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

Resumo Técnico: Um Modelo Bayesiano para Confundimento Espaço-Temporal na Associação PM2,5–Mortalidade

Definição do Problema
Em estudos epidemiológicos que ligam a poluição do ar à saúde pública, a estimativa da associação entre exposição e desfecho é frequentemente dificultada por dois desafios primários: a forma funcional desconhecida da relação e a presença de fatores de confusão não mensurados que são espacial e temporalmente correlacionados tanto com a exposição quanto com o desfecho. Esses problemas são particularmente agudos em análises espaço-temporais onde a exposição (PM2,5) e o risco à saúde (mortalidade) variam conjuntamente no espaço e no tempo. Abordagens tradicionais dependem frequentemente de suposições simplificadoras, como relações lineares constantes ou efeitos sazonais periódicos, que falham em contabilizar dinâmicas complexas como a pandemia de SARS-CoV-2, mudanças abruptas no comportamento humano ou interações entre poluentes e variáveis meteorológicas. Além disso, o "confundimento espaço-temporal" — definido aqui como o viés de confundimento omitido decorrente de fatores não mensurados com estrutura espaço-temporal — pode levar a inferências incorretas se não for adequadamente controlado.

Metodologia
Os autores propõem o Modelo Linear Generalizado Dinâmico Espacial para Confundimento (SDGLMC), uma estrutura Bayesiana projetada para abordar simultaneamente a especificação incorreta do modelo e o confundimento não mensurado.

1. Decomposição do Efeito da Exposição:
   O cerne da metodologia baseia-se em uma expansão de Taylor de primeira ordem para decompor o efeito da exposição em dois componentes ortogonais:

   • Componente de grande escala: $f(\hat{X}_{it})$, representando a tendência espaço-temporal geral da exposição.
   • Componente de pequena escala (local): $f'(\hat{X}_{it})(X_{it} - \hat{X}_{it})$, representando desvios da tendência.
     O modelo assume que os confundidores não mensurados ($Z_{it}$) são suaves no espaço e no tempo e, portanto, altamente correlacionados com a tendência de grande escala $\hat{X}_{it}$, mas não correlacionados com a exposição local destendida $(X_{it} - \hat{X}_{it})$. Ao realizar a regressão do desfecho sobre a exposição destendida, o modelo visa isolar a associação local menos suscetível ao viés de confundimento.

2. Estrutura do Modelo Linear Generalizado Dinâmico (DGLM):
   O preditor linear $\vartheta_{it} = \ln(\mu_{it})$ é modelado como:
   $$\vartheta_{it} = o_{it} + \beta_{0it} + \beta_{1it}(X_{it} - \hat{X}_{it}) + M'_{it}\alpha + \tilde{u}_{it}$$
   onde $o_{it}$ é o offset, $M_{it}$ representa os confundidores mensurados e $\tilde{u}_{it}$ é o ruído Gaussiano.

   • $\beta_{1it}$ (Inclinação Local): Um coeficiente variante espaço-temporal que representa a associação local entre exposição e mortalidade. Ele é decomposto em uma linha de base ($\delta_1$), um efeito específico no tempo ($\delta_{1t}$) e um efeito espacial ($\tilde{\delta}_{1i}$). O efeito temporal segue um processo de passeio aleatório (random walk).
   • $\beta_{0it}$ (Intercepto): Um intercepto variante espaço-temporal que captura o efeito da exposição de grande escala e o confundidor não mensurado. Inclui uma linha de base, efeitos específicos no tempo, espaciais e um componente de interação espaço-temporal. O termo de interação ($\delta^*_{0it}$) é modelado usando várias estruturas (ex: Passeios Aleatórios Independentes com variâncias específicas por área) para capturar a heterogeneidade, como a observada durante a pandemia em distritos específicos.

3. Inferência:
   O modelo é ajustado utilizando uma abordagem Bayesiana com simulações de Cadeia de Markov Monte Carlo (MCMC). Os priors são especificados para os parâmetros de variância e estados iniciais, com uma análise de sensibilidade cuidadosa para garantir que o modelo capture mudanças graduais sem sofrer overfitting. A estrutura espacial para os efeitos por área é modelada usando processos Autorregressivos Condicionais Intrínsecos (ICAR).

Principais Contribuições

• Especificação de Modelo Inovadora: A introdução do SDGLMC, que integra DGLMs com uma decomposição do efeito da exposição para lidar explicitamente com o confundimento espaço-temporal através da redução do "viés de confundimento omitido".
• Tratamento de Não-Linearidade e Dinâmica: Ao contrário de modelos que assumem associações constantes ou periódicas, o SDGLMC permite que a associação exposição-desfecho evolua suavemente ao longo do tempo e do espaço, acomodando eventos excepcionais (ex: pandemias) sem mudanças abruptas e irreais.
• Estratégia de Decomposição: A separação explícita do efeito da exposição em componentes de grande escala (confundidos) e pequena escala (menos confundidos) fornece um mecanismo para recuperar a verdadeira forma da associação local.
• Modelagem Flexível de Interação: A estrutura permite a decomposição do intercepto em efeitos de linha de base, temporais, espaciais e de interação, oferecendo interpretabilidade sobre onde e quando a vulnerabilidade à poluição muda.

Resultados

• Estudos de Simulação:
  • Mitigação do Viés de Confundimento: No Estudo de Simulação 1, o SDGLMC reduziu significamente o viés em comparação com os modelos Nulo e GLM padrão (com splines temporais) em três cenários envolvendo diferentes estruturas de autocorrelação espacial e temporal de confundidores não mensurados. Embora algum viés tenha persistido em cenários com variação temporal de alta frequência, o SDGLM superou consistentemente os concorrentes em Erro Quadrático Médio (MSE) e Viés Absoluto Máximo (MAB).
  • Recuperação da Forma Funcional: O Estudo de Simulação 2 demonstrou que o SDGLMC poderia recuperar a primeira derivada de uma função de resposta-exposição não linear e que a remoção da tendência de grande escala foi crucial para reduzir o viés de confundimento em comparação com um modelo que não destendeu a exposição.
• Aplicação em Dados Reais (Itália, 2018–2022):
  • Analisando a mortalidade por todas as causas em pessoas com 65 anos ou mais em Piemonte e Lombardia, o modelo revelou um claro padrão temporal no efeito de exposição local, com picos durante os meses de verão (ex: junho de 2019, julho de 2022), onde o aumento do risco para um aumento de 10 $\mu g/m^3$ de PM2,5 atingiu até 5,50%.
  • Durante a pandemia (2020–2021), o efeito da exposição geralmente não esteve afastado de zero, provavelmente devido às medidas de confinamento (lockdown), uso de máscaras e redução de atividades ao ar livre.
  • O modelo com interação do Tipo T5 (Passeios Aleatórios Independentes com variâncias específicas por área) proporcionou o melhor ajuste (menor DIC), capturando com sucesso o surto de mortalidade único em Bergamo durante a pandemia.
  • A variação espacial no efeito de exposição local foi considerada negligenciável, provavelmente devido às semelhanças socioeconômicas e ambientais entre as duas regiões.

Significância e Alegações
O artigo afirma que o SDGLMC é uma ferramenta flexível e eficaz para estimar associações exposição-desfecho na presença de confundimento espaço-temporal e dinâmicas não lineares. Os autores argumentam que:

1. Superioridade sobre Modelos Estáticos: Assumir uma associação constante é provavelmente inadequado dada a complexa interação de condições meteorológicas, comportamento humano e fatores não mensurados. O SDGLMC captura essas dinâmicas melhor do que modelos que assumem funções de degrau constantes ou sazonais.
2. Mecanismo de Sazonalidade: Os picos de verão observados no efeito da exposição, apesar das concentrações de PM2,5 serem geralmente menores no verão, sugerem uma potencial interação entre PM2,5 e a temperatura do ar (ou outros confundidores não mensurados) em vez de um simples efeito de limiar.
3. Robustez: O modelo fornece estimativas precisas mesmo quando os confundidores mensurados são excluídos, embora a inclusão de confundidores mensurados (temperatura, umidade) refine as estimativas, particularmente durante ondas de calor.
4. Limitações: Os autores notam modestamente que, embora o modelo recupere a forma da associação, a forma funcional exata das interações permanece desconhecida. Eles também esclarecem que o estudo foca na mortalidade por todas as causas em idosos, tornando difíceis as afirmações causais diretas sobre desfechos específicos de COVID-19, embora os achados se alinhem com a hipótesia de que os confinamentos alteraram os padrões de exposição.

O trabalho posiciona o SDGLMC como um avanço valioso para pesquisadores que estudam os efeitos de saúde de pequena escala e espaço-temporais da poluição do ar, oferecendo um método para desmembrar os verdadeiros efeitos da exposição de estruturas de confundimento complexas.