A varying-coefficient model for characterizing duration-driven heterogeneity in flood-related health impacts

Technische Samenvatting: Exposure Duration Varying-Coefficient Model (EDVCM) voor gezondheidseffecten gerelateerd aan overstromingen

Probleemstelling
Overstromingen zijn zeer heterogene gebeurtenissen, variërend van kortdurende "flash floods" tot langzaam bewegende gebeurtenissen die weken kunnen duren. Hoewel eerder onderzoek verbanden heeft vastgesteld tussen blootstelling aan overstromingen en ongunstige gezondheidsuitkomsten (bijv. aandoeningen aan het bewegingsapparaat, letsel, mortaliteit), schieten bestaande epidemiologische methoden tekort in het adequaat integreren van overstromingsduur in de blootstellingsmodellering. Huidige benaderingen behandelen meerdaagse overstromingsgebeurtenissen vaak als eenvoudige sequenties van blootstellingsdagen of vatten ze samen in één enkele blootstellingsperiode, waardoor de door duur gedreven effectheterogeniteit wordt genegeerd. Deze beperking verhindert onderzoekers bij het beantwoorden van kritische vragen: Variëren de gezondheidseffecten met de lengte van de overstroming? Creëren verschillende overstromingsduurden verschillende kritieke perioden van kwetsbaarheid? Er is een methodologisch gat in de tijdreeks- en case-crossoverframeworks die in de klimaatepidemiologie worden gebruikt om consecutieve blootstellingsdagen van variabele lengte te verwerken terwijl vertraagde effecten (lagged effects) worden rekening gehouden.

Methodologie: Het EDVCM-framework
Om dit gat te dichten, stellen de auteurs het Exposure Duration Varying-Coefficient Model (EDVCM) voor. Het framework integreert een self-matched onderzoeksontwerp met een Bayesiaans conditioneel Poisson-regressiemodel.

1. Onderzoeksontwerp: Het model maakt gebruik van een gebiedsbreed self-matched ontwerp. Blootgestelde county-dagen aan overstromingen worden gematcht met niet-overstroomde dagen binnen dezelfde county op dezelfde dag van het jaar in voorgaande of volgende jaren. Dit ontwerp elimineert tijd-invariante confounders. Tijd-variërende confounders (temperatuur, luchtvochtigheid, wind, PM2.5, O3, NO2) worden aangepast via covariaten.
2. Modelformulering: De kern van de EDVCM is een conditionele Poisson-regressie waarbij de log-ratio van ziekenhuisopnames wordt gemodelleerd als een functie van binaire overstromingsblootstelling. In tegen tegenstelling tot standaardmodellen is de blootstellingscoëfficiënt ($\beta$) niet een enkele scalaire waarde, maar varieert deze gezamenlijk over twee dimensies:
   • Duur ($d$): De totale lengte van de overstromingsgebeurtenis.
   • Blootstellingsdag ($t$): De specifieke dag binnen de overstromingsgebeurtenis ($1 \le t \le d$).
     Het model bevat ook coëfficiënten voor vertraagde dagen ($l$) volgend op de overstromingsgebeurtenis.
3. Bayesiaanse smoothing via Gaussian Processes: Om de hoogdimensionale matrix van coëfficiënten ($\beta_{d,t}$) te schatten waar data schaars kan zijn (met name voor langdurige overstromingen), kennen de auteurs een tweedimensionale Gaussian Process (GP) prior toe aan de coëfficiënten.
   • De prior gaat uit van een scheidbare productkernstructuur: $Cov(\beta_{d,t}, \beta_{d',t'}) = \sigma^2_\beta \exp(-\frac{|d-d'|}{\phi}) \exp(-\frac{|t-t'|}{\tau})$.
   • Dit maakt informatieoverdracht mogelijk tussen vergelijkbare overstromingsduurden en opeenvolgende blootstellingsdagen, wat de schatting stabiliseert zonder dat willekeurige discretisering van de duur vereist is.
   • Een vergelijkbare GP-structuur wordt toegepast op de coëfficiënten van de vertraagde effecten ($\theta_{d,l}$).
4. Schatting: Het model conditioneert stratum-specifieke intercepten uit om een multinomiale likelihood te verkrijgen, wat de computationele last vermindert. Parameters worden geschat met behulp van Hamiltonian Monte Carlo (HMC) sampling.

Belangrijkste Bijdragen

• Nieuw Framework: De EDVCM is het eerste framework dat blootstellingseffecten expliciet modelleert als een functie van zowel de duur van een klimaatgebeurtenis als de specifieke dag binnen die gebeurtenis, wat onderzoek naar duur-gedreven heterogeniteit mogelijk maakt.
• Methodologische Innovatie: Het breidt varying-coefficient modellen (VCM) en distributed lag modellen (DLM) uit door effecten te parametriseren over een beperkte tweedimensionale ruimte (duur en dag) met behulp van een scheidbare Gaussian process prior.
• Simulatieprestaties: In simulatiestudies vertoonde de EDVCM superieure prestaties vergeleken met conventionele benaderingen (Bayesiaanse modellen met onafhankelijke normale priors en frequentistische GLM's). Specifiek behaalde het een lagere Root Mean Square Error (RMSE) en betere biasreductie, vooral in "ruizige" datasituaties en bij het schatten van coëfficiënten voor duurden met schaarse data. Het behield ook nominale dekking waarschijnlijkheden waar onafhankelijke prior-modellen onder-dekten.

Empirische Resultaten
Het model werd toegepast op nationale Medicare-claimsdata (2000–2016) voor volwassenen van 65 jaar en ouder, gekoppeld aan hoog-resolutie satellietgegevens van overstromingen uit de Global Flood Database. De uitkomstmaat was het aantal ziekenhuisopnames per county voor aandoeningen aan het bewegingsapparaat.

• Duur-afhankelijke Heterogeniteit: De studie vond dat de richting en magnitude van de effecten van overstromingen op ziekenhuisopnames voor aandoeningen aan het bewegingsapparaat sterk afhangen van de overstromingsduur.
  • Kortere overstromingen (1, 4, 5 dagen): Geassocieerd met afgenomen ziekenhuisopnames (beschermend effect), met de grootste reductie waargenomen op dag 5 van een 5-daagse overstroming (Rate Ratio [RR] = 0,79).
  • Langere overstromingen (2–3 dagen, 6+ dagen): Geassocieerd met toegenomen ziekenhuisopnames (ongunstig effect).
• Kritieke Vensters: Voor ongunstige effecten (langere overstromingen), was het risico geconcentreerd in het laatste kwartiel van de overstromingsgebeurtenis. Het maximale ongunstige effect werd waargenomen op de laatste dag van een 6-daagse overstroming (RR = 1,28).
• Cumulatieve Effecten: Hoewel de cumulatieve rate ratios voor de meeste duurden de nullijn (1,0) kruisten, vertoonden 7-daagse overstromingen de grootste cumulatieve ongunstige impact, terwijl 5-daagse overstromingen het grootste cumulatieve beschermende effect vertoonden.
• Interpretatie: De auteurs suggereren dat kortere overstromingen kunnen leiden tot uitgestelde zorg (het uitstellen van niet-acute bezoeken), wat resulteert in lagere waargenomen ratio's. Daarentegen kunnen langere overstromingen uiteindelijk individuen dwingen om zorg te zoeken vanwege verslechterende condities of systeemverstoringen, wat leidt tot pieken in ziekenhuisopnames in de latere dagen.

Betekenis en Beperkingen
Het artikel stelt dat de EDVCM "hoog-resolutie inzichten" biedt in de duur-gedreven effectheterogeniteit, waarmee de beperkingen van samengevatte blootstellingsperioden worden overstegen die kritieke vensters van kwetsbaarheid kunnen maskeren. Door te identificeren dat ongunstige effecten geconcentreerd zijn in de latere dagen van langere overstromingen, biedt het model bruikbare intelligentie voor de planning van publieke gezondheidsresponsen en gerichte adaptatiestrategieën.

De auteurs erkennen enkele beperkingen:

• Ruimtelijke Resolie: Blootstelling werd geaggregeerd op county-niveau, wat kan leiden tot misclassificatie voor individuen die niet direct overstroomd zijn.
• Residuele Confounding: Zoals bij alle observationele studies kunnen niet-gemeten tijd-variërende confounders bestaan.
• Computationele Schaalbaarheid: De dimensionaliteit van het model groeit kwadratisch met de maximale overstromingsduur, wat belastend kan zijn voor extreem lange gebeurtenissen.
• Verdelingsaannames: Het gebruik van Poisson-regressie gaat uit van gelijkheid tussen gemiddelde en variantie, hoewel overdispersie in ziekenhuisopnamegegevens plausibel is.

De studie concludeert dat de EDVCM een robuust instrument is voor het karakteriseren van de complexe, duur-afhankelijke gezondheidseffecten van klimaatgebeurtenissen, met potentiële toepasbaarheid op andere variabel-duur gevaren zoals hittegolven en bosbranden.