L’estudi de la mortalitat en àrees bàsiques de salut mitjançant l’anàlisi bayesiana

Abstract

Mortalitat; Anàlisi bayesiana; Àrea bàsica de salut

Mortalidad; Análisis bayesiano; Área básica de salud

Mortality; Bayesian analysis; Basic health area

Aquest projecte proposa una metodologia per analitzar la variació espacial i temporal dels indicadors de mortalitat a Catalunya a escala d’àrea bàsica de salut (ABS), partint de la mortalitat anual desagregada per sexe i per grups quinquennals d’edat. Com que es parteix de taxes de mortalitat anuals i per àrees petites, les estimacions inicials dels indicadors són molt variables, i per minimitzar aquesta variabilitat sense introduir un biaix les taxes se suavitzen fent servir models jeràrquics bayesians. Aquests models incorporen l’efecte específic de cada àrea i la seva dependència espacial i temporal a través d’efectes aleatoris, i l’efecte de covariables a través d’efectes fixos, amb l’objectiu d’obtenir estimacions més robustes.

Este proyecto propone una metodología para analizar la variación espacial y temporal de los indicadores de mortalidad en Cataluña a nivel de área básica de salud (ABS), partiendo de la mortalidad anual desagregada por sexo y por grupos quinquenales de edad. Como se parte de tasas de mortalidad anuales y por áreas pequeñas, las estimaciones iniciales de los indicadores son muy variables, y para minimizar esta variabilidad sin introducir un sesgo las tasas se suavizan utilizando modelos jerárquicos bayesianos. Estos modelos incorporan el efecto específico de cada área y su dependencia espacial y temporal a través de efectos aleatorios, y el efecto de co-variables a través de efectos fijos, con el objetivo de obtener estimaciones más robustas.

This project proposes a methodology to analyse the spatial and temporal variation of mortality indicators in Catalonia at the basic health area (BHA) level, based on annual mortality data disaggregated by sex and five-year age groups. Since we start from annual mortality rates and by small areas, the initial estimates of the indicators are highly variable, to minimise which while avoiding introducing any bias the rates are smoothed out using Bayesian hierarchical models. These models incorporate the area-specific effect and its spatial and temporal dependence through random effects, and the effect of co-variables through fixed effects in order to obtain more robust estimates.