Joint Bayesian models for validating spatial health-event databases against a gold standard: separating global and local discrepancies

Resumo Técnico: Modelos Bayesianos Conjuntos para Validação de Bases de Dados Espaciais de Eventos de Saúde

Enunciado do Problema
O uso secundário de dados médico-administrativos e espaciais sintéticos oferece uma alternativa custo-efetiva aos registros baseados em população para a epidemiologia espacial. No entanto, é necessária uma validação rigorosa contra um padrão-ouro (GS) para garantir que essas bases de dados candidatas à reutilização (CFRD) reproduzam adequadamente o sinal espacial da fonte original sem distorcer estruturas geográficas. A literatura metodológica atual carece de uma ferramenta capaz de validar espacialmente uma CFRD contra um GS de forma tanto emparelhada (mesmo suporte areal) quanto assimétrica (uma fonte é a referência, a outra é a candidata). Métodos existentes, como o I de Moran, estatísticas de varredura espacial ou comparações de processos pontuais, são frequentemente descritivos, simétricos ou falham em modelar explicitamente a incerteza das contagens areais e decompor a discordância em deslocamentos globais versus discrepâncias locais.

Metodologia
Os autores propõem um framework hierárquico bayesiano para validação de mapa a mapa que distingue entre duas dimensões de discordância: global (deslocamentos em toda a mapa) e local (desvios específicos por área).

1. Framework de Modelagem:

   • O framework assume uma distribuição de amostragem de Poisson para as contagens observadas, com contagens esperadas padronizadas para uma escala comum para garantir comparabilidade.
   • Três modelos bayesianos conjuntos são desenvolvidos para representar a relação entre a referência (Base de Dados 1) e a candidata (Base de Dados 2):
     • Modelo de Erro Aleatório (REM): A Base de Dados 2 é modelada como a referência mais um campo espacial compartilhado e um termo de erro puramente aleatório (independente).
     • Modelo de Erro Estruturado (SEM): Similar ao REM, mas o termo de erro é modelado como um campo estruturado espacialmente (usando parametrização BYM2), capturando a coerência espacial residual nas discrepâncias.
     • Modelo de Componente Compartilhado (SCM): Um benchmark simétrico onde ambas as bases de dados são modeladas como desvios de um campo latente compartilhado comum, em vez de uma ser uma perturbação da outra.

2. Resumos de Discrepância:

   • Discrepância Global: Quantificada pela diferença nos interceptos específicos da base de dados ($\Delta = \alpha^{(2)} - \alpha^{(1)}$), transformada em um risco relativo global multiplicativo ($RR_{global} = \exp(\Delta)$). Isso captura deslocamentos médios em toda a mapa.
   • Discrepância Local: Avaliada por meio de resumos posteriores dos termos de erro específicos da fonte. Duas regras de decisão são propostas:
     • Probabilidade de Excedência Referenciada ao Nulo (NREP): A probabilidade de que o erro local seja positivo ($Pr(\psi_i > 0)$).
     • Probabilidade de Excedência Robustamente Centrada (RCEP): A probabilidade de que o erro local se desvie de um centro global robusto ($c^\star$, a mediana das medianas posteriores) por mais de uma tolerância $\epsilon$. Esta regra é projetada para distinguir anomalias locais genuínas de deslocamentos amplos que podem ser artificialmente amplificados pelas restrições de soma-zero de modelos espaciais latentes.

Resultados do Estudo de Simulação
O framework foi avaliado usando simulações em dados de condados da Carolina do Norte sob vários cenários de perturbação (nulo, uniforme, agrupado e aleatório).

• Detecção Global: O contraste de interceptos ($RR_{global}$) recuperou com precisão deslocamentos em toda a mapa em todos os modelos e cenários. Sob perturbações uniformes, identificou corretamente o deslocamento; sob perturbações localizadas, permaneceu próximo de 1, indicando corretamente a ausência de um deslocamento global.
• Detecção Local:
  • Desempenho do Modelo: Os modelos de erro assimétricos (REM e SEM) geralmente superaram o SCM simétrico na detecção local, particularmente em cenários agrupados e aleatórios esparsos. SEM e REM mostraram desempenho similar, sugerindo que a suposição de estrutura espacial no termo de erro não altera drasticamente as conclusões.
  • Regras de Decisão: A regra RCEP demonstrou características operacionais superiores em comparação com a NREP. A RCEP forneceu um melhor equilíbrio entre sensibilidade e controle de falsos positivos, especialmente em configurações agrupadas onde a NREP tendia a ser excessivamente liberal e gerar altas taxas de descoberta falsa. Um limiar de 0,9 para a RCEP foi identificado como oferecendo o melhor equilíbrio.
  • Sensibilidade: O desempenho da detecção local deteriorou-se significativamente em cenários com eventos raros (baixa incidência) ou quando 50% do território foi modificado na mesma direção (transformando anomalias locais em deslocamentos difusos).

Aplicação a Dados de Doença de Crohn
O framework foi aplicado para comparar o registro EPIMAD (referência) com a base de dados nacional francesa de alta hospitalar (PMSI, candidata) para a Doença de Crohn no norte da França.

• Achados Globais: Todos os três modelos estimaram consistentemente uma discrepância global, com o sinal do PMSI sendo aproximadamente 7% menor que o sinal do EPIMAD ($RR_{global} \approx 0,93$).
• Achados Locais: Nenhuma unidade espacial excedeu o limiar de detecção local RCEP (0,9) em nenhum dos modelos.
• Conclusão: A base de dados PMSI reproduz a organização geográfica ampla da Doença de Crohn observada no registro, mas subestima o nível absoluto do sinal. É adequada para análise espacial em grande escala, mas requer recalibração para estimativa de incidência absoluta.

Significado e Alegações
O artigo alega fornecer o primeiro framework bayesiano principista especificamente projetado para a validação assimétrica de bases de dados espaciais de eventos de saúde. Suas principais contribuições incluem:

1. Decomposição da Discordância: Separa explicitamente erros de calibração global (deslocamentos de intercepto) de discrepâncias espaciais locais, abordando uma lacuna onde métodos anteriores frequentemente confundiam os dois ou falhavam em modelá-los conjuntamente.
2. Regras de Decisão Operacionais: A introdução da regra RCEP aborda um artefato estatístico específico em modelos latentes centrados, oferecendo um método mais robusto para identificar áreas locais atípicas em comparação com limiares padrão referenciados ao nulo.
3. Utilidade Prática: A aplicação demonstra que uma base de dados pode ser "validada" para estrutura espacial (preservando gradientes) mesmo que não seja validada para magnitude absoluta, fornecendo uma base matizada para decisões de reutilização de dados.

Os autores notam limitações, incluindo a dependência de uma única configuração areal nas simulações e o fato de a RCEP tratar o centro robusto como fixo (plug-in) em vez de integrar totalmente sua incerteza. Eles sugerem extensões futuras para outras distribuições de resultado (por exemplo, binomial, Gaussiana) e modelos espaço-temporais como próximos passos naturais.