Osservare il rischio CVD in piccole porzioni di comunità

Osservare il rischio di CVD in piccole porzioni di comunità

Uno studio dell’Università di Pittsburgh valida un modello computazionale per analisi statistiche con precisione di scala locale

Con quanta precisione e quanta efficacia le popolazioni cosiddette sintetiche, cioè le popolazioni che imitano statisticamente le popolazioni reali nelle caratteristiche e nella distribuzione della malattia, possono essere definite attraverso dati reali e analitici? E quanto queste popolazioni artificiali - che sono rappresentazioni computazionali microscopiche e semplificate della popolazione effettiva, senza informazioni di identificazione personale - sono utili nella progettazione e nel targeting degli interventi?

Sono le domande da cui è partita una recente ricerca [1] sviluppata presso il Dipartimento di Politiche della Salute presso l’Università di Pittsburgh - Graduate School of Public Health, in Pennsylvania. Al termine dello studio, i cui risultati sono stati pubblicata su JAMA Network Open, gli autori hanno segnalato che una popolazione artificiale costruita attraverso una modellizzazione spazialmente esplicita riesce a stimare adeguatamente il rischio di

malattia e le implicazioni degli interventi necessari. Il caso specifico utilizzato dal team di ricerca per sviluppare lo studio riguarda il rischio cardiovascolare (CVD). Quello della definizione per via computazionale della popolazione è un campo estremamente importante per l’indagine scientifica contemporanea. La valutazione dell’associazione tra i determinanti sociali della salute, cioè i fattori la cui presenza modifica in una direzione o nell’altra lo stato di salute della popolazione [2], e le malattie croniche richiede l’accesso a informazioni di livello individuale che raramente sono disponibili per popolazioni ampie. Ecco perché, ricordano gli autori della ricerca, le popolazioni artificiali sono una possibile alternativa a questo scopo. In esse, le vite individuali simulate sono completamente ipotetiche [3]. Il gruppo guidato da Robert J. Frankeny e Mary G. Krauland, dell’Università di Pittsburgh, e da Josh Lewis, del Dipartimento della © SciePro/www.shutterstock.com

C’era in particolare un dato che rendeva più che mai interessante verificare un modello di tipo statistico proprio attraverso il rischio CVD. La contea di Allegheny, infatti, tra i suoi 1,2 milioni di abitanti distribuiti su una vasta area metropolitana e diversi sobborghi circostanti, mostra una prevalenza di CVD superiore alla media rispetto ad altre contee della Pennsylvania. Il contesto generale da cui sono partiti gli studiosi dell’Università di Pittsburgh è la consapevolezza che le malattie cardiovascolari rappresentano una delle principali cause di mortalità negli Stati Uniti, con stime superiori a 600.000 morti ogni anno. Le malattie cardiovascolari continuano ad essere la principale causa di morte e una delle principali fonti di disuguaglianza nella salute nel mondo. Inoltre è ormai assodato come i determinanti sociali della salute (posizione socioeconomica, assistenza sociale, accesso alle cure) siano associati alla CVD, anche se il ruolo diretto o indiretto che svolgono non è ancora chiaro. Esiste ormai molta letteratura circa i fattori di rischio per le malattie cardiovascolari con particolare riferimento al contesto ambientale. Studi precedenti [4] hanno esaminato la validità di modelli sviluppati sulla relazione tra attributi dell’ambiente residenziale e rischio di CVD. La densità urbanistica, la sicurezza dal traffico, le strutture ricreative, la connettività stradale e la pedonabilità sono, per esempio, indicatori interessanti e utili perché vengono associati all’attività fisica, uno dei principali comportamenti per l’abbattimento del rischio di CVD. Allo stesso modo, la presenza in zona di fast food e negozi di alimentari è stata assoDifferenza tra il rischio atteso o osservato di rischio atteso di morte per malattia cardiovascolare (CVD) per tratto censuario nella ciata all’indice di massa corporea e alla sindrocontea di Allegheny in Pennsylvania. me metabolica. Krauland MG, Frankeny RJ, Lewis J, et al. Development of a Synthetic Population Model for Assessing Excess Risk for Cardiovascular Molti altri studi invitano a stimare il rischio Disease Death. JAMA Netw Open. 2020. cardiovascolare incorporando lo stato socioeconomico nella valutazione [5] e suggeriscono Salute della Contea di Allegheny (Pennsylvania), ha deciso di sfrutdi porre attenzione agli ambienti di vicinato [6]. È la traiettoria contare il rischio di morte per malattie cardiovascolari per testare il prodivisa [7] per intervenire sul rischio già nell’infanzia, costruendo le cesso di modellizzazione. L’obiettivo era costruire e convalidare una azioni che indichiamo generalmente come prassi di prevenzione. popolazione sintetica in grado di imitare statisticamente le caratteDal punto di vista tecnico, lo studio si è basato su una piattaforristiche e la distribuzione spaziale della malattia di una popolazione ma chiamata “Framework for Reconstructing Epidemiological Dyreale, utilizzando sia dati reali sia dati sintetici, applicabili cioè alla namics (FRED)”, una piattaforma di modello ad agente (agent-based situazione osservata, ma che non erano stati ottenuti mediante mimodeling) che utilizza una popolazione sintetica creata attraverso i surazione diretta. dati del censimento degli Stati Uniti e le informazioni di database

Per costruire la popolazione i ricercatori hanno utilizzato i dati pubblici relativi a consumo di suolo, scuola e lavoro. relativi alla contea di Allegheny raccolti dal censimento pubblico tra Da anni i modelli ad agente (ABM) sono un importante pagennaio 2015 e dicembre 2016. La presenza della malattia è stata radigma [8] per lo studio in particolare delle epidemie perché determinata utilizzando le informazioni sulle richieste di indennizzo possono assegnare la probabilità di trasmissione della malattia in effettuate alle principali assicurazioni sanitarie a livello locale. Le vabase alle caratteristiche condivise dai singoli agenti. I sistemi AMB riabili biologiche e sociali sono state estrapolate dal National Health simulano sistemi sociali su larga scala e assegnano comportamenInterview Survey, un sondaggio annuale per stime rappresentative ti agli agenti (individui o gruppi) all’interno della popolazione da sulla salute della popolazione degli Stati Uniti, oltre che da alcuni modellare, con la possibilità di calcolare le interazioni degli stessi database pubblici. con l’ambiente [9].

e prevedere il comportamento aggregato di un gran numero di individui [12]: il punto è l’ottenimento di un modello capace di tenere conto delle implicazioni delle caratteristiche dinamiche della popolazione su processi altrettanto dinamici quali la diffusione di malattie, opinioni e norme sociali. I modelli computazionali sono ormai comunemente usati come prezioso strumento nella pianificazione di politiche e strategie sanitarie, soprattutto in occasione di circostanze del tutto nuove, come accaduto con l’influenza pandemica causata dal virus H1N1 nel 2009. Nello studio sviluppato dall’Università di Pittsburgh la popolazione sintetica comprendeva 1.188.112 individui con caratteristiche demografiche simili a quelle della popolazione censita nella Contea di Allegheny nel 2010. Nella popolazione sintetica l’età media era di 40,6 anni; le donne erano 622.997 e rappresentavano il 52,4% del totale, mentre gli uomini erano 565.115 (pari al 47,6% del totale). Gli autori hanno spiegato come la messa in relazione dei dati sui determinanti sociali con la differenza tra il rischio di morte per CVD atteso e quello osservato ha permesso di verificare che Le fasi per la generazione del modello di popolazione artificiale attraverso FRED. i determinanti sociali basati sul reddito Krauland MG, Frankeny RJ, Lewis J, et al. Development of a Synthetic Population Model for Assessing Excess Risk for Cardiovascular Disease e sull’istruzione sono realmente assoDeath. JAMA Netw Open. 2020 ciati al rischio. Nel corso della ricerca, una stima migliorata dei determinanti sociali e dei fattori biologici associati

Nel 2012 Johan Barthelemy e Eric Cornelis [10] hanno indagato alla malattia non ha eliminato completamente le stime con un eccesvari approcci disponibili. Le microsimulazioni possono coinvolgere so di mortalità per CVD: un miglioramento del 20% nei determiun gran numero di agenti, hanno fatto notare in uno studio connanti più significativi ha comunque portato, tra i risultati, a rilevare dotto presso il Luxembourg Institute of Socio-Economic Research un rischio eccesivo di morte per CVD in almeno 105 tratti di cen(LISER), ed è quindi praticamente impossibile o troppo costoso simento (cioè aree geografiche specifiche in cui viene effettuato un ottenere un set di dati disaggregati rispetto agli agenti di interesse. censimento secondo un modello utilizzato negli Stati Uniti; in una Senza contare i problemi di privacy che sorgerebbero qualora un sicontea, generalmente, ci sono diversi tratti di censimento). mile dataset fosse disponibile. Di qui l’importanza di poter costruire Per validare la popolazione sintetica e per dimostrare come una popolazione artificiale partendo da dati aggregati e utilizzando tale popolazione possa essere utilizzata con efficacia previsionale e le diverse piattaforme disponibili. di indagine, gli autori spiegano di aver esplorato la correlazione dei

Nella piattaforma FRED - che non è dunque l’unica esistente determinanti sociali della salute con il rischio di morte per CVD e - gli agenti possono esibire una serie di comportamenti correlati al di aver stimato la potenziale associazione di interventi con il rischio dato di salute, per esempio restare a casa dal lavoro o tenere a casa ridotto di morte per CVD. Le elaborazioni hanno generato una poun bambino quando è malato. Nella simulazione [11], in sostanza, polazione semisintetica con caratteristiche demografiche e caratteril’azione intrapresa da un agente implica un’interazione tra l’intenstiche della malattia basate sulla popolazione sintetica utilizzata nella zione dell’agente di eseguire un comportamento e una o più conpiattaforma FRED. A livello di tratto di censimento, cioè rispetto a dizioni esterne. Il tema da tempo è oggetto di approfondimenti dei una delle 348 aree in cui è divisa la Contea di Allegheny, le popoladatascientist: la rappresentazione sintetica ma realistica di popolazioni variavano ampiamente in termini di dimensioni, caratteristiche zioni trova applicazione in numerosi ambiti della società contempodemografiche, condizioni di salute. A livello complessivo il tasso di ranea in cui la capacità previsionale è determinante per il successo rischio di morte a 4 anni per CVD variava da 220 a 6.760 su 100.000 di un’iniziativa, dalla mobilità pubblica all’assistenza sociosanitaria, persone. Il tasso previsto di rischio di morte a quattro anni per CVD all’ecologia. Anche i decisori politici vi ricorrono per comprendere per tratto di censimento variava da 420 a 2.450 su 100.000 persone.

Lo studio ha rilevato un rischio osservato di morte per CVD superiore al rischio atteso di morte per CVD in 166 dei 348 tratti di censimento (pari a una percentuale del 48%). Questi tratti di censimento rappresentavano il 37% della popolazione totale della contea.

Una delle osservazioni più interessanti segnalate dagli autori riguarda la distribuzione. La differenza tra i tassi attesi e osservati di rischio non appare localizzato in modo casuale: alcuni tratti di censimento con un eccesso di mortalità cardiovascolare erano, infatti, spazialmente contigui. La differenza tra il rischio di morte per CVD atteso e osservato, inoltre, è risultata strettamente correlata alla percentuale di famiglie che ricevevano buoni pasto o che vivevano al di sotto del livello di povertà. Quanto ai dati meno rilevanti, tra le variabili che non hanno raggiunto la significatività statistica gli autori segnalano il numero di supermercati e il numero di ristoranti fast food per tratto di censimento.

Nel corso della ricerca, l’eliminazione graduale delle variabili non significative e l’aggiunta della variabile educativa ha determinato un miglioramento del modello. Gli aggiustamenti eseguiti dai ricercatori hanno portato a un numero inferiore di tratti di censimento con una mortalità stimata più alta del previsto. Tirando le conclusioni, Krauland e colleghi spiegano di aver rilevato inequivocabilmente una disparità del rischio di morte per CVD spesso in aree vicine: alcune aree mostrano esiti molto peggiori del previsto. Questa differenza nell’eccesso di rischio è legata alle disparità di reddito [13] e istruzione, ma - questo l’appunto - la correlazione esistente tra gli stessi determinanti sociali suggerisce che la programmazione di politiche sanitarie basate sulla combinazione di fattori noti può produrre effetti positivi. Anche l’indagine, tuttavia, deve essere configurata assumendo più prospettive.

Nel caso di studio, per esempio, l’esistenza di situazioni differenti in aree attigue può essere compresa grazie alla storia economica locale. Nella contea di Allegheny, il declino dell’industria manifatturiera ha generato una diffusa disoccupazione tra gruppi di persone che, per l’interdipendenza quotidiana delle fabbriche, si erano insediati nelle vicinanze degli stabilimenti: di conseguenza sono le aree in cui risiedono questi ex lavoratori a esprimere una condizione di disagio e un maggior rischio. Se è normale che un fattore specifico giochi un ruolo nella situazione generale dell’individuo, nessuna singola caratteristica è responsabile da sola di uno stato di salute complessivo.

I fattori che interagiscono sinergicamente – è una delle conclusioni dello studio - influenzeranno probabilmente la salute cardiovascolare, mentre i fattori biologici che determinano il rischio di morte per CVD sono, a loro volta, modellati dal contesto sociale in cui l’individuo esiste. Ampliando la riflessione in termini di programmazione pubblica, gli autori ricordano che, per esempio, il livello di istruzione determina la traiettoria finanziaria di un individuo e il conseguente accesso all’assicurazione sanitaria. Il modello computazionale sviluppato dai ricercatori di Pittsburgh ha confermato che per diminuire gli alti tassi di rischio di morte per CVD, gli interventi sui fattori di rischio biologici dovrebbero essere combinati con interventi mirati ai fattori sociali, indirizzati a produrre qualità abitativa e ridurre le disparità educative e di reddito.

Lo studio ha inoltre scoperto che la modellazione spazialmente esplicita può aiutare a identificare quali posizioni geografiche potrebbero trarre il massimo vantaggio dagli interventi. È agendo a un livello spaziale molto contenuto che si possono ottenere i risultati migliori poiché l’azione andrebbe a incidere su determinate caratteristiche, non sovrapponibili a quelle di un gruppo attiguo e che sono tracciate in modo specifico dalla storia biologica, sociale e culturale di quella minima porzione di popolazione. (S. L.).

Bibliografia

[1] Krauland MG, Frankeny RJ, Lewis J, et al. Development of a Synthetic Population Model for Assessing Excess Risk for Cardiovascular Disease Death. JAMA Netw Open. 2020; 3(9): e2015047. doi:10.1001/jamanetworkopen.2020.15047 [2] Braveman P, Gottlieb L., The social determinants of health: it’s time to consider the causes of the causes. Public Health Rep. 2014;129(suppl 2):19-31. doi:10.1177/00333549141291S206 [3] Hennessy DA, Flanagan WM, Tanuseputro P, et al. The Population Health Model (POHEM): an overview of rationale, methods, and applications. Popul Health Metr. 2015;13:24. doi:10.1186/s12963-015-0057-x [4] Malambo P, Kengne AP, De Villiers A, Lambert EV, Puoane T. Built environment, selected risk factors and major cardiovascular disease outcomes: a systematic review. PLoS One. 2016;11(11):e0166846. doi:10.1371/journal.pone.0166846 [5] Clark AM, DesMeulesM, Luo W, DuncanAS, Wielgosz A. Socioeconomic status and cardiovascular disease: risks and implications for care. Nat Rev Cardiol. 2009;6(11):712- 722. doi:10.1038/nrcardio.2009.163 [6] Diez Roux AV, Mujahid MS, Hirsch JA, Moore K, Moore LV. The impact of neighborhoods on CV risk. Glob Heart. 2016;11(3):353-363. doi:10.1016/j.gheart.2016.08.002 [7] Taylor LA, Tan AX, Coyle CE, et al. Leveraging the social determinants of health: what works? PLoS One. 2016;11(8):e0160217. doi:10.1371/journal.pone.0160217 [8] Cajka JC, Cooley PC, Wheaton W. Attribute assignment to a synthetic population in support of agent-based disease modeling. Methods Rep RTI Press. 2010; 19(1009):1-14. doi:10.3768/rtipress.2010.mr.0019.1009 [9] Wheaton WD, Cajka JC, Chasteen BM, et al. Synthesized population databases: a US geospatial database for agent-based models. Methods Rep RTI Press. 2009;2009(10):905. doi:10.3768/rtipress.2009. mr.0010.0905 [10] Barthelemy J, Cornelis E. Synthetic populations: review of the different approaches. LISER Working Paper Series 2012-2018. Published 2012. Accessed November 2018. https://ideas.repec.org/p/irs/cepswp/2012-18.html [11] Grefenstette JJ, Brown ST, Rosenfeld R, et al. FRED (A Framework for Reconstructing Epidemic Dynamics): an open-source software system for modeling infectious diseases and control strategies using census-based populations. BMC Public Health. 2013; 13:940. doi:10.1186/1471- 2458-13-940 [12] Geard N, McCaw JM, Dorin A, Korb KB, McVernon J. Synthetic population dynamics: a model of household demography. J Artif Soc Simul. 2013;16(1):8. doi:10.18564/ jasss.2098 [13] Braveman PA, Cubbin C, Egerter S, Williams DR, Pamuk E. Socioeconomic disparities in health in the United States: what the patterns tell us. Am J Public Health. 2010;100(suppl 1):S186-S196. doi:10.2105/AJPH.2009.166082