Hierarchical and spline based-models in space-time disease mapping

• Autores: Aritz Adin Urtasun
• Directores de la Tesis: María Dolores Ugarte Martínez (dir. tes.), Tomás Goicoa Mangado (codir. tes.)
• Lectura: En la Universidad Pública de Navarra ( España ) en 2017
• Idioma: inglés
• Tribunal Calificador de la Tesis: Ana Fernández Militino (presid.), Berta Ibáñez Beroiz (secret.), Liliane Bel (voc.)
• Programa de doctorado: Programa de Doctorado en Matemáticas y Estadística por la Universidad de La Laguna; la Universidad de Oviedo; la Universidad de Zaragoza; la Universidad del País Vasco/Euskal Herriko Unibertsitatea y la Universidad Pública de Navarra
• Materias:
  • Matemáticas
    • Estadística
      • Técnicas de inferencia estadística
      • Técnicas de predicción estadística
• Enlaces
  • Tesis en acceso abierto en: Academica-e
• Resumen

  • La representación cartográfica de enfermedades (disease mapping) es un área de investigación de gran interés en epidemiología y salud pública. La gran variabilidad inherente a las medidas clásicas de estimación de riesgo como la razón de mortalidad estandarizada, hacen necesario el uso de técnicas estadísticas que estabilicen estas razones. Durante los últimos años se han desarrollado muchos modelos estadísticos para estudiar la distribución geográfica de una enfermedad y su evolución en el tiempo. Sin embargo, la disponibilidad de datos de alta calidad recogidos en muchas regiones y durante largos periodos de tiempo, así como la aparición de nuevos y cada vez más sofisticados modelos, han revelado nuevas dificultades que necesitan ser investigadas a fondo.

    En el Capítulo 1 se describen algunos modelos espacio-temporales de relevancia para el resto de capítulos abordados en la tesis y se detallan las restricciones necesarias para resolver los problemas de identificación de dichos modelos. El Capítulo 1 también describe la técnica inferencia! Bayesiana utilizada a lo largo de la tesis, basada en aproximaciones de Laplace e integración numérica (conocida como INLA), y su implementación en R.

    En el Capítulo 2 se han comparado cinco modelos espacio-temporales utilizados en disease mapping. Para poder comparar los diferentes términos de estos modelos, se ha calculado una descomposición del logaritmo de los riesgos estimados definiendo patrones espaciales, temporales y espacio-temporales a posteriori. Los resultados se ilustran con datos de mortalidad por cáncer de encéfalo en las provincias Españolas durante el periodo 1986-2010. Además, se ha realizado un estudio de simulación para comparar el rendimiento de los modelos en términos de sensitividad (habilidad para detectar regiones de alto riesgo verdaderas) y especificidad (habilidad para descartar regiones de alto riesgo falsas). Se concluye que cuando el número de casos esperados es muy pequeño (algo común cuando se analizan enfermedades raras o dominios muy pequeños como municipios), los modelos de P-splines se comportan mejor en términos de detección de áreas de alto riesgo.

    En el Capítulo 3 se propone una nueva familia de modelos espacio-temporales que incluyen efectos aleatorios para dos niveles espaciales, permitiendo modelizar efectos espaciales y espacio-temporales a diferentes niveles de agregación (como por ejemplo, municipios dentro de provincias o zonas de salud que se ven afectados por políticas de salud similares). Estos modelos han sido utilizados para analizar los datos de mortalidad en los municipios del País Vasco y Navarra durante el periodo 1986-2008. Se ha realizado un estudio de simulación en donde se concluye que si existen diferentes niveles de agregación espacial, los nuevos modelos a dos niveles se comportan mejor que modelos previos propuestos en la literatura.

    En el Capítulo 4 se presentan nuevos modelos de E-splines que incluyen correlaciones espaciales y temporales desde un enfoque completamente Bayesiano. Concretamente se describen modelos que incluyen B-spline temporales unidimensionales que pueden tener (o no) correlación espacial, así como modelos de B-spline espaciales bidimensionales que pueden tener (o no) correlación temporal. Los resultados se ilustran con datos de mortalidad por cáncer de mama en la España peninsular durante el periodo 1990-2010. Se observa que, en general, utilizar modelos con B-spline temporales distintos para cada área proporciona mejores resultados en términos de ajuste. Sin embargo, cuando el número de áreas aumenta, estos modelos pueden no ser factibles desde un punto de vista computacional. Por el contrario, los modelos de P-spline tridimensionales (previamente propuestos en la literatura y formulados en esta tesis desde un punto de vista completamente Bayesiano) son una alternativa prometedora, obteniendo estimaciones del riesgo precisas en tiempos computaciones mucho más cortos.