Como Identificar Taxas de Doença Excessivamente Elevadas?

Isabel Cristina Maciel Natário, M. Lucília Carvalho

Research output: Chapter in Book/Report/Conference proceedingConference contributionpeer-review

Abstract

Frequentemente, na modelação dos riscos de doença, os dados disponíveis são contagens em divisões administrativas da região de interesse, sendo modelados através de um pressuposto Poisson. Vários métodos para a construção de mapas de risco da doença têm sido propostos. Estes mapas constituem uma base de partida para a identificação de características inerentes a esses riscos e, em particular, para responder à pergunta proposta. Contudo os mapas devem ser encarados como ferramentas exploratórias e, se não forem construídos com base em modelos que se ajustem bem aos dados, poderão levara conclusões espúrias. Muitas vezes a modelação é feita recorrendo a métodos totalmente Bayesianose hierárquicos, dada a sua facilidade de incorporar nos seus diferentes estádios os diversos aspectos que afectam os riscos como sendo, por exemplo, a estrutura espacial dos mesmos. Nesta perspectiva completamente Bayesiana, e trabalhando com riscos relativos, propomos uma forma de responder à questão da existência de taxas demasiado elevadas, baseada na comparação do comportamento dos riscos observados com o seu comportamento esperado sob a hipótese de riscos todos iguais e não excessivos. Esta metodologia é comparada com uma abordagem clássica baseada na função verosimilhança penalizada por forma a incorporar a referida estrutura espacial dos dados, quando for o caso.

Often, when one is interested in modelling disease risks, the data available come as counts in administrative subdivisions of the area of interest, being thenmodelled as Poisson counts.Several methods for constructing disease risk maps have been proposed, and thesemaps are the basis for identifying unknown features associated with the risks. Inparticular, for answering the question posed.However the maps should be thought as exploratory tools and, if they are not constructed accordingly to well adjusted models, they can induce wrong conclusions In the recent years the use Hierarchical Bayesian models in these kind of problems has been increasing, mainly due to their ability of incorporating in their diferent stadiums the several aspects that may afect risks - eg, spatial structure of the risks.Under a completely Bayesian framework, and working with relative risks, we propose a way of answering if is there excessively high disease rates, based on the comparison between the behaviour of the observed risks with their expected behaviour,under the hypothesis that all risks are equal and not too high.This methodology is compared to a classical approach based on the penalized likelihood in order to incorporate the mentioned spatial structure of the data, when it is justifable.
Original languagePortuguese
Title of host publicationNovos Rumos da Estatística
Subtitle of host publicationactas: do IX Congresso Anual da Sociedade Portuguesa de Estatística
EditorsLucília Carvalho, Fátima Brilhante, Fernando Rosado
Place of PublicationLisboa
PublisherSociedade Portuguesa de Estatística
Pages285-296
Number of pages12
ISBN (Print)972-98619-4-3
Publication statusPublished - 2002
EventIX Congresso Anual da Sociedade Portuguesa de Estatística - Universidade dos Açores, Ponta Delgada, Portugal
Duration: 4 Nov 20017 Nov 2001

Conference

ConferenceIX Congresso Anual da Sociedade Portuguesa de Estatística
CountryPortugal
CityPonta Delgada
Period4/11/017/11/01

Keywords

  • Modelos Bayesianos Hierárquicos
  • Risco Relativo
  • MCMC
  • Verosimilhança Penalizada
  • Hierarchical Bayesian Models
  • Relative Risk
  • Penalized Likelihood

Cite this