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

Technische Samenvatting: Een Spectrale Confounder-correctie voor Ruimtelijke Regressie met Meerdere Blootstellingen en Uitkomsten

Probleemstelling
Het karakteriseren van sociale kwetsbaarheid is cruciaal voor rampenbestrijding en publieke gezondheidsplanning, maar het valideren van kwetsbaarheidsindices tegen gezondheidsuitkomsten is uitdagend vanwege de observationele aard van de gegevens. Deze studies zijn gevoelig voor bias veroorzaakt door niet-gemeten confounders, een probleem dat wordt verergerd in ruimtelijke settings met meerdere blootstellingen (bijv. componenten van een sociale kwetsbaarheidsindex) en meerdere gezondheidsuitkomsten. Traditionele ruimtelijke regressiemodellen gaan vaak uit van de afwezigheid van niet-gemeten ruimtelijke confounding, een aanname die vaak wordt geschonden in milieugezondheidsonderzoek waar niet-gemeten factoren (bijv. lokale vervuiling, inkomen) geografische patronen vertonen die vergelijkbaar zijn met de blootstellingen en uitkomsten. Bestaande methoden voor ruimtelijke confounding zijn grotendeels beperkt tot univariate settings of falen om de complexiteit van mengsels van blootstellingen en meerdere uitkomsten tegelijkertijd aan te pakken.

Methodologie
De auteurs stellen een Multivariate Spectrale Model (MSM) voor, ontworpen om causale effecten te schatten in aanwezigheid van niet-gemeten, globale ruimtelijke confounders voor gegevens met meerdere blootstellingen en meerdere uitkomsten. De methodologie verloopt via de volgende stappen:

1. Spectrale Decompositie: Het ruimtelijke domein wordt opgedeeld in regio's, en de gegevens worden naar het spectrale domein geprojecteerd met behulp van de graaf-Fourier-transformatie. Dit houdt in dat de precisie-matrix van het Conditional Autoregressive (CAR) model wordt gedecomposeerd in eigenvectoren en eigenwaarden. Deze transformatie scheidt ruimtelijke informatie in verschillende schalen: lage eigenwaarden komen overeen met globale (gladde) ruimtelijke schalen, terwijl hoge eigenwaarden overeenkomen met lokale (ruwe) ruimtelijke schalen.
2. Lokale Ongeconfondeerdheid-aanname: In plaats van uit te gaan van geen niet-gemeten confounding op globaal niveau, versoepelt het model dit naar de aanname van lokale ongeconfondeerdheid. Dit stelt dat hoewel termen op globale schaal geconfound kunnen zijn, termen op lokale schaal (geassocieerd met grote eigenwaarden) ongeconfondeerd zijn. Specifiek wordt aangenomen dat de correlatie tussen de blootstelling en de niet-gemeten ruimtelijke fout afneemt naarmate de ruimtelijke schaal lokaler wordt ($\alpha_{ier} \to 0$ als $w_i \to \infty$).
3. Tensor Regressie Framework: Om meerdere blootstellingen ($E$) en meerdere uitkomsten ($R$) over meerdere ruimtelijke schalen ($S$) te verwerken, worden de regressiecoëfficiënten gestructureerd als een drieweg-tensor ($S \times E \times R$). Het model maakt gebruik van een Bayesiaanse tensorregressie benadering met behulp van Canonical Polyadic (CP) decompositie.
   • De multischalige coëfficiënten worden gemodelleerd met B-spline basisfuncties om de gladde variatie over ruimtelijke schalen te vangen.
   • De tensor van basiscoëfficiënten wordt gedecomposeerd in een laag-rang product van drie factor-matrices (die schalen, blootstellingen en uitkomsten vertegenwoordigen) om dimensionaliteit te reduceren en latente structuren te vangen.
   • Horseshoe priors worden toegepast op de tensor-marges om schaarste en shrinkage te stimuleren, waardoor het model relevante latente factoren en nul-effecten kan identificeren.
4. Inferentie: Causale effecten worden geïdentificeerd door de coëfficiënt-schattingen te extraheren die overeenkomen met de meest lokale ruimtelijke schalen (hoogste eigenwaarden), waar de aanname van lokale ongeconfondeerdheid standhoudt.

Belangrijkste Bijdragen

• Multivariate Uitbreiding: In tegenstelling tot eerdere spectrale methoden (bijv. Guan et al., 2023) die univariate waren, breidt deze methode de spectrale correctie uit om meerdere blootstellingen en meerdere uitkomsten tegelijkertijd te behandelen, waarmee de "veel-op-veel" causale relaties aanpakt die gebruikelijk zijn in de epidemiologie.
• Vereenvoudigde Causale Aannames: De methode vervangt de strikte "geen niet-gemeten confounders" aanname door de meer realistische "lokale ongeconfondeerdheid" aanname, waardoor causale interpretatie mogelijk is zelfs wanneer globale confounding aanwezig is.
• Tensor Decompositie voor Interpreteerbaarheid: Door gebruik te maken van een laag-rang tensorstructuur, biedt de methode interpreteerbare latente factoren die complexe veel-op-veel relaties distilleren tot beheersbare patronen, waarbij overfitting en het gebrek aan interpreteerbaarheid die vaak voorkomen bij hoogdimensionale ruimtelijke modellen worden vermeden.
• Efficiëntiewinst: De multivariate benadering leent kracht uit gecorreleerde uitkomsten, wat resulteert in nauwere betrouwbaarheidsintervallen en hogere efficiëntie vergeleken met univariate spectrale modellen.

Resultaten
De methodologie werd toegepast op gegevens uit het zuiden van de Verenigde Staten, waarbij de relatie tussen de Social Vulnerability Index voor Disaster Management (SVIDM) van de CDC en vijf voorkomende chronische aandoeningen (hypertensie, chronische nierziekte, hyperlipidemie, congestief hartfalen en diabetes) werd geanalyseerd over 10.149 ZIP Code Tabulated Areas (ZCTAs).

• Detectie van Ruimtelijke Confounding: De analyse toonde significante discrepanties tussen globale schattingen (biased weg van de nul) en lokale schattingen, wat de aanwezigheid van ruimtelijke confounding bevestigde. Naïve ruimtelijke modellen en Ordinary Least Squares (OLS) produceerden vertekende schattingen met te nauwe betrouwbaarheidsintervallen.
• Causale Schattingen: Na aanpassing voor ruimtelijke confounding vond de studie:
  • Thema 1 (Economische Veerkracht): Toonde het sterkste positieve effect op diabetes en chronische nierziekte, en een negatief effect op hyperlipidemie.
  • Thema 2 (Huishoudelijke Adaptieve Capaciteit): Toonde een hoge waarschijnlijkheid van een positief effect op diabetes.
  • Thema 4 (Huisvesting/Transport): Was geassocieerd met hogere percentages chronische nierziekte en congestief hartfalen.
  • Thema 3 (Minderheden/Niet-Engelse Sprekenden): Toonde minder consistente trends over de uitkomsten heen.
• Simulatieprestaties: In simulatiestudies vertoonde de MSM-methode een lagere Mean Squared Error (MSE) en Mean Absolute Bias (MAB) vergeleken met naïeve ruimtelijke modellen en univariate spectrale modellen. Het behield dekkingratio's die dicht bij of boven het nominale niveau van 95% lagen, terwijl naïeve modellen vaak onder het nominale niveau uitkwamen, wat wijst op overmoedigheid. De methode bleek ook robuust tegen matige niet-lineaire confounding.

Betekenis en Claims
Het artikel beweert dat de voorgestelde MSM-methode een robuust kader biedt voor causale inferentie in multivariate ruimtelijke settings waar niet-gemeten confounding een punt van zorg is. Door te corrigeren voor confounding op globale schalen en tegelijkertijd gebruik te maken van lokale ongeconfondeerdheid, levert de methode onbevooroordeelde schattingen die cruciaal zijn voor beleidsvorming. De auteurs benadrukken dat hun aanpak publieke gezondheidsfunctionarissen in staat stelt om gerichte interventies te prioriteren op basis van betrouwbaarder causaal bewijs in plaats van potentieel vertekende observationele correlaties. De studie concludeert dat de SVIDM, met name de component economische veerkracht, een voorspellende causale link heeft met de chronische ziektebelasting, wat interpreteerbare epidemiologische inzichten biedt die corrigeren voor multivariate ruimtelijke confounding. De auteurs merken beperkingen op, waaronder de niet-verifieerbare aard van de lokale ongeconfondeerdheid-aanname en de uitsluiting van spillover-effecten, en stellen deze voor als gebieden voor toekomstig onderzoek.