cambiato significativamente il dato che la geografia fosse trascurabile, poiché l'effetto geografico era già assente. Tuttavia, per la scelta del medico privato, il modello standard ha avvicinato i valori estremi dei quartieri ricchi e poveri, facendo apparire la divisione geografica meno severa di quanto fosse in realtà per determinati piccoli strati.

I ricercatori sottolineano che questo "restringimento" non è solo una particolarità matematica; ha conseguenze reali su come comprendiamo la disuguaglianza. Quando un modello smussa i dati, può far apparire un piccolo gruppo emarginato come avente un rischio sanitario più vicino alla media, quando in realtà potrebbe trovarsi di fronte a una situazione molto più grave. Riportando i numeri grezzi osservati, il nuovo metodo preserva l'effettiva entità di queste disuguaglianze. Dimostra che, per alcuni problemi di salute, il luogo in cui si vive è una forza potente che rimodella le possibilità di vita, mentre per altri, le circostanze personali sono il fattore dominante. Lo studio non afferma che i modelli complessi siano inutili; sono utili per fare previsioni quando i dati sono scarsi. Ma per descrivere la realtà della disuguaglianza sanitaria così come esiste ora, i ricercatori sostengono che l'approccio più semplice — contare ciò che c'è — sia il più onesto.

Lo studio conclude che, per comprendere davvero e affrontare le disparità sanitarie, gli scienziati e i decisori politici devono guardare ai dati senza smussarli. Il nuovo metodo fornisce uno strumento per farlo, permettendo ai ricercatori di vedere esattamente quanto di una disuguaglianza sia dovuto al luogo in cui si vive e quanto sia dovuto a chi si è. Nel caso di Malmö, i dati hanno rivelato che, mentre le lotte per la salute mentale sono in gran parte una storia di povertà individuale, la scelta del fornitore di cure è una storia di geografia e segregazione che amplifica le differenze sociali. Rifiutando di nascondere le piccole e nette differenze nei dati, i ricercatori offrono un percorso più chiaro verso la comprensione della vera struttura della salute nella società. Il lavoro suggerisce che, se vogliamo correggere le disuguaglianze sanitarie, dobbiamo prima vederle esattamente come sono, non come un modello statistico pensa che dovrebbero essere.