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

Resumo Técnico: Modelo de Coeficiente Variável de Duração de Exposição (EDVCM) para Impactos na Saúde Relacionados a Inundações

Definição do Problema
As inundações são eventos altamente heterogêneos, variando de eventos de curta duração ("inundações repentinas") a eventos lentos que duram semanas. Embora pesquisas anteriores tenham estabelecido associações entre a exposição a inundações e desfechos adversos à saúde (ex: doenças musculoesqueléticas, lesões, mortalidade), os métodos epidemiológicos existentes falham em incorporar adequadamente a duração da inundação na modelagem da exposição. As abordagens atuais frequentemente tratam eventos de inundação de múltiplos dias como sequências simples de dias de exposição ou os colapsam em um único período de exposição, ignorando a heterogeneidade do efeito impulsionada pela duração. Essa limitação impede que pesquisadores respondam a questões críticas: Os efeitos sobre a saúde variam com a extensão da inundação? Diferentes durações de inundação criam diferentes janelas críticas de vulnerabilidade? Existe uma lacuna metodológica nos frameworks de séries temporais e de cross-over de casos usados na epidemiologia climática para lidar com exposições de dias consecutivos de comprimentos variáveis, ao mesmo tempo em que se considera os efeitos defasados (lagged effects).

Metodologia: O Framework EDVCM
Para abordar essa lacuna, os autores propõem o Modelo de Coeficiente Variável de Duração de Exposição (EDVCM). O framework integra um desenho de estudo autoemparelhado com um modelo de regressão de Poisson condicional bayesiano.

1. Desenho do Estudo: O modelo utiliza um desenho autoemparelhado em nível de área. Dias-condado expostos à inundação são emparelhados com dias não inundados dentro do mesmo condado no mesmo dia do ano em anos precedentes ou subsequentes. Esse desenho elimina confundidores invariantes no tempo. Confundidores variantes no tempo (temperatura, umidade, vento, PM2.5, O3, NO2) são ajustados via covariáveis.
2. Formulação do Modelo: O núcleo do EDVCM é uma regressão de Poisson condicional onde a taxa de logaritmo das hospitalizações é modelada como uma função da exposição binária à inundação. Diferente dos modelos padrão, o coeficiente de exposição ($\beta$) não é um escalar único, mas varia conjuntamente em duas dimensões:
   • Duração ($d$): A extensão total do evento de inundação.
   • Dia de Exposição ($t$): O dia específico dentro do evento de inundação ($1 \le t \le d$).
     O modelo também inclui coeficientes para dias de atraso ($l$) após o evento de inundação.
3. Suavização Bayesiana via Processos Gaussianos: Para estimar a matriz de alta dimensão de coeficientes ($\beta_{d,t}$) onde os dados podem ser esparsos (especialmente para inundações de longa duração), os autores atribuem uma prior de Processo Gaussiano (GP) bidimensional aos coeficientes.
   • A prior assume uma estrutura de kernel de produto separável: $Cov(\beta_{d,t}, \beta_{d',t'}) = \sigma^2_\beta \exp(-\frac{|d-d'|}{\phi}) \exp(-\frac{|t-t'|}{\tau})$.
   • Isso permite o compartilhamento de informações entre durações de inundação semelhantes e dias de exposição consecutivos, estabilizando a estimativa sem exigir a discretização arbitrária da duração.
   • Uma estrutura de GP semelhante é aplicada aos coeficientes de efeito defasado ($\theta_{d,l}$).
4. Estimativa: O modelo condiciona os interceptos específicos de estrato para gerar uma verossimilhança multinomial, reduzindo a carga computacional. Os parâmetros são estimados usando amostragem de Monte Carlo Hamiltoniano (HMC).

Principais Contribuições

• Framework Inovador: O EDVCM é o primeiro framework que modela explicitamente os efeitos da exposição como uma função tanto da duração de um evento climático quanto do dia específico dentro desse evento, permitindo a investigação da heterogeneidade impulsionada pela duração.
• Inovação Metodológica: Ele estende os modelos de coeficientes variáveis (VCM) e modelos de defasagem distribuída (DLM) ao parametrizar os efeitos através de um espaço bidimensional restrito (duração e dia) usando uma prior de processo gaussiano separável.
• Desempenho de Simulação: Em estudos de simulação, o EDVCM demonstrou desempenho superior comparado a abordagens convencionais (modelos Bayesianos com priors normais independentes e GLMs frequentistas). Especificamente, alcançou menor Erro Quadrático Médio (RMSE) e melhor redução de viés, particularmente em cenários de dados "ruidosos" e ao estimar coeficientes para durações com dados esparsos. Também manteve probabilidades de cobertura nominais onde modelos de prior independente apresentaram subcobertura.

Resultos Empíricos
O modelo foi aplicado a dados nacionais de sinistros do Medicare (2000–2016) para adultos com 65 anos ou mais, vinculados a dados de inundação de alta resolução derivados de satélite do Global Flood Database. O desfecho foi a taxa de hospitalização por nível de condado para doenças do sistema musculoesquelético.

• Heterogeneidade Dependente da Duração: O estudo descobriu que a direção e a magnitude dos efeitos das inundações nas hospitalizações musculoesqueléticas dependem fortemente da duração da inundação.
  • Inundações Curtas (1, 4, 5 dias): Associadas a diminuição nas taxas de hospitalização (efeito protetor), com a maior redução observada no 5º dia de uma inundação de 5 dias (Razão de Taxa [RR] = 0,79).
  • Inundações Longas (2–3 dias, 6+ dias): Associadas ao aumento nas taxas de hospitalização (efeito adverso).
• Janelas Críticas: Para efeitos adversos (inundações longas), o risco concentrou-se no último quarto do evento de inundação. O efeito adverso máximo foi observado no último dia de uma inundação de 6 dias (RR = 1,28).
• Efeitos Cumulativos: Embora as razões de taxa cumulativas para a maioria das durações tenham cruzado o nulo (1,0), as inundações de 7 dias mostraram o maior impacto adverso cumulativo, enquanto as de 5 dias mostraram o maior efeito protetor cumulativo.
• Interpretação: Os autores sugerem que inundações curtas podem levar ao adiamento do cuidado (postergando visitas não emergenciais), resultando em taxas observadas menores. Por outro lado, inundações longas podem eventualmente forçar indivíduos a buscar cuidados devido ao agravamento das condições ou interrupções no sistema, levando a picos de hospitalizações nos dias finais.

Significância e Limitações
O artigo afirma que o EDVCM fornece "insights de alta resolução" sobre a heterogeneidade de efeitos impulsionada pela duração, indo além das limitações de períodos de exposição colapsados que podem mascarar janelas críticas de vulnerabilidade. Ao identificar que os efeitos adversos se concentram nos dias finais de inundações longas, o modelo oferece inteligência acionável para o planejamento de resposta à saúde pública e estratégias de adaptação direcionadas.

Os autores reconhecem algumas limitações:

• Resolução Espacial: A exposição foi agregada ao nível do condado, o que pode levar a erros de classificação para indivíduos que não foram diretamente afetados pela inundação.
• Confundimento Residual: Como em todos os estudos observacionais, podem existir confundidores variantes no tempo não mensurados.
• Escalabilidade Computacional: A dimensionalidade do modelo cresce quadraticamente com a duração máxima da inundação, o que pode ser oneroso para eventos extremamente longos.
• Suposições Distribuicionais: O uso de regressão de Poisson assume igualdade de média-variância, embora a sobredispersão em dados de hospitalização seja plausível.

O estudo conclui que o EDVCM é uma ferramenta robusta para caracterizar os complexos impactos na saúde dependentes da duração de eventos climáticos, com potencial aplicabilidade para outros riscos de duração variável, como ondas de calor e incêndios florestais.