Modelo extendidos para el análisis espacial en epidemiología del cáncer

Resumen - CAPÍTULO 1: MARCO TEÓRICO - 1.1.Conceptos Generales - 1.2. Cálculo de Tasas - 1.2.1. Tasas crudas - 1.2.2. Tasas de mortalidad estandarizadas - 1.2.3. Cociente de mortalidad estandarizada (CME) - 1.3.Autocorrelación espacial - 1.3.1. Introducción - 1.3.2. Matriz de vecinos W - 1.3.3. Detección de Autocorrelación Espacial - 1.3.3.1. Autocorrelación Espacial Global - 1.3.3.2. Detección de Autocorrelación Espacial Local - 1.3.3.3. Scatterplot - 1.4. Modelos - 1.4.1. Introducción - 1.4.2. GLLAMMs para datos de conteo - 1.4.3. Estimación del riesgo relativo en áreas pequeñas o disease mapping - 1.4.4. Estudios de asociación geográfica o ecological analysis - 1.4.5. Aglomeraciones de casos o disease clustering - 1.4.6. Bondad de Ajuste - 1.5. Epidemiología de cáncer - 1.5.1. Introducción - 1.5.2. Cáncer de próstata - 1.5.3. Cáncer de mama - 1.6. Objetivos - 1.6.1. Objetivo General - 1.6.2. Objetivos Específicos - CAPÍTULO 2: MATERIALES Y MÉTODOS - 2.1. Datos y fuentes de información - 2.2. Metodología - 2.2.1. Cálculo de tasas y CMEs - 2.2.2. Análisis de la autocorrelación espacial - 2.2.3. Modelos - CAPÍTULO 3: RESULTADOS - 3.1. Distribución espacial de las Tasas de mortalidad estandarizadas por edad (por 100.000). Provincia de Córdoba. Período 1986-2011. - Cáncer de Próstata y Mama - 3.2. Distribución espacial de los Cocientes de mortalidad estandarizados. - Provincia de Córdoba. Período 1986-2011. Cáncer de Próstata y Mama - 3.3. Análisis de la autocorrelación espacial - 3.4. Estimación del riesgo relativo en áreas pequeñas (disease mapping) - 3.5. Estudios de asociación geográfica (ecological analysis) - 3.6. Aglomeraciones de casos (disease clustering) - CAPÍTULO 4: DISCUSIÓN Y CONCLUSIONES - CAPÍTULO 5: BIBLIOGRAFÍAEl monitoreo de la variación geográfica en la distribución de enfermedades y la investigación para comprender las razones subyacentes a dicha variación son, habitualmente, un punto de partida importante en Epidemiología. Se han identificado muchos factores de riesgo significativos como resultado de los hallazgos en el análisis de patrones geográficos de las enfermedades. Mientras el mapeo de enfermedades infecciosas es una práctica bien establecida, la creación de mapas de enfermedades no transmisibles, como el cáncer, está menos desarrollada. Además, los modelos que incorporan la autocorrelación espacial han sido ampliamente estudiados en lo que se refiere a variables continuas pero cuando se trabaja con datos discretos, como sucede en la Epidemiología espacial, las posibilidades de modelación son más reducidas. El cáncer muestra variaciones espaciales y el conocimiento de su patrón de ocurrencia es esencial para identificar grupos de población vulnerables, así como para desarrollar políticas de salud adecuadas para la prevención, el seguimiento y el control (Díaz et al, 2010). En este trabajo se analiza la distribución geográfica de los casos de mortalidad por cáncer de próstata y mama, a nivel de departamentos en la Provincia de Córdoba, incluyendo un análisis exploratorio espacial con herramientas clásicas e índices específicos y diferentes enfoques de modelación para la obtención de inferencias respecto de la comprensión y cuantificación del fenómeno. En el marco de los Modelos generalizados mixtos y para variables latentes (GLLAMM) se ajustaron modelos con efectos aleatorios, que permiten considerar la heterogeneidad no observada entre departamentos e incorporan dicha información a la hora de estimar los efectos de covariables de interés. Para la estimación del riesgo relativo se ajustaron Modelos Poisson con intercepto aleatorio en combinación con predicción Bayesiana empírica, como así también Modelos Poisson-Gamma que incorporan una estructura específica de sobredispersión. Por último, se estimaron Modelos Autorregresivos Simultáneos (SAR) que incorporan los valores de las otras áreas para modelar la dependencia espacial. Los mapas permitieron detectar que las tasas de mortalidad por cáncer de próstata y mama en la Provincia de Córdoba siguen un patrón no aleatorio en su distribución espacial. En relación al cáncer de próstata, existe una concentración de valores elevados del Cociente de Mortalidad Estandarizado (CME) hacia el centro-este provincial, mientras que para el cáncer de mama, se pudo identificar un gradiente en el noroeste de la provincia, con CMEs en el quintil superior. Las pruebas de homogeneidad de los riesgos relativos determinaron la existencia de diferencias de significación entre los departamentos de la Provincia en relación a los CME. Las distribución espacial de los riesgos relativos estimados con los modelos Poisson con intercepto aleatorio y Poisson- Gamma resultó muy similar para ambas estrategias de modelación, permitiendo detectar una zona de riesgo al este de la Provincia, tanto para cáncer de mama como para el cáncer de próstata. En una segunda etapa se incorporó el efecto de covariables socieconómicas, disponibles para el año 2001 y para toda la provincia, las que no resultaron estadísticamente significativas en el modelo Poisson. En el modelo SAR, considerando como variable dependiente la estandarización de los CMEs, para el cáncer de próstata, resultaron significativas y con coeficiente positivo el porcentaje de la población total sin cobertura de salud y el porcentaje de la población total desocupada. Las pruebas bondad de ajuste de los modelos revelaron la superioridad del modelo Poisson con intercepto aleatorio respecto del modelo Poisson clásico. El modelo autorregresivo, por su parte, resultó el proporciona un mejor ajuste a los datos, cuando se incorporan covariables en el análisis.Fil: Gonzalez, Mariana Verónica. Universidad Nacional de Córdoba; Argentina