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

Technische Samenvatting: Een Bayesiaans Model voor Spatio-Temporele Confounding in de Associatie tussen PM2.5 en Mortaliteit

Probleemstelling
Bij epidemiologische studies die de relatie tussen luchtverontreiniging en de volksgezondheid onderzoeken, wordt het schatten van de blootstellings-uitkomstassociatie vaak gehinderd door twee primaire uitdagingen: de onbekende functionele vorm van de relatie en de aanwezigheid van niet-gemeten verstorende factoren (confounders) die zowel ruimtelijk als temporeel gecorreleerd zijn met zowel de blootstelling als de uitkomst. Deze problemen zijn bijzonder acuut in spatio-temporele analyses waarbij de blootstelling (PM2.5) en gezondheidsrisico's (mortaliteit) gezamenlijk variëren over ruimte en tijd. Traditionele benaderingen vertrouwen vaak op vereenvoudigende aannames, zoals constante lineaire relaties of periodieke seizoenseffecten, die complexe dynamiek zoals de SARS-CoV-2-pandemie, abrupte verschuivingen in menselijk gedrag of interacties tussen verontreinigende stoffen en meteorologische variabelen niet kunnen verklaren. Bovendien kan "spatio-temporele confounding"—hier gedefinieerd als bias door weggelaten confounders met een spatio-temporele structuur—leiden tot onjuiste inferentiële uitspraken als dit niet adequaat wordt gecontroleerd.

Methodologie
De auteurs stellen het Spatial Dynamic Generalized Linear Model for Confounding (SDGLMC) voor, een Bayesiaans raamwerk dat is ontworpen om zowel modelmisspecificatie als niet-gemeten confounding gelijktijdig aan te pakken.

1. Decompositie van het Blootstellingseffect:
   De kern van de methodologie berust op een eerste-orde Taylor-expansie om het blootstellingseffect te deconstrueren in twee orthogonale componenten:

   • Grootschalige component: $f(\hat{X}_{it})$, die de algemene spatio-temporele trend van de blootstelling vertegenwoordigt.
   • Kleinschalige (lokale) component: $f'(\hat{X}_{it})(X_{it} - \hat{X}_{it})$, die afwijkingen van de trend vertegenwoordigt.
     Het model gaat ervan uit dat niet-gemeten confounders ($Z_{it}$) vloeiend zijn in de ruimte en tijd en daarmee sterk gecorreleerd zijn met de grootschalige trend $\hat{X}_{it}$, maar ongecorreleerd zijn met de gedetrendde lokale blootstelling $(X_{it} - \hat{X}_{it})$. Door de uitkomst te regresseren op de gedetrendde blootstelling, beoogt het model de lokale associatie te isoleren die minder gevoelig is voor confounding-bias.

2. Structuur van het Dynamic Generalized Linear Model (DGLM):
   De lineaire predictor $\vartheta_{it} = \ln(\mu_{it})$ wordt gemodelleerd als:
   $$\vartheta_{it} = o_{it} + \beta_{0it} + \beta_{1it}(X_{it} - \hat{X}_{it}) + M'_{it}\alpha + \tilde{u}_{it}$$
   waarbij $o_{it}$ de offset is, $M_{it}$ de gemeten confounders vertegenwoordigt en $\tilde{u}_{it}$ Gaussische ruis is.

   • $\beta_{1it}$ (Lokale Helling): Een spatio-temporele variërende coëfficiënt die de lokale associatie tussen blootstelling en mortaliteit vertegenwoordigt. Deze is gedecomponeerd in een basislijn ($\delta_1$), een tijdspecifiek effect ($\delta_{1t}$) en een ruimtelijk effect ($\tilde{\delta}_{1i}$). Het temporele effect volgt een random walk-proces.
   • $\beta_{0it}$ (Intercept): Een spatio-temporeel variërend intercept dat het grootschalige blootstellingseffect en de niet-gemeten confounder vangt. Dit bevat een basislijn, een tijdspecifiek, ruimtelijk en ruimte-tijd interactiecomponent. De interactieterm ($\delta^*_{0it}$) wordt gemodelleerd met diverse structuren (bijv. Independent Random Walks met gebiedsspecifieke varianties) om heterogeniteit te vangen, zoals waargenomen tijdens de pandemie in specifieke districten.

3. Inferentie:
   Het model wordt gefit met behulp van een Bayesiaanse benadering met Markov Chain Monte Carlo (MCMC)-simulaties. Priors worden gespecificeerd voor variantieparameters en initiële toestanden, met zorgvuldige sensitiviteitsanalyse om ervoor te zorgen dat het model geleidelijke veranderingen vastlegt zonder overfitting. De ruimtelijke structuur voor gebiedsspecifieke effecten wordt gemodelleerd met behulp van Intrinsic Conditional Autoregressive (ICAR)-processen.

Belangrijkste Bijdragen

• Nieuwe Modelspecificatie: De introductie van SDGLMC, die DGLMs integreert met een decompositie van het blootstellingseffect om spatio-temporele confounding expliciet aan te pakken via de reductie van "omitted confounder bias".
• Afhandeling van Niet-lineariteit en Dynamiek: In tegenstelling tot modellen die uitgaan van constante of periodieke effecten, staat SDGLMC toe dat de blootstelling–uitkomstassociatie zich vloeiend ontwikkelt over de tijd en ruimte, waardoor uitzonderlijke gebeurtenissen (bijv. pandemieën) kunnen worden opgevangen zonder abrupte, onrealistische verschuivingen.
• Decompositiestrategie: De expliciete scheiding van het blootstellingseffect in een grootschalige (geconfounde) en kleinschalige (minder geconfunde) component biedt een mechanisme om de ware lokale associatievorm te herstellen.
• Flexibele Interactiemodellering: Het raamwerk staat toe de intercept te deconstrueren in basislijn, temporele, ruimtelijke en interactie-effecten, wat interpreteerbaarheid biedt over waar en wanneer de kwetsbaarheid voor vervuiling verandert.

Resultaten

• Simulatiestudies:
  • Mitigatie van Confounding Bias: In Simulatiestudie 1 verminderde SDGLMC de bias aanzienlijk vergeleken met Null en standaard GLM-modellen (met tijd-splines) over drie scenario's met verschillende ruimtelijke en temporele autocorrelatiestructuren van niet-gemeten confounders. Hoewel er in scenario's met hoge frequentie van temporele variatie enige bias restte, presteerde SDGLMC consistent beter dan concurrenten in Mean Squared Error (MSE) en Maximum Absolute Bias (MAB).
  • Herstel van Functionele Vorm: Simulatiestudie 2 toonde aan dat SDGLMC de eerste afgeleide van een niet-lineaire blootstelling-responsfunctie kon herstellen en dat het verwijderen van de grootschalige trend cruciaal was voor het verminderen van de confounding-bias vergeleken met een model dat de blootstelling niet had gedetrend.
• Toepassing op Werkelijke Data (Italië, 2018–2022):
  • Bij de analyse van de mortaliteit door alle oorzaken bij personen van 65+ in Piemonte en Lombardije, onthulde het model een duidelijk temporeel patroon in het lokale blootstellingseffect, met pieken tijdens de zomermaanden (bijv. juni 2019, juli 2022) waarbij de risicotoename voor een stijging van 10 $\mu g/m^3$ PM2.5 opliep tot 5,50%.
  • Tijdens de pandemie (2020–2021) was het blootstellingseffect over het algemeen niet begrensd van nul, waarschijnlijk door lockdown-maatregelen, het dragen van maskers en verminderde buitenactiviteiten.
  • Het model met de Type T5 interactie (Independent Random Walks met gebiedsspecifieke varianties) bood de beste fit (laagste DIC) en ving succesvol de unieke mortaliteitspiek in Bergamo tijdens de pandemie op.
  • Ruimtelijke variatie in het lokale blootstellingseffect bleek verwaarloosbaar, waarschijnlijk door de sociaal-economische en milieutechnische overeenkomsten tussen de twee regio's.

Betekenis en Claims
Het artikel claimt dat SDGLMC een flexibel en effectief instrument is voor het schatten van blootstelling–uitkomstassociaties in de aanwezigheid van spatio-temporele confounding en niet-lineaire dynamiek. De auteurs stellen dat:

1. Superioriteit ten opzichte van Statische Modellen: Ervan uitgaan dat een associatie constant is, is waarschijnlijk ontoereikend gezien de complexe interactie tussen meteorologische omstandigheden, menselijk gedrag en niet-gemeten factoren. SDGLMC legt deze dynamiek beter vast dan modellen die uitgaan van constante of seizoensgebonden stapfuncties.
2. Mechanisme van Seizoensgebondenheid: De geobserveerde zomerpieken in het blootstellingseffect, ondanks over het algemeen lagere PM2.5-concentraties in de zomer, suggereren een potentiële interactie tussen PM2.5 en luchttemperatuur (of andere niet-gemeten confounders) in plaats van een simpel drempeleffect.
3. Robuustheid: Het model levert nauwkeurige schattingen, zelfs wanneer gemeten confounders worden uitgesloten, hoewel de inclusie van gemeten confounders (temperatuur, luchtvochtigheid) de schattingen verfijnt, met name tijdens hittegolven.
4. Beperkingen: De auteurs merken bescheiden op dat hoewel het model de vorm van de associatie herstelt, de exacte functionele vorm van interacties onbekend blijft. Ze verduidelijken ook dat de studie zich richt op mortaliteit door alle oorzaken bij ouderen, waardoor directe causale claims over COVID-19-specifieke uitkomsten moeilijk zijn, hoewel de bevindingen overeenstemmen met de hypothese dat lockdowns de blootstellingspatronen hebben gewijzigd.

Het werk positioneert SDGLMC als een waardevolle vooruitgang voor onderzoekers die de kleinschalige, spatio-temporele gezondheidseffecten van luchtvervuiling bestuderen, en biedt een methode om het werkelijke blootstellingseffect te onderscheiden van complexe confounding-structuren.