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

Resumo Técnico: Um Ajuste de Confundidor Espectral para Regressão Espacial com Múltiplas Exposições e Desfechos

Definição do Problema
Caracterizar a vulnerabilidade social é crítico para a resposta a desastres e o planejamento de saúde pública, contudo, validar índices de vulnerabilidade contra desfechos de saúde é desafiador devido à natureza observacional dos dados. Esses estudos são suscetíveis ao viés induzido por confundidores não mensurados, um problema exacerbado em configurações espaciais que envolvem múltiplas exposições (ex: componentes de um índice de vulnerabilidade social) e múltiplos desfechos de saúde. Os modelos de regressão espacial tradicionais frequentemente assumem a ausência de confusão espacial não mensurada, uma suposição frequentemente violada em estudos de saúde ambiental onde fatores não mensurados (ex: poluição local, renda) variam geograficamente em padrões semelhantes aos das exposições e desfechos. Métodos existentes para confusão espacial são amplamente limitados a cenários univariados ou falham em abordar a complexidade de misturas de exposições e múltiplos desfechos simultaneamente.

Metodologia
Os autores propõem um Modelo Espectral Multivariado (MSM) projetado para estimar efeitos causais na presença de confundidores espaciais globais não mensurados para dados com múltiplas exposições e múltiplos desfechos. A metodologia procede através das seguintes etapas:

1. Decomposição Espectral: O domínio espacial é particionado em regiões, e os dados são projetados no domínio espectral usando a transformada de Fourier de grafos. Isso envolve decompor a matriz de precisão do modelo de Autorregressão Condicional (CAR) em autovetores e autovalores. Essa transformação separa a informação espacial em diferentes escalas: baixos autovalores correspondem a escalas espaciais globais (suaves), enquanto altos autovalores correspondem a escalas espaciais locais (rugosas).
2. Suposição de Não Confundimento Local: Em vez de assumir nenhum confundimento não mensurado globalmente, o modelo relaxa essa premissa para a suposição de não confundimento local. Isso postula que, embora termos de escala global possam ser confundidos, termos de escala local (associados a grandes autovalores) são não confundidos. Especificamente, assume-se que a correlação entre a exposição e o erro espacial não mensurado diminui conforme a escala espacial se torna mais local ($\alpha_{ier} \to 0$ conforme $w_i \to \infty$).
3. Estrutura de Regressão de Tensor: Para lidar com múltiplas exposições ($E$) e múltiplos desfechos ($R$) através de múltiplas escalas espaciais ($S$), os coeficientes de regressão são estruturados como um tensor de três vias ($S \times E \times R$). O modelo emprega uma regressão tensorial Bayesiana usando a decomposição de Polítopos Canônicos (CP).
   • Os coeficientes multiescala são modelados usando funções de base B-spline para capturar a variação suave através das escalas espaciais.
   • O tensor de coeficientes de base é decomposto em um produto de baixo posto de três matrizes fatoriais (representando escalas, exposições e desfechos) para reduzir a dimensionalidade e capturar estruturas latentes.
   • Priors de Ferradura (Horseshoe priors) são aplicados às margens do tensor para incentivar a esparsidade e o encolhimento (shrinkage), permitindo que o modelo identifique fatores latentes relevantes e efeitos nulos.
4. Inferência: Os efeitos causais são identificados extraindo os estimativas de coeficientes correspondentes às escalas espaciais mais locais (maiores autovalores), onde a suposição de não confundimento local se sustenta.

Principais Contribuições

• Extensão Multivariada: Diferente de métodos espectrais anteriores (ex: Guan et al., 2023) que eram univariados, este método estende o ajuste espectral para lidar com múltiplas exposições e múltiplos desfechos simultaneamente, abordando as relações causais de "muitos-para-muitos" comuns na epidemiologia.
• Suposições Causais Relaxadas: O método substitui a rigorosa suposição de "nenhum confundidor não mensurado" pela suposição mais realista de "não confundimento local", permitindo interpretação causal mesmo quando existe confusão global.
• Decomposição de Tensor para Interpretabilidade: Ao utilizar uma estrutura de tensor de baixo posto, o método fornece fatores latentes interpretáveis que destilam relações complexas de muitos-para-muitos em padrões gerenciáveis, evitando o sobreajuste (overfitting) e a falta de interpretabilidade frequentemente encontrados em modelos espaciais de alta dimensão.
• Ganhos de Eficiência: A abordagem multivariada aproveita a força compartilhada entre desfechos correlacionados, resultando em intervalos de credibilidade mais estreitos e maior eficiência em comparação com modelos espectrais univariados.

Resultos
A metodologia foi aplicada a dados do Sul dos Estados Unidos, analisando a relação entre o Índice de Vulnerabilidade Social para Gestão de Desastres (SVIDM) do CDC e cinco condições crônicas prevalentes (hipertensão, doença renal crônica, hiperlipidemia, insuficiência cardíaca congestiva e diabetes) em 10.149 Áreas de Zonas de Código Postal Tabuladas (ZCTAs).

• Detecção de Confusão Espacial: A análise revelou discrepâncias significativas entre as estimativas de escala global (viesadas para longe da nulidade) e as estimativas de escala local, confirmando a presença de confusão espacial. Modelos espaciais ingênuos e a Regressão Linear Ordinária (OLS) produziram estimativas viesadas com intervalos de credibilidade excessivamente estreitos.
• Estimativas Causais: Após ajustar para a confusão espacial, o estudo encontrou:
  • Tema 1 (Resiliência Econômica): Demonstrou o efeito positivo mais forte sobre diabetes e doença renal crônica, e um efeito negativo sobre hiperlipidemia.
  • Tema 2 (Capacidade Adaptativa Familiar): Mostrou uma alta probabilidade de um efeito positivo sobre a diabetes.
  • Tema 4 (Habitação/Transporte): Associado a taxas mais altas de doença renal crônica e insuficiência cardíaca congestiva.
  • Tema 3 (Minoria/Não Falante de Inglês): Mostrou tendências menos consistentes entre os desfechos.
• Desempenho de Simulação: Em estudos de simulação, o método MSM demonstrou Menor Erro Quadrático Médio (MSE) e Menor Viés Absoluto Médio (MAB) em comparação com modelos espaciais ingênuos e modelos espectrais univariados. Manteve taxas de cobertura próximas ou acima do nível nominal de 95%, enquanto modelos ingênuos frequentemente caíram abaixo da cobertura nominal, indicando excesso de confiança. O método também mostrou robustez à confusão não linear moderada.

Significância e Alegações
O artigo afirma que o método MSM proposto oferece um arcabouço robusto para inferência causal em ambientes espaciais multivariados onde a preocupação com confundidores não mensurados é presente. Ao ajustar para a confusão em escalas globais enquanto aproveita o não confundimento local, o método fornece estimativas não viesadas que são cruciais para a formulação de políticas públicas. Os autores enfatizam que sua abordagem permite que autoridades de saúde pública priorizem intervenções direcionadas baseadas em evidências causais mais confiáveis, em vez de correlações observacionais potencialmente viesadas. O estudo conclui que o SVIDM, particularmente seu componente de resiliência econômica, possui um elo causal preditivo com as cargas de doenças crônicas, oferecendo insights epidemiológicos interpretáveis que ajustam para a confusão espacial multivariada. Os autores observam limitações, incluindo a natureza não verificável da suposição de não confundimento local e a exclusão de efeitos de transbordamento (spillover), sugerindo estes como áreas para pesquisas futuras.